《表4 不同场景下的检测精确率、召回率和平均精准度》
YOLOv3优化算法通过精简网络,极大地避免了特征消失的问题,增强了网络对目标特征细节信息的提取能力,使不同场景和不同目标尺寸下的召回率都得到7个百分点到15个百分点的提升。同时,YOLOv3优化算法利用高斯分布特性,增强网络对每个边界框不确定性的判断,使不同场景和不同目标尺寸下的精确率都得到1.5个百分点到6.5个百分点的提升。在总体平均精准度提升9个百分点的情况下,网络结构的精简与高斯分布特性的运用还缩减了模型的检测时间,检测速度从27frame/s提升到30frame/s。不同场景和目标尺寸下的检测结果对比如图11所示。
图表编号 | XD00147689100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.25 |
作者 | 孙迎春、潘树国、赵涛、高旺、魏建胜 |
绘制单位 | 东南大学仪器科学与工程学院、东南大学仪器科学与工程学院、东南大学仪器科学与工程学院、东南大学仪器科学与工程学院、东南大学仪器科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |