《表2 以Cascade RCNN为基础网络的对比实验结果》
本文主要以Faster R‐CNN和Cascade R‐CNN两种网络作为基础网络(即表1中的FR‐CNN实验和表2中的CR‐CNN实验),分别加入多尺度空洞卷积进行实验(即表1中的FR‐Ours实验和表2中的CR‐Ours实验)。值得注意的是,基础实验Faster R‐CNN和Cascade R‐CNN均加入了FPN[16]网络作为对照,以更加有效地反映空洞卷积对于无人机影像目标检测的有效性。每组实验以与其对应的基础网络实验作为对照实验。在骨干网络上,统一选择了ResNet‐50[37]。针对输入的VisDrone影像,实验统一将图片长宽分辨率设置为1 200×675像素,作为网络中图像的输入大小。在扩张率选择上,以图3所示的方式将r1和r2设置为1,将r3和r4设置为2进行空洞卷积操作。本文所进行的所有实验均在同一台式设备上完成,其主板配置为Intel(R)Core(TM)i7‐9800X [email protected] GHz,并配备2个11 GB显存的NVIDIA Geforce RTX2080ti显卡,操作系统为Ubuntu 16.04版本,所有程序基于PyTorch平台上公开的Open MMLab Detection[38]框架实现。同时,在实验训练的过程中,网络在2台显卡上同时训练,每台显卡上的批量处理图片数量设置为4,网络优化器选择随机梯度下降方法,并设置学习率为0.02。
图表编号 | XD00173654800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.05 |
作者 | 张瑞倩、邵振峰、Aleksei Portnov、汪家明 |
绘制单位 | 武汉大学遥感信息工程学院、武汉大学测绘遥感信息工程国家重点实验室、莫斯科国立测绘大学、武汉大学测绘遥感信息工程国家重点实验室 |
更多格式 | 高清、无水印(增值服务) |