《表2 多尺度行人检测效果（LAMR值）》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《多尺度特征融合重建的行人检测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

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。