《表1 Refine-FPN与其他经典算法的比较》

  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

《基于特征金字塔网络的改进算法》

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

实验不仅对算法性能进行横向分析比较，而且还具体分析了预测优化模块。表1为Refine-FPN与其他经典算法的比较分析。由表1可知，RefineFPN算法优于其他大多数经典的算法。当IOU阈值为0.5时，原始的FPN算法准确率为80.5%，Refine-FPN算法在没有采用在线难例挖掘（OHEM）等优化方法的情况下准确率提升了0.4%，相比SSD算法则增加了3.6%，当阈值增大时，Refine-FPN算法的准确率进一步提升，相比于原始的FPN算法，IOU为0.6时的准确率提升了1.2%，IOU为0.75时的准确率提升了3.5%。同时，该算法相对于以DetNet-59为训练模型的FPN*算法，准确率提升了1.1%，进而说明了预测优化模块的良好性能。但Refine-FPN算法的准确率相对于BPN[15]算法、Couplenet[19]算法的准确率还存在差距，这主要是因为在BPN中不仅有类似级联网络的锚优化网络，而且在原始特征金字塔的基础上额外增加了新的支路，使得特征具有更强的语义信息，而Couplenet算法则采用更深的训练模型。这两种算法的网络参数较多，使得实时检测的速率受限，因此，Refine-FPN算法具有很好的性能。