《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》
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%。
图表编号 | XD00197456400 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.01 |
作者 | 吴杰、段锦、赫立群、李英超、朱文涛 |
绘制单位 | 长春理工大学电子信息工程学院、长春理工大学空间光电技术研究所基础技术实验室、长春理工大学电子信息工程学院、长春理工大学空间光电技术研究所基础技术实验室、长春理工大学电子信息工程学院 |
更多格式 | 高清、无水印(增值服务) |