《表2 区域池化模块分析:深度学习遥感影像近岸舰船识别方法》
由于本文主要研究细粒度多类别的舰船检测与识别问题,因此采用类似自然场景目标检测[15]中的评测指标对算法性能进行量化。算法运行速度的量化指标为单幅640像素×480像素大小,来测试图像的处理时间。测试环境为:64位Linux操作系统,GTX1080Ti显卡,CUDA8.0,CPU型号Intel Xeon E5-2620。首先,将本文网络框架的第二阶段子网络只保留全局池化分支,并把池化模块替换为RotateRoIPooling,以此作为基准算法,如表2所示,基准算法的平均精度(mAP)仅为51.8%。为了验证在池化过程中对采样点进行插值的必要性,我们将模块RotateRoIPooling换为对应的插值模块RotateRoIAlign,模型性能得到了大幅提升(62.0%mAP),可见区域特征的精确提取对舰船目标的精确定位和准确识别非常重要。
图表编号 | XD00176477100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.20 |
作者 | 王昌安、田金文、张强、张英辉 |
绘制单位 | 华中科技大学人工智能与自动化学院、华中科技大学人工智能与自动化学院、北京空间飞行器总体设计部、北京空间飞行器总体设计部 |
更多格式 | 高清、无水印(增值服务) |