《表5 YOLOv3-tiny、Retina Net和DS-YOLO的检测指标》

  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

《DS-YOLO网络在遥感图像中的飞机检测算法研究》

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

注：3种训练迭代次数均为40 000次。

各种算法在测试集上的整体检测指标如表5所示。从表5可以看出，本文算法DS-YOLO的检测速度相比YOLOv3-tiny算法，从每秒26帧提升到每秒29帧，说明深度可分离卷积的引用减少了模型参数，提高模型运行速度。在检测准确度上，对于高曝光的遥感飞机数据集Retina Net算法和本文的DS-YOLO算法都能成功检测到飞机，但是检测精度明显后者较高，对于其他低质量的数据集，YOLOv3-tiny和Retina Net算法明显存在漏检的情况，测试集的500张图片共有3 723架飞机，使用这3种网络分别在测试集上测试，分别计算准确率和召回率，得出YOLOv3-tiny网络误检架数为276架，准确率为92.6%，漏检架数为577架，召回率为84.5%；Retina Ne网络误检架数为124架，准确率为96.7%，漏检架数为577架，召回率为95.6%；DS＿YOLO网络误检架数为78架，准确率为97.9%，漏检架数为63架，召回率为98.3%。从表中可以看出，相比于改进前的YOLOv3-tiny算法，DS-YOLO在测试集上m AP提升了5.3%，召回率提升了13.8%。相比于Retina Net算法，DS-YOLO在测试集上m AP提升了1.2%，召回率提升了2.7%。