《表2 以Cascade RCNN为基础网络的对比实验结果》

  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

《多尺度空洞卷积的无人机影像目标检测方法》

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。