《表3 M0和M2模型低分辨率小目标识别精度》

  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

《复杂大交通场景弱小目标检测技术》

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

对比表3、4中M0和M2检测结果，在KITTI数据集中，各类目标检测的AP提高了49%～64%不等，m AP提高了约57.86%，虚警率降低了22.3%，检测率提高了50.34%，漏警率降低了19.26%，误检率降低了8.78%；在WD数据集中，各类目标检测的AP提高了44%～57%不等，m AP提高了约51.68%，虚警率降低了22.24%，检测率提高了45.58%，漏警率降低了15.63%，误检率降低了6.71%。M2模型是在M0基础上加入动态局部区域放大策略训练得到的，通过在两个数据库上低分辨率小目标测试集的测试结果对比可以发现，M2相较于M0，对多目标低分辨率小目标的识别精度和检测率得到了较大提高，检测的误检率、虚警率、漏警率降低明显，表明动态局部区域放大策略对低分辨率小目标检测和识别的有效性。由于低分辨率小目标类别难以判定，M2的错误检测多为分类错误造成的即误检率高，而M0多目标检测率极低，表明了SSD512深度卷积网络逐层抽取特征的同时导致了低分辨率弱小目标信息丢失严重。图5验证了M3模型中R-Net增益效果评估的有效性。第一行C、F后的数字指示图中所框目标的置信度；C表示粗检测器检测结果，F表示精检测器检测结果；第二行R-Net后的数字表示R-Net的精度增益。正值和负值标准化为[0，1]和[-1，0)。通过对比可以发现，对于粗略检测足够好或者优于精细检测的区域，R-Net给出较低的精度增益分数（第1列和第2列），并且对于精细检测比粗略检测好得多的区域（第3列），R-Net给出较高的精度增益分数。