《表2 算法预测时间对比ms》

  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

《遥感图像舰船检测的旋转卷积集成YOLOv3模型》

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

图6表示训练完成后模型在测试集上的部分预测结果，真实值可视化为绿色矩形区域，目标预测结果可视化为红色矩形框。分别采用了水平边界框检测的Faster RCNN(Backbone为Resnet 101网络）、YOLOv3模型，倾斜边界框检测的R2CNN、R-DFPN等多种经典的基于DCNN的目标检测模型方法进行比较实验。所有比较实验的模型均采用相同的训练集进行训练，在相同的测试集下预测和分析。水平边界框检测模型的训练样本采用数据集中样本标注的最小外接矩形表示。表1比较了各种方法在测试集下进行预测的AP，所提方法较基本YOLOv3模型的舰船检测平均精度提升12.7%。此外，还比较了不采用旋转卷积集成模块直接预测最终角度方法，可以看到旋转卷积模块能够提高2.7%的AP。表2比较了各个目标检测模型的时间消耗。