《表2 试样配比表：基于Mask R-CNN的无人机影像路面交通标志检测与识别》

  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Mask R-CNN的无人机影像路面交通标志检测与识别》

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

为验证本文方法的有效性，将修改后的Mask R-CNN分别与Faster R-CNN和YOLOv3方法[30]的实验结果进行了比较，这3种方法大致可分为2类，Faster R-CNN与Mask R-CNN相似，都是基于目标候选区域的模型，而YOLOv3是基于回归的模型方法。实验选取了2种无人机拍摄的4张不同环境下的图（序号分别为a，b，c，d）进行示例分析，从表2—4可以看出:（1）Mask R-CNN的检测与识别精度都高于其他2种方法，且对磨损路标（如表4中a）、阴影区路标（如表4中b）以及只有箭头部分的路标（如表4中c）都可以很好地识别，说明Mask R-CNN在像素级别的路标检测比采用矩形框定位对象的YOLOv3和Faster R-CNN方法具有更高的定位精度；（2）Faster R-CNN对于磨损路标几乎无法检测和识别，这主要是因为该模型中CNN和Ro I Pooling结构对小目标的检测效果不佳；（3）从运行时间上可以看出，Mask R-CNN所用的时间都高于其他2种方法，原因是因为Mask R-CNN中增加了分割分支，这使得在整个处理过程中速度下降，由此造成时间增加。