《表3 各模型的在CPU上的识别速度和m AP值》

  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

《迁移学习用于牵引变电所视频多目标识别研究》

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

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。