(a) (b) (c) 图7损失曲线.(a)位置损失；b)分类损失；(c)模板损失 Fig.7 Loss curves:(a)box loss;(b)class loss;(c)mask loss 在验证集上分别使用YOLACT-ResNet101-crop(主干网络ResNet101+裁剪模板策略)、 YOLACT-ResNet1O1-select(主干网络ResNet101+筛选模板策略)、YOLACT-ResNest101-crop (主干网络ResNest101+裁剪模板策略)、YOLACT-ResNest101-select(主干网路ResNest101+筛选 模板策略)四种方法得到的mlOU和Dice coefficient如表2所示。改进YOLAC模型在验证集上的 模型精度如表3所示，其中“box”代表目标检测的精度，“mask”代表语义分割的精度。实验中设 置不同10U阈值为0.50、0.55、0.60、0.65、0.70、0.75、0.80、0.85、0.90、0.95，将不同阈值对应的mAP 值进行平均得到模型的mAPl,如表3第二列所示，表3第三列至第五列分别为IOU阈值为 0.50、0.70、0.90的mAP值。综合表2、表3可以看出本文所述改进YQLACT模型的精度有所提高。 表2不同YOLACT模型的分割精度 Table 2 Segmentation accuracy of different YOLC models Model mlou Dice coefficient YOLACT-ResNet101-crop 0.9943 YOLACT-ResNet101-select 0.9943 YOLACT-ResNeSt101-crop 0.9950 YOLACT-ResNeSt101-select 0.9950 表3 YOLACT-ResNeSt101模型精度 Table 3 The accuracy of YOLACT-ResNeSt101 model YOLACT-ResNeSt101 mAP all(%)mAP50(%)mAP70(%)mAP90(%) box 95.14 100 100 96.63 mask 98.13 100 100 97.98 使用YOLACT-ResNeSt101在410张未参与训练的图像上进行测试，分别使用原始YOLACT 的裁剪模板和本文提出的筛选模板策略进行测试实验，在测试结果中分割的曲线基本贴合真实曲线 的比例如表4所示通过对比，可以看出：(1)将YOLACT主干网络由ResNet101更换为 ResNeSt1O1后网络性能更佳：(2)筛选模板策略能够比原始的裁剪模板策略获得更高的准确率。 表4模型改进前后提取关键曲线的准确率对比 Comparison of curve extraction accuracy before and after model improvement Model Accuracy YOLACT-ResNet101-crop 308/410 YOLACT-ResNet101-select 381/410 YOLACT-ResNeSt101-crop 344/410 YOLACT-ResNeSt101-select 395/410 本文在测试结果中使用不同颜色将不同实例模板中连通域的边缘标识在原图中，以此来判断连 通域外轮廓是否贴合真实的曲线，选取具有代表性的测试结果图展示在图8中。(a) (b) (c) 图 7 损失曲线. (a) 位置损失; (b) 分类损失; (c) 模板损失 Fig.7 Loss curves: (a) box loss; (b) class loss; (c) mask loss 在验证集上分别使用 YOLACT- ResNet101- crop（主干网络 ResNet101+裁剪模板策略） 、 YOLACT- ResNet101- select（主干网络 ResNet101+筛选模板策略）、YOLACT- ResNest101- crop （主干网络 ResNest101+裁剪模板策略）、YOLACT- ResNest101- select（主干网络 ResNest101+筛选 模板策略）四种方法得到的 mIOU 和 Dice coefficient 如表 2 所示。改进 YOLACT 模型在验证集上的 模型精度如表 3 所示，其中“box”代表目标检测的精度，“mask”代表语义分割的精度。实验中设 置不同 IOU 阈值为 0.50、0.55、0.60、0.65、0.70、0.75、0.80、0.85、0.90、0.95，将不同阈值对应的 mAP 值进行平均得到模型的 mAP_all，如表 3 第二列所示，表 3 第三列至第五列分别为 IOU 阈值为 0.50、0.70、0.90 的 mAP 值。综合表 2、表 3 可以看出本文所述改进 YOLACT 模型的精度有所提高。 表 2 不同 YOLACT 模型的分割精度 Table 2 Segmentation accuracy of different YOLACT models Model mIOU Dice coefficient YOLACT- ResNet101- crop 0.9514 0.9943 YOLACT- ResNet101- select YOLACT- ResNeSt101- crop YOLACT- ResNeSt101- select 0.9518 0.9539 0.9544 0.9943 0.9950 0.9950 表 3 YOLACT-ResNeSt101 模型精度 Table 3 The accuracy of YOLACT-ResNeSt101 model YOLACT- ResNeSt101 mAP_all(%) mAP50(%) mAP70(%) mAP90(%) box 95.14 100 100 96.63 mask 98.13 100 100 97.98 使用 YOLACT- ResNeSt101 在 410 张未参与训练的图像上进行测试，分别使用原始 YOLACT 的裁剪模板和本文提出的筛选模板策略进行测试实验，在测试结果中分割的曲线基本贴合真实曲线 的比例如表 4 所示。通过对比，可以看出：（1）将 YOLACT 主干网络由 ResNet101 更换为 ResNeSt101 后网络性能更佳；（2）筛选模板策略能够比原始的裁剪模板策略获得更高的准确率。 表 4 模型改进前后提取关键曲线的准确率对比 Table 4 Comparison of curve extraction accuracy before and after model improvement Model Accuracy YOLACT- ResNet101- crop 308/410 YOLACT- ResNet101- select 381/410 YOLACT- ResNeSt101- crop 344/410 YOLACT- ResNeSt101- select 395/410 本文在测试结果中使用不同颜色将不同实例模板中连通域的边缘标识在原图中，以此来判断连 通域外轮廓是否贴合真实的曲线，选取具有代表性的测试结果图展示在图 8 中。 录用稿件，非最终出版稿