Table7
不同分割方法分形维数
方法 | 分形维数D |
原始CT | 1.561 |
VRA-UNet | 1.519 |
阈值分割 | 1.441 |
Table6
不同模型单张图像处理时间
模型Model | 时间 Time/ms |
UNet | 176 |
PSPNet | 132 |
DeeplabV3+ | 137 |
FCN | 165 |
SegNet | 171 |
VRA-UNet | 202 |
Table5
不同模型的对比试验
模型 Model | 平均交并比 mIOU | 像素平均值 mPA | 精确率 Precision |
UNet | 79.17 | 83.67 | 88.13 |
PSPNet | 68.52 | 77.51 | 77.50 |
DeeplabV3+ | 74.45 | 77.96 | 84.55 |
FCN | 78.35 | 83.04 | 86.37 |
SegNet | 78.82 | 83.27 | 87.64 |
VRA-UNet | 85.22 | 90.80 | 91.95 |
Table4
消融试验结果
主干网络 VGG16 |
注意力机制 ResCBAM |
非对称空洞 金字塔 AC-ASPP |
平均交并比 mIOU |
像素平均值 mPA |
精确率 Precision |
× | × | × | 79.17 | 83.67 | 88.13 |
√ | × | × | 80.10 | 84.27 | 89.07 |
√ | √ | × | 83.53 | 89.54 | 90.92 |
√ | √ | √ | 85.22 | 90.80 | 91.95 |
注:“√”代表在基础UNet网络模型中引入这个模块;“Ο”则反之。 |
Table3
不同金字塔模块对模型的影响
模型 Model | 平均交并比 mIOU | 像素平均值 mPA | 精确率 Precision |
UNet | 79.17 | 83.67 | 88.13 |
UNet+SPP | 81.94 | 88.60 | 89.61 |
UNet+ASPP | 82.09 | 89.13 | 89.29 |
UNet+AC-ASPP | 83.50 | 89.95 | 90.46 |
Table2
不同注意力机制对模型的影响
模型 Model |
平均交并比 mIOU |
像素平均值 mPA |
精确率 Precision |
UNet | 79.17 | 83.67 | 88.13 |
UNet+SE | 79.50 | 83.94 | 88.73 |
UNet+ECA | 79.56 | 84.20 | 89.06 |
UNet+ResCBAM | 81.27 | 86.22 | 90.32 |
Table1
不同主干网络对模型的影响
模型 Model | 平均交并比 mIOU | 像素平均值 mPA | 精确率 Precision |
UNet | 79.17 | 83.67 | 88.13 |
UNet+Mobilenet | 79.46 | 84.04 | 88.79 |
UNet+Resnet50 | 79.23 | 83.81 | 88.67 |
UNet+VGG16 | 80.10 | 84.27 | 89.07 |
主办单位:煤炭科学研究总院有限公司 中国煤炭学会学术期刊工作委员会