《表2 级联RPN方法DRPN与Faster R-CNN方法在IOU=0.5时的实验结果》

  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

《一种采用级联RPN的多尺度特征融合电表箱锈斑检测算法》

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

同样地，为了验证级联RPN的有效性，如表2所示，本文做了单个RPN和2个RPN的对比实验。Faster R-CNN基于ResNet50的m AP为91.3%，基于ResNet101的m AP为91.7%，本文的方法，即采用级联RPN（DRPN），基于ResNet50的m AP为93.6%，基于ResNet101的m AP为94.2%，相对于Faster R-CNN分别提高2.3和2.5个百分点。级联RPN相对于单个RPN精度更高，主要是因为第2个RPN以第1个RPN的输出为输入，学习更细致的特征，专注于查找类内的差异，减少了误分类的可能性。