《表1 特征提取网络:基于改进型YOLO v3的蔬菜识别算法》
YOLOv3算法性能得到提升的主要原因为特征提取网络的增强。与YOLOv2[8]的DarkNet-19网络相比,YOLOv3借鉴了ResNet[12]的残差结构,构造出更深的DarkNet-53网络。DarkNet-53特征提取网络由3×3和1×1卷积层构成,采用5个步长为2的3×3卷积层替换最大池化层(max pooling)实现下采样。该网络在ImageNet数据集测试,网络性能比Res Net网络更加有效,结果如表1[9]。表中,pTop-1和pTop-5分别是模型进行图片识别时得到前1个结果和前5个结果中有1个是正确的概率;计算量表示浮点运算的次数;运算速度是每秒多少次浮点运算;帧速率为每秒刷新图片的帧数。
图表编号 | XD00182275100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.10 |
作者 | 魏宏彬、张端金、杜广明、肖文福 |
绘制单位 | 郑州大学信息工程学院、郑州大学信息工程学院、郑州大学信息工程学院、郑州大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |