《表2 本文方法与其他方法在COCO2017数据集上的准确率比较》
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。
图表编号 | XD00216445700 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.16 |
作者 | 赵文清、孔子旭、周震东、赵振兵 |
绘制单位 | 华北电力大学控制与计算机工程学院、复杂能源系统智能计算教育部工程研究中心、华北电力大学控制与计算机工程学院、华北电力大学控制与计算机工程学院、华北电力大学电气与电子工程学院 |
更多格式 | 高清、无水印(增值服务) |