《表1 深度学习在目标检测任务中的性能表现》

  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

《深度学习发展形势下计算机视觉教学内容革新》

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

传统的物体检测方法依靠人工特征及使用滑动窗口搜索目标，其性能同样受制于人工特征的表达能力，并且计算复杂度高。深度学习的出现为物体检测提供了新的途径，自2014年提出的RCNN[6]后，不断有新的模型被提出，如SPPNet[7]、Fast RCNN[8]、Faster RCNN[9]、SSD[10]、YOLO及其演化模型[11]、FPN[12]，以及RefineDet[13]等。这些模型的性能在主要的公开数据集上获得了验证，如PASCAL VOC2007[14]、VOC2012[15]和MSCOCO[16]等。表1列出了自2012年以来提出的几种具有代表性的深度网络模型，给出了其在3种公开数据集上完成目标检测任务时的性能表现。从表1可以看到，从2014年提出RCNN之后，随着深度网络结构的改进，其目标检测精度逐年提升，已由2014年的58.50%提升到了现今的83.80%，性能提升了约42%。表1中使用的评价指标m AP（mean Average Precision）表示平均精度均值。