《表3 在测试集上的实验结果》
针对上述效率与准确率问题,利用本文提出优化后的深度学习模型PMFD训练已有数据集,同时采用Baseline(基于Yolov3网络仅对单模态红外图像进行训练)作对比.基于Baseline改造原因,该网络将Resnet-34深度残差网络作为主干网络,采用跳跃式残差连接,能够充分提取图像信息,且在提取目标特征效率方面较前三者有很大优势.由于红外图像自身特点,Baseline对其包含的目标内容进行检测仍存在较大难度.本文算法借助可见光图像信息弥补红外信息缺失,由于Baseline中Resnet-34对于特征提取优势显著,将其改造成双通道Resnet-34分别提取可见光以及红外图像特征.但由于红外图像缺少场景匹配的可见光图像,利用训练好的CycleGAN生成伪可见光图像.之后,将通过双通道残差网络Resnet-34得到的伪可见光和红外图像特征进行融合,输入到PMFD单阶段检测网络部分.本文算法通过改造Baseline,能够充分快速地提取红外图像以及利用CycleGAN生成其对应伪可见光图像的特征,并能够将两者特征融合以完成更好的红外目标检测,在效率和准确率方面占绝对优势.表3给出了两个数据集红外图像经过五种不同算法处理后检测准确率、召回率、F1-score以及mAP,用于定量化不同算法的性能.实验结果表明,本文方法在测试数据集上的平均准确率达到0.813.
图表编号 | XD00147961300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.01 |
作者 | 安浩南、赵明、潘胜达、林长青 |
绘制单位 | 上海海事大学信息工程学院、上海海事大学信息工程学院、中国科学院智能红外感知重点实验室、上海海事大学信息工程学院、中国科学院智能红外感知重点实验室、上海船舶尾气智能监测工程技术研究中心 |
更多格式 | 高清、无水印(增值服务) |