《表2 多元回归分析结果:基于深度学习的车辆时序动作检测算法》
车辆的行为信息可以通过叠加后的光流来体现,实验中将数据按照7∶3的比例划分训练集和测试集,对不同车辆行为图片进行光流叠加。实验结果见表2,从表中我们可以看出进行光流堆叠处理后,时间卷积神经网络识别率有了较大的提高,光流堆叠(L=10)比光流堆叠(L=5)高了3.5%,比单帧光流识别率高了近13%。从实验中我们可以看出,采用的光流堆叠(L=15)时,时间卷积网络识别率相对于光流堆叠(L=10)提升不明显,并且降低了计算效率。因此,本文将实验过程中时间卷积网络的光流堆叠L设为10。
图表编号 | XD00206698800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.16 |
作者 | 卫星、杨国强、陆阳、魏臻 |
绘制单位 | 合肥工业大学计算机与信息学院、安全关键工业测控技术教育部工程研究中心、合肥工业大学计算机与信息学院、合肥工业大学计算机与信息学院、安全关键工业测控技术教育部工程研究中心、合肥工业大学计算机与信息学院、安全关键工业测控技术教育部工程研究中心 |
更多格式 | 高清、无水印(增值服务) |