《表1 Refine-FPN与其他经典算法的比较》
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。
图表编号 | XD003384600 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.10 |
作者 | 陈景明、金杰、王伟锋 |
绘制单位 | 天津大学电气自动化与信息工程学院、天津大学电气自动化与信息工程学院、天津大学电气自动化与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |