《表3 在测试集上的实验结果》

  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

《基于伪模态转换的红外目标融合检测算法》

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

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.