(a)(b)(c)(d)1 图8分割结果.(a)(c)裁剪模板的结果，bd/筛选模板的结果 Fig.8 Segmentation results:(a)(c)cropping mask results;(b)(d)screening mask results 从图8()、(c)中可以看出裁剪模板结果中出现多直线边缘，这是由于预测的边界框偏小，将 正确的分割区域裁剪去除了，从表2可以看出分割的模板的准确率相比于边界框的准确率更高，所 以使用边界框裁剪反而会破坏准确率更高的模板的完整性。从图8(b)、()中可以看出，本文使用的 筛选模板策略能够保证模板的完整性，准确率更高。 2.3.2算法实时性比较 为判断本文所述两点改进是否影响YOLACT本身的实时性，本文使用410张未参与训练的图 像进行测试，结果如表5所示，笔三列表示410幅图像总共处理时长。通过对比，可以看出：将 YOLACT主干网络由ResNet101更换为ResNeSt101后YOLACT本身的实时性稍有降低：将原始的 裁剪模板策略更换为筛选模板策略对YOLACT本身的实时特性几乎没有影响。本文所述方法对于实 时性要求不高或者仅处理图像的应用场合是没有影响的。 表5模型改进前后实时性对比 Table 5 Real-time performance before and after model improvement Model FPS Time(s) YOVACT ResNet101-crop 24.6 16.6 YOLACT-ResNet101-select 24.8 16.5 YOLACT-ResNeSt101-crop 16.6 24.6 YOLACT-ResNeSt101-select 16.8 24.4 2.4本文方法与其他方法的比较 为了证明改进YOLACT模型在提取人耳关键曲线时与其他分割算法相比的优越性，选取上述 图像集对DeepLabV3+模型进行五折交叉训练。两种模型的模型分割精度比较见表6。结果表明，改 进的YOLACT模型比DeepLabV3+模型具有更高的分割精度。 图9展示了本文所述改进YOLACT模型、DeepLabV3+模型和使用传统轮廓估计的检测效果。 可以看出，用改进的YOLACT分割出的模板边缘更接近于人耳的关键曲线，而用DeepLabV3+模 型分割出的模板边缘与实际曲线有一定的偏离，使用传统轮廓估计检测的边缘很粗糙，无法将耳轮、 对耳轮和耳甲三类分割出来。(a) (b) (c) (d) 图 8 分割结果. (a)(c) 裁剪模板的结果; (b)(d) 筛选模板的结果 Fig.8 Segmentation results: (a)(c) cropping mask results; (b)(d) screening mask results 从图 8(a)、(c)中可以看出裁剪模板结果中出现多出直线边缘，这是由于预测的边界框偏小，将 正确的分割区域裁剪去除了，从表 2 可以看出分割的模板的准确率相比于边界框的准确率更高，所 以使用边界框裁剪反而会破坏准确率更高的模板的完整性。从图 8(b)、(d)中可以看出，本文使用的 筛选模板策略能够保证模板的完整性，准确率更高。 2.3.2 算法实时性比较 为判断本文所述两点改进是否影响 YOLACT 本身的实时性，本文使用 410 张未参与训练的图 像进行测试，结果如表 5 所示，第三列表示 410 幅图像总共处理时长。通过对比，可以看出：将 YOLACT 主干网络由 ResNet101 更换为 ResNeSt101 后 YOLACT 本身的实时性稍有降低；将原始的 裁剪模板策略更换为筛选模板策略对 YOLACT 本身的实时特性几乎没有影响。本文所述方法对于实 时性要求不高或者仅处理图像的应用场合是没有影响的。 表 5 模型改进前后实时性对比 Table 5 Real-time performance before and after model improvement Model FPS Time(s) YOLACT- ResNet101- crop 24.6 16.6 YOLACT- ResNet101- select 24.8 16.5 YOLACT- ResNeSt101- crop 16.6 24.6 YOLACT- ResNeSt101- select 16.8 24.4 2.4 本文方法与其他方法的比较 为了证明改进 YOLACT 模型在提取人耳关键曲线时与其他分割算法相比的优越性，选取上述 图像集对 DeepLabV3+ 模型进行五折交叉训练。两种模型的模型分割精度比较见表 6。结果表明，改 进的 YOLACT 模型比 DeepLabV3+ 模型具有更高的分割精度。 图 9 展示了本文所述改进 YOLACT 模型、DeepLabV3+ 模型和使用传统轮廓估计的检测效果。 可以看出，用改进的 YOLACT 分割出的模板边缘更接近于人耳的关键曲线，而用 DeepLabV3+ 模 型分割出的模板边缘与实际曲线有一定的偏离，使用传统轮廓估计检测的边缘很粗糙，无法将耳轮、 对耳轮和耳甲三类分割出来。 录用稿件，非最终出版稿