《表1 不同模型在本文数据集上效果对比》

  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RetinaNet模型的鸟巢智能检测》

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

可以看出，本文算法对复杂实例均能有效检测，可以有效学习数据集特征，自适应处理多角度，遮挡等困难样本。主要原因有以下几点:方向梯度直方图等传统方法主要依赖人为设计的颜色、梯度等特征，而神经网络可对其它特征进行更加全面的学习，对鸟巢目标具有更强的表征能力；其次，相比二阶目标检测模型算法，使用改进的损失函数，可自动提升困难样本所占权重，降低易分类样本在训练过程中所起的作用，实现了高效率的难训练的模型。为了对比RetinaNet检测效果，本文采用经典的一阶目标检测模型和二阶目标检测模型与之对比。一阶目标检测模型有YOLO（you only look once），SSD（single shot multibox detector）等方法。其中YOLO模型存在检测精度低缺陷[9]，SSD方法在小目标检测上存在不足[10]。二阶目标检测模型有R-CNN（region convolutional neural network），Fast R-CNN（fast region convolutional neural network），Faster R-CNN（faster region convolutional neural network），其中R-CNN基于卷积神经网络（CNN），线性回归，和支持向量机（SVM）等算法，CNN以全局高维向量表示图像，在图像搜索中具有很强的分辨能力。R-CNN遵循传统目标检测的思路，只在提取特征这一步，将传统的特征换成了深度卷积网络提取的特征[11]。Fast R-CNN，在CNN特征框架下，利用快速区域，显著提高了目标检测的平均精度[12]。Faster R-CNN与Fast R-CNN最大的区别就是提出了一个叫RPN（region proposal networks）的网络，专门用来推荐候选区域的，使得目标检测速度大幅度提高[13]。其中Faster R-CNN相比于R-CNN和Fast R-CNN方法在检测准确度和执行效率上有明显的优势[14]。实验中所有方法的运行平台与上文相同。实验结果如表1所示。由图3可知，RetinaNet模型检测鸟巢的准确率超越了90%，甚至有的高于95%。由表1可以看出本RetinaNet模型在检测准确度和速度上均高于二阶目标检测模型Faster R-CNN。RetinaNet模型在检测速度方面还低于一阶检测模型YOLO和SSD，但是检测速度已经小于100 ms，在综合考虑检测速度及准确度时，RetinaNet模型是一个有效的鸟巢目标检测方法。