《表2 本文方法与其他方法在COCO2017数据集上的准确率比较》

  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

《增强小目标特征的航空遥感目标检测》

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

注:加粗字体表示各列最优结果。

为验证本文模型的有效性，将HR+LSTM W48模型与其他主流算法在COCO2017数据集上进行对比，实验结果如表2所示。由表2数据可知，YOLO v2、SSD、Fu等人（2017）提出的DSSD（deconvolutional single shot detector）和Grid R-CNN目标检测模型的m AP只有21.6%、31.2%、33.2%和41.5%，而本文模型的实验结果，较上述目标检测算法的m AP分别提升20%、10.4%、8.4%和0.1%，提升效果显著。其中，HRNet v2p（Sun等，2019）模型是基于HRNet提出的多尺度目标检测模型。由实验可知，SSD513+HRNet v2 W48模型的m AP为41.0%，本文提出的基于HRNet与LSTM相结合的检测模型的m AP为41.6%，较之提升0.6%。在小目标数据APS中，本文模型的m AP达63.1%，提升效果显著，可见本文模型对于小目标的识别效果较好。本文模型的检测准确率低于Faster R-CNN结合HRNet，其原因主要为本文对HRNet进行了剪枝，模型的深度和参数降低，在一定程度上弱化了目标特征信息。