《表1 R-CNN、Fast R-CNN和Faster R-CNN测试性能对比Tab.1 The test performance comparison in R-CNN, Fast R-CNN an

  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Faster R-CNN深度网络的遥感影像目标识别方法研究》

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

本文增加了R-CNN和Fast R-CNN对比实验，对比分析得到，Faster R-CNN首先在识别速度上具有非常大的提升，平均每张图片的检测时间消耗为0.14 s，达到了更快速的检测效果；并且CNN训练网络选择深度较深的VGG16网络模型，识别精度达到96.67%。R-CNN、Fast R-CNN和Faster R-CNN 3种方法的测试性能对比如表1所示。R-CNN方法使用Selective Search搜索方法生成1000~2000个建议区，每一个建议区都需要进入CNN网络计算，建议区存在大量的范围重叠，重复的特征提取带来巨大的计算浪费，使得该方法的识别效率十分低，根据实验测试，该方法对每张图片的平均检测耗时为13.4 s。Fast R-CNN方法仍然使用Selective Search搜索方法生成建议区，将整张图像归一化后直接送入深度网络，特征提取完成后，加入候选框信息，不需对所有的建议区进行单独的CNN计算，在一定程度上提高检测速度，测试中每张图片检测耗时为4.6 s。Faster R-CNN方法使用区域生成网络（RPN）代替Selective Search搜索方法，将生成建议区的任务交给共享特征提取网络CNN，大大提高了识别效率，测试中每张图片检测耗时为0.14 s。并且，相对于R-CNN和Fast R-CNN方法使用的Caffenet网络，Faster R-CNN方法能够使用深度更深的VGG16网络，飞机目标识别精度达到96.67%，整体测试效果非常好。