《表6 FP和TP数值评价》

  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

《复杂场景下基于增强YOLOv3的船舶目标检测》

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

分别对传统YOLOv3算法和YOLOv3-PBUI算法进行训练，得到训练好的模型。使用测试集进行测试，设置Io U阈值为0.5，得到的TP值和FP值如表6所示，图8显示了部分样本的检测结果。由图8可以看到，对于一些非常小的船舶目标，传统YOLOv3算法无法准确检测，而改进后的算法可以准确对这些小船舶目标进行检测，从而增加了算法的TP值，说明改进后的算法可以对更多的正样本准确检测；对于部分船舶目标，虽然传统YOLOv3算法可以检测出该船舶，但是错误识别了该船舶的类型，从而导致了FP值很高，而改进后的YOLOv3-PBUI算法可以同时准确定位船舶位置和识别船舶类型，比传统YOLOv3算法更加鲁棒。同时，因为改进后的YOLOv3-PBUI算法可以更好地学习目标的位置信息，所以可以消除对船舶的错误定位。从表6可以看出，加入预测框不确定性回归之后的YOLOv3-PBUI算法FP值降低了35.42%，而TP值也提高了1.83%，这是改进模型检测精度提高的主要原因。对于海事视频监控来讲，FP值降低说明能够准确识别船舶类型，这对重点关注某一类型的船舶或防止船舶碰撞是有帮助的，而TP值增加说明可以准确检测出更多的船舶数量，降低漏检的可能性，这对统计船舶交通流量和监控船舶行为十分必要。