《表1 不同时间阈值下的精确度和召回率数值》
使用YOLOv 2模型及GTSDB数据集预训练本文的检测网络,预训练模型可以明显缩短训练时间。考虑到YOLO算法所需输入的大小固定,本文将不同尺度的图像调整为608pixel×608pixel的均匀尺寸。在损失函数中,GTSDB有三个标记类,所以c=3。本文设置边界框数α=5,网格数S=19。最后,得到了19×19×40张量的预测值。c类的索引应该从0开始到2,否则在训练期间会出现非数字的问题。在训练过程中,学习率的初始值为0.0001。观察损失的下降趋势,如果发现损失稳定在大于1的值,则将学习率改变为0.001。表1显示了本文方法的精度和召回的数值。随着识别时间t的增加,精确度越高,召回率越低。当t=0.4或t=0.5时,模型的整体性能更高效且更稳健。
图表编号 | XD00106607500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.10.10 |
作者 | 童英、杨会成 |
绘制单位 | 安徽工程大学电气工程学院、安徽工程大学电气工程学院 |
更多格式 | 高清、无水印(增值服务) |