《表6 cyclist类别三种样本检测结果》

  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

《融合多尺度特征的目标检测模型》

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

对测试数据集中的样本进行测试实验，结果如图9所示。其中图9(a）、（c）、（e）、（g）、（i）是YOLOv2模型的检测结果，图9(b）、（d）、（f）、（h）、（j）是RF-YOLOv2模型的检测结果。对比检测结果，可以验证使用聚类算法得到候选框个数和尺寸的有效性，如对比图9(a）、（b）可以看出RF-YOLOv2模型的候选框对较远的白色车辆定位更加精准，说明RF-YOLOv2模型具有更精确的定位效果；对比图9(c）、（d）可以看到YOLOv2模型只检测出少量目标，而RF-YOLOv2模型在有大面积阴影的情况下依然检测出全部目标，说明RF-YOLOv2模型对处于阴影下的车辆识别效果更好；对比图9(e）、（f）可以看到YOLOv2模型在大量密集目标且有遮挡的情况下，识别效果并不理想，而RF-YOLOv2模型在密集且有严重遮挡的情况下依然能检测出大部分目标；对比图9(g）和图9(h）、图9(i）和图9(j）发现YOLOv2模型对远处小目标有漏检情况，而RF-YOLOv2模型对此有所改进，降低了小目标的漏检率。可以得出结论：RF-YOLOv2模型对有物体遮挡以及在较强光照或阴影下目标检测的精确率要高于YOLOv2模型。