《表2 多尺度行人检测效果(LAMR值)》
%
在Caltech-USA测试集的子集上比较模型对多尺度行人的检测效果。如表2所示,MSAnet在未加入排斥损失时,在各子集上的表现就已经超过了众多方法,加入了针对行人间相互遮挡的排斥损失后,在子集上的性能继续提升。对比原始RFBnet和其他多尺度方法,MSAnet的检测效果更好,在Reasonable子集上达到8.7%的LAMR值,在小行人的Far子集上的LAMR值达到73.1%。原始MSAnet模型的损失函数和RFBnet基本相似,模型的行人框的生成主要靠边框回归损失来训练,加入的排斥损失起到辅助网络训练的作用,弥补边框回归损失的不足,帮助网络更易区分相互遮挡的行人。
图表编号 | XD00201551600 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.15 |
作者 | 李佐龙、王帮海、卢增 |
绘制单位 | 广东工业大学计算机学院、广东工业大学计算机学院、广东工业大学计算机学院 |
更多格式 | 高清、无水印(增值服务) |