《表1 各目标检测方法实验效果》
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。
图表编号 | XD00165381600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.01 |
作者 | 黄致君、桑庆兵 |
绘制单位 | 江南大学物联网工程学院、江南大学物联网工程学院 |
更多格式 | 高清、无水印(增值服务) |