《表4 不同改进方法对算法性能的提升》

  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

为了获得更高性能的训练模型，在网络训练阶段会使用多种有利于网络训练的方法，这些方法对神经网络的影响效果如表4所示。其中，“√”表示使用了对应的方法。由于原始的数据集样本数量太少，所以直接使用YOLOv3进行训练的准确率比较低，同时由于原始的先验锚框尺寸与船舶目标形状差异较大，得到的预测框的交并比值也比较低，这说明对船舶目标的定位不够准确。使用了合成恶劣天气数据增强方法之后，有效扩充了训练样本的数量，从而提高了网络的鲁棒性和泛化能力，使算法的准确率提升了5.24个百分点。在网络训练时使用重新设计的先验锚框，与船舶的形状更加匹配，使网络的平均交并比提高了6.93个百分点，说明网络输出的预测框与人工标注的真实边界框重合程度更高，对船舶的定位更加准确，而且在与其他方法组合使用时，网络的平均交并比还会进一步提升。在网络的后处理阶段，在传统非极大值抑制算法中加入了高斯软阈函数，主要是为了解决重合目标的漏检测问题。从表5可以看出，使用了改进后的非极大值抑制算法可以提高算法的召回率，这意味着有一些传统YOLOv3算法无法检测出来的船舶目标被检测出来，其中散装货船、矿砂船和渔船召回率提升较多，主要是在这三种类型的船舶相互重合的场景多。因为有一些重合的船舶被正确检测，也让整个网络的检测精度有了略微的提高。使用了3种训练方法的组合对YOLOv3算法进行训练，得到的模型比原始模型的检测精度提升了5.85个百分点，平均交并比提升了6.86个百分点，说明了在网络训练阶段使用合成恶劣天气数据增强、根据检测对象重新设计先验锚框和加入高斯软阈值函数的非极大值抑制算法的组合训练方法能够有效提升网络的性能。