《表1 多种算法m AP值对比》
为了验证本文方法的有效性,将本文方法与现有的主流目标检测算法进行实验对比,对比的算法包括Hyper Net、SSD、FPN、DSSD、FSSD,采用平均精度均值m AP作为定量评估指标,测试时Io U为0.5。由表1可知,本文方法具有最高的m AP值。其中Hyper Net与SSD因为未对特征层融合建模,仅依赖局部信息进行检测,导致很多有利于小目标检测信息的缺失,所以效果较差;FPN、DSSD以及FSSD等经典融合算法虽然构建了特征金字塔结构对底层特征加以复用,但在融合特征时未考虑到相对路径过长带来的特征相关性损失,所以效果只是稍有提升;本文方法严格遵循对图像特征空间的建模,利用两次的融合弥补相关性损失,获得更具表达能力的特征信息,因此取得了最高m AP值。本文算法中针对较小目标的检测依赖于底层特征层的高分辨率和较小的锚点框,针对较大目标的检测依赖于高层特征层特有的大感受野和语义更抽象的特征表达。图7呈现了本文方法在PASCAL VOC 2007测试数据集中的检测样例,从中可以看出本文方法在针对小目标、遮挡和截断的场景中都有不小优势。
图表编号 | XD00222780800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.05 |
作者 | 王伟、潘秋羽、王明明、王道顺 |
绘制单位 | 西安工程大学计算机科学学院、西安工程大学计算机科学学院、清华大学计算机科学与技术系、西安工程大学计算机科学学院、清华大学计算机科学与技术系 |
更多格式 | 高清、无水印(增值服务) |