《表1 从不同卷积层连接多尺度特征的检测效果比较》

  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MLF-FRCNN的高速列车定位器检测技术研究》

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

′表示未从该网络层提取特征，○表示从网络该层提取特征

本小节重点分析多尺度特征对MLF-FRCNN模型检测效果的影响。表1比较了不同卷积层特征经过归一化、尺度调节和降维操作连接成的多尺度特征对模型MLF-FRCNN的平均精度均值（mean average precision，m AP）的影响。从表1中我们可以看出，当多尺度特征包含卷积层Conv3、Con4和Conv5特征时平均精度均值可以达到最高98%。若再增加卷积层Conv2的卷积特征时我们发现模型MLF-FRCNN的平均精度均值并没有得到实质性的提高，反而在一定程度上增加了模型的复杂性，所以我们设计的多尺度特征实际上来自卷积层Conv3、Con4和Conv5。图3展示了DPM[10]、Faster R-CNN和MLF-FRCNN的对比检测效果。可以看出在隧道环境下和无隧道环境下，MLF-FRCNN定位器检测模型的精确率和回召率都高于DPM模型和Faster RCNN模型，这表明设计的多尺度特征对于检测小目标的定位器有很大的帮助。DPM模型的检测效果最差，大约只有70%。其中主要原因是DPM基于传统机器学习，提取目标特征和训练特征进行目标分类的过程是独立的，并且目标特征的描述子高度依赖人工设计，有时候并不能良好地描述目标。Faster R-CNN的检测效果处于两外二者之间，大约为92%。Faster R-CNN与DPM模型相比最大的不同之处是采用了深度卷积神经网络，能够做到端到端学习，可以大幅度提高检测效果。MLF-FRCNN与Faster R-CNN相比，实现了可以在多个不同尺度下提取目标特征，该多尺度特征包含了目标的局部细节信息，所以检测效果是最优的，高达98%。横向对比同一种模型在两种不同检测环境下的效果，我们发现三种模型在无隧道的环境下定位器检测的精确率和回召率都要高于隧道环境。该现象发生的主要因素是在隧道下拍摄的接触网图像背景显得更复杂，客观上增加了定位器的检测难度。