《表1 不同候选框模型对船舶目标候选的性能对比》

  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

《梯度纹理直方图与多层感知器船舶快速检测》

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

海上场景视野广阔，船舶目标通常表现出多种尺度。利用滑动框窗口对目标进行采样会产生冗余计算。因此，在场景中预先提取目标候选框有助于提高目标的搜索效率。文中利用基于二值梯度特征的候选框模型[13]训练船舶候选框模型（记为BINGship），可快速提取具有高召回率的船舶候选位置。结合表1与图5分析可得，在符合交并比（IoU）大于等于0.5的情况下，船舶候选框模型BINGship以平均每张图片50个候选框实现96.1%的召回率，执行时间（9 ms）最短。而在候选窗口数大于150后，Selective Search[17]的召回率不再增加，固定在85.2%，Objectness[18]虽然召回率在持续增长，但由于执行时间太长（6 500 ms），不予考虑。