《表3 采用级联网络的结果Tab.3 Detection results by using cascading networks with different thresholds》

  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

《基于级联网络的行人检测方法》

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

以开源框架Caffe为基础，将从YOLOv2网络得到的坐标作为输入值，输入Person网络进行分类与边界框回归，输入固定尺寸width×height为30×90。当冲量为0.9，权值衰减为0.004，初始学习率为0.001，学习率下降策略为step，且当迭代训练达到1 000 000次时，模型达到饱和。训练时样本是从原始真实行人框上随机截取的，按截取的图片与真实行人框的IOU，将截取的图片分为正样本、部分样本和负样本。负样本是IOU<0.5的样本，正样本是IOU>0.8的样本，其他样本为部分样本，正样本、部分样本、负样本比例为1∶1∶3。实验结果如表3所示，threshold:0.24、0.1、0.01是YOLOv2检测行人的阈值。对比表2与表3可知，使用级联方法可以得到比YOLOv2更高的召回率、准确率，以及定位的准确性更为精准。表4展示卷积核不同宽高比下的Person网络效果，从中可以得出选取为1∶3的卷积核时，F值最高，且检测效果最为突出。