《表1 目标检测算法精度和速度对比》

  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

《改进的YOLOv3算法在道路环境目标检测中的应用》

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

根据检测思想的不同，基于卷积神经网络的目标检测算法主要分为两类：基于候选区域的Two-stage（两步检测）目标检测算法和基于回归的One-stage（单步检测）目标检测算法[2]。基于候选区域的目标检测算法包括R-CNN[3]、SPP-Net[4]、Fast R-CNN[5]、Faster R-CNN[6]、R-FCN[7]、Mask R-CNN[8]等，该算法从R-CNN到Mask R-CNN，都采用了“候选区域+CNN+分类回归”这一基本思路，不断在检测精度和速度上进行改进。但整体而言，这些网络的实时性较差，很难满足实际需求。基于回归的目标检测算法包括YOLO系列[9]～[11]、SSD[12]、FPN[13]以及RetinaNet[14]，该算法基本思路是给定输入图像，将特征提取、目标分类以及目标回归的所有过程都整合到一个卷积神经网络中完成，很好地改善了目标检测算法的实时性，使目标检测在实际中的应用成为可能。目标检测算法在VOC2007、VOC2012和COCO数据集的性能如表1所示。