《表1 各目标检测方法实验效果》

  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

《改进R-FCN的船舶识别方法》

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

本文还与其他目前深度学习的目标检测方法进行了对比。如表1所示，在本实验条件下，设定IOU>0.5即目标检测正确，对比的算法有YOLO系列模型、Faster-RCNN，可以看出本文模型在该数据集上mAP值的表现要更好，Faster-RCNN的mAP为66.7%，YOLO系列方面，最新的YOLO v3的mAP为78.4%。本文模型与原始的R-FCN相比，mAP从83.6%提升到了87.2%。本文采用每秒帧数指标来衡量算法的时效性。从表1中可以看出，本文模型的检测速率与其他方法基本持平，但识别精度更高。因此，实验结果表明，本文模型能够解决船舶识别过程中因船舶过小而识别率过低的问题，并且在较大船舶的识别上也能完成准确率的提升以及性能的优化。