《表1 多尺度特征提取合并方法FM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

如表1所示，Faster R-CNN基于ResNet50的m AP为91.3%，基于ResNet101的m AP为91.7%，而采用多尺度特征提取和合并特征策略，基于ResNet50的m AP为93.4%，基于ResNet101的m AP为93.8%，相对于Faster R-CNN提高2.1个百分点。同时对于电表锈斑分类的正确率也提升了1.8和2.0个百分点。获得更好的效果主要是因为采用多尺度特征使对象定位更好，尤其是对于小对象，从而能够使目标检测精度得到提高。这些结果表明，本文的策略能提供更高质量的建议区域，从而获得更好的精度。