《表3 不同算法在VOC 2012数据集上的定量比较》
进一步地,使用更加具有挑战性的VOC 2012数据库进行实验,并将测试结果上传至官方的评估服务器来获取算法精度。这里,训练数据由VOC2007trainval、2007test和VOC 2012trainval中的21503张图像组成,测试集VOC 2012test包含10991张图像。考虑到训练数据变多,迭代次数亦随之增加,先以10-3的学习率迭代8×104次,再以10-4和10-5的学习率分别迭代4×104和6×104次,其他设置与VOC 2007实验相同。不同算法在VOC 2012数据集上的定量比较如表3所示,表中AP为average precision,相较于传统的SSD300*模型,所提算法的mAP达到76.4%,有效提升了识别精度。与其他算法相比,所提算法的精度均有不同程度的提升,与基于ResNet-101的Faster R-CNN模型相比提升了2.6%,与输入图像分辨率更高的YOLOv2算法相比提升了3%。此外,所提算法的精度也超过了以ResNet-101为基础网络的DSSD321模型,算法的合理性和有效性得到充分证实。
图表编号 | XD0034828700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.25 |
作者 | 单倩文、郑新波、何小海、滕奇志、吴晓红 |
绘制单位 | 四川大学电子信息学院、东莞前沿技术研究院、四川大学电子信息学院、四川大学电子信息学院、四川大学电子信息学院 |
更多格式 | 高清、无水印(增值服务) |