《表2 几种先进方法在Caltech数据集的平均误检率对比》

  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

《基于差异性区域预测的行人与骑车人联合检测》

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

由图10可见，本文方法在All Caltech数据集中取得了75%的精度，接近于SDS R-CNN 77%，RPN+BF 77%，UDN+76%，因此本文方法具有较好的检测效果。为更加细致地验证检测器对多种场景下的检测能力，将本文方法与HOG[22]、DPM[16]、ACF[23]、LDCF[24]、Checkerboards[25]、SSD、Faster R-CNN、Joint Deep[26]、TA-CNN[27]在Caltech数据集中的测试结果进行对比，采用MR-2作为评价各个方法性能的指标，对比结果如图11和表2所示。