《表3 各模型的在CPU上的识别速度和m AP值》
Faster R-CNN模型更适合于需要高精确度和容忍延迟的情况,实验结果表明Faster R-CNN模型的准确率确实比较好,如表3所示,其在COCO数据集上mAP(mean Average Precision)值为59.1,高于其他模型。但是由于在CPU上识别一张图片的时间太长,高达一百多毫秒,所以并不适用于视频图像的识别。相反,如果处理时间是最重要的因素,则推荐SSD模型[1],但是实验表明SSD模型对小目标的识别准确率很低,即像指示灯这样的小目标SSD模型会出现漏识别的现象。而R-FCN在速度和在COCO数据集上识别准确率的表现都不太突出。Redmon提出的YOLO算法,在保证检测精度优良的情况下,依然能够将检测速度提升到45帧/s[15],而简化版本甚至达到了155帧/s[16]。YOLOv2[17]在此基础上提高了检测的准确率,在VOC2007数据集[18]上的mAP值高达78.6。经过实验得到各个模型在分辨率为1 080×1 920和808×572的情况下对一张图片的CPU上的识别速度,如表3所示。各个模型在COCO数据集上的mAP(mean Average Precision)值[19]和在VOC2007数据集上的mAP值[20]如表3所示。
图表编号 | XD00119584000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.15 |
作者 | 完颜幸幸、傅钦翠、吉鑫 |
绘制单位 | 华东交通大学电气与自动化工程学院、华东交通大学电气与自动化工程学院、华东交通大学交通信息及控制研究所、华东交通大学电气与自动化工程学院 |
更多格式 | 高清、无水印(增值服务) |