《表7 使用不同损失函数的船舶平均精度单位：%》

  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

为了验证改进后的二值交叉熵损失函数是否有助于解决传统YOLOv3算法存在的类别不平衡问题，实验用改进的二值交叉熵损失函数替换了传统二值交叉熵损失函数，得到的实验结果如表7所示。在训练集中，客船的样本数量是最少的，不足渔船和矿砂船样本数量的1/5，不足所有训练样本的5%，存在着样本类别的不平衡问题，同时训练样本中有很多图像中只有一个或几个极小的船舶目标，而传统YOLOv3算法在3个尺度的预测层共产生10 647个预测框，存在着严重的前景、背景不平衡问题，但是实验结果显示改进后的模型对客船这一类船舶的检测准确率提高最多，提高了8.08个百分点，而对样本数量相对少的船舶类别的检测准确率都有不同程度的提高，说明改进后的损失函数可以使网络专注于这些比较困难的样本的学习，提高了网络的性能。而测试样本中大多数小船舶目标都是渔船，而且渔船的测试样本数量是最多的，虽然改进后的网络对渔船的检测性能有略微的降低，但是从整体上看改进的二值交叉熵损失函数对解决类别不平衡问题还是有效果的，对渔船的性能损失可以通过使用其他改进方法进行弥补。