《表2 Aerial-YOLOv2在不同训练策略下的检测性能》

  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YOLOv2和迁移学习的管道巡检航拍图像第三方施工目标检测》

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

为了验证不同训练策略对网络目标检测性能的影响。在相同原始数据集的情况下，在训练阶段对Aerial-YOLOv2分别采用不同的训练策略，在相同的测试集上便可获得不同训练策略对网络目标检测性能的影响，结果如表2所示。表2中，策略1表示结合数据增强的迁移学习，策略2表示通过K-means方法聚类出数据集合适的锚点数量及尺寸，策略3表示基于ACE的图像预处理。由表2可知，直接使用原始数据集进行训练，模型效果泛化性能较差，在测试集上表现为准确率和召回率都较低。策略1在大量数据的训练下，网络中的参数得到充分训练，测试结果表明综合指标大幅提升。策略2能为神经网络提供准确的先验知识，预测框更接近真实的锚点框，平均交并比指标明显提高。策略3通过图像预处理，解决图像目标特征纹理模糊问题，加强模型对目标的检测能力，召回率得到较大提升。策略1+2通过对训练集更好地利用以及使用更合适的训练方法，准确率和目标位置准确度均获得提高；综合使用策略1+2+3，模型准确率为94%，召回率为91%，平均交并比为0.75。相对于直接训练Aerial-YOLOv2网络，准确率、召回率和平均交并比分别提高12个百分点、12个百分点和0.12。