《表3 整体测试结果：一种深度学习的非机动车辆目标检测算法》

  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

《一种深度学习的非机动车辆目标检测算法》

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

整体测试阶段，利用3.2节中分配的测试数据集进行模型的整体测试，并与Fast R-CNN（F-mAP）、SPP-Net（S-mAP）、R-CNN（R-mAP）等算法模型检测结果进行对比，测试结果如表3所示。实验发现，evbike类的平均检测效果稍优于bicycle类，bicycle类容易出现漏检现象，某些bicycle样本的检测效果一般。通过分析可知，evbike类相较于bicycle类，其车辆的整体形变比较小，并且车辆特征集中；而bicycle类中，车辆头部形变明显，由于车辆结构设置特别容易被驾驶人遮挡，造成关键特征减少，并且自行车种类很多，在收集样本过程中，对于不同种类、位姿的车辆样本过少，训练过程不够充分。