《表3 滑动窗操作以及去噪的分析Tab.3 Analysis of sliding window operation and denoising》

  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

《基于卷积神经网络的毫米波图像人体隐匿物检测》

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

注:√表示对应的操作方法执行.

通过滑动窗不同操作方式选择正负样本有3种方式:在全图上用IoU选取正负样本的操作IMAGEIoU、在隐匿物标记位置邻域内用IoU选取正负样本的操作GTIoU以及在隐匿物标记位置邻域内用IoG选取正负样本的操作GTIoG.本文对这3种操作以及文献[4]中的各向异性去噪法Anisodiff的有效性进行了探讨，用指标Precision、Recall和F-Measure（实际情况中Recall相对于Precision更重要，因此，式 （13）中的β取） 来评价其对隐匿物检测结果的影响，由表3可以看出，通过在隐匿物的标记位置邻域内进行正负样本的选取可提高CNN模型在图像块上的检测精度，同时IoG指标的引入可进一步扩大正负样本间的特征差异.未引入IoG指标时，图像去噪对图像块的检测结果具有一定的提升作用，但是引入IoG指标之后图像去噪对图像块的检测影响较小，这进一步证明了本文提出的IoG指标的有效性.