《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》

  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

《基于改进神经网络的交通标志识别》

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

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。