《表4 本文方法与主流目标检测方法检测结果比较》
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
《基于改进Faster-RCNN的机场场面小目标物体检测算法》
由表3可以看到,向基准网络添加多尺度特征融合网络后,其对所有类别的检测结果均有促进作用。其中平均像素面积最小的人员类别的检测结果提升了3.3%,这证明了通过特征融合策略增强特征图语义信息的方法对于小目标检测的有效性。在模型训练过程中,通过加入在线难例挖掘方法,同样得到了1.2%的mAP提升,这说明其使得小目标难例样本能更好地被网络模型学习。最后,将两种有效提升小目标检测结果的方法相结合,本文方法在机场场面检测的类别平均准确度最终达到了80.8%。除上述实验外,为更好地证明本文方法的优越性,本文方法与其他先进的基于深度学习的目标检测算法进行了对比,其结果见表4。
图表编号 | XD00121460900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.01 |
作者 | 韩松臣、张比浩、李炜、汤新民、付道勇 |
绘制单位 | 四川大学空天科学与工程学院、四川大学空天科学与工程学院、四川大学空天科学与工程学院、南京航空航天大学民航学院、四川大学空天科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |