《表4 各模型在CQ-data数据集上效果对比》
从实验结果看,本文的改进模型与Faster R-CNN所训练的模型在精度上很近似,但在速度上本文改进方法还是具有显著的优势。在兼顾精度的同时相比Faster R-CNN能够达到更快的检测速度,这满足实时交通场景检测的速率要求,与YOLOv2相比,虽然检测速度降低了,但是经过BN层和CONV层的融合已经有了显著的提升。综合来看,本文改进的YOLOv3模型具有一定的泛化性和鲁棒性。
图表编号 | XD00222618600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.15 |
作者 | 邓天民、周臻浩、方芳、王琳 |
绘制单位 | 重庆交通大学交通运输学院、重庆交通大学交通运输学院、重庆交通大学交通运输学院、重庆交通大学交通运输学院 |
更多格式 | 高清、无水印(增值服务) |