《表2 算法预测时间对比ms》
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。
图表编号 | XD00107098300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.15 |
作者 | 吴止锾、李磊、高永明 |
绘制单位 | 航天工程大学研究生院、航天工程大学电子与光学工程系、航天工程大学航天信息学院 |
更多格式 | 高清、无水印(增值服务) |