《表2 不同构架性能比较:基于改进神经网络的交通标志识别》
为了进一步了解初始模块的效用,对提出的方法进行计算能力的评估。除非另有说明,否则严格遵循先前的参数设置。本文方法在数据集上联合训练有初始模型和没有初始模型的YOLOv2模型(网络的其余部分是一致的),利用平均精度均值(mAP)和每秒帧数(FPS)进行定量和定性评估,这些指标被广泛应用于计算机视觉领域,以评估算法的优异程度。表2显示了数据集上两种模型的mAP和FPS。显然,具有初始模型的NYOLOv2方法比原始YOLOv2方法执行结果更好,并且NYOLOv2方法也具有更大的FPS。因为初始结构本身具有加深和扩展网络的能力,且减少了参数的数量,故包含它的网络具有更强大的提取图像特征的能力,并且提取的特征更加丰富。换句话说,初始模块使得网络在更新参数和计算时花费的时间更少,这就是本文在YOLOv2模型中加入初始模块的原因。
图表编号 | XD00106607700 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) |