《表1 4种方法在coco数据集上的表现》

  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

《基于视频深度学习的铁路周界入侵检测算法研究》

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

为了验证改进算法是否有效，在coco数据集上进行测试，实验结果如表1所示.其中AP50和AP75分别表示IOU为0.50和0.75时的AP.从表1中可以看出，增加FPN后，检测结果有了很大的提升，尤其是小目标和中等目标的检测效果，这主要是FPN融合了5个不同尺度的特征图，包含了更多底层的信息.增加ASPP之后，对小目标的检测效果降低，对大目标的检测效果提高，主要是ASPP只在最后的特征上使用，可以得到更大的感受野，有更广的全局特征，但在过程中引入了更多的噪声，增加了误检率.在原始模型上同时使用FPN和ASPP，模型可取得最好的效果，框的平均精确率提高了3.8，掩码的平均精确率提高了3.9，针对小目标平均精确率（APS）从16.4提升到了23.0，针对大目标平均精确率（APL）从55.2提升到了63.0，即改进的方法针对小目标和大目标的检测效果得到同步提升.