《表2 实验结果：一种基于改进YOLO v3的安全帽检测方法》

  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

《一种基于改进YOLO v3的安全帽检测方法》

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

用自制的安全帽数据集中的测试集分别对Yolov3，D-Yolov3，Faster R-CNN模型进行了测试，可以从表2中看到，YO-LOV3-D在安全帽数据集上的准确率为88.8%，比YOLOV3的mAP高2.6%，说明在网络中将双线性上采样更换为本文所述的反卷积模块能够有效地提高网络的检测效率，由于在多次卷积之后分辨率变小，使得图片中较小的物体在检测之前丢失了位置信息，导致网络在针对小物体检测时准确率不高，所以在增加反卷积模块之后，让网络学习恢复小物体的位置信息，能够提高网络针对小目标检测的准确率，并且能够保持检测速率不下降。而结果显示Faster R-CNN模型的准确率最高为90.2%，但是Faster R-CNN为两段式检测模型，在检测速率方面不及Yolov3与D-Yolov3。