《表1 主流目标检测网络架构性能对比》
为了解决实时监测的难题,Joseph Redmon等提出了YOLO(you only look once)[7]这一新型神经网络架构。这一架构不再需要生成建议区域,直接采用对整幅图进行模型训练。不仅去除RCNN生成并筛选建议区域的繁琐流程,而且由于获取了全局图像从而显著降低背景预测错误率。另外该网络架构较为容易进行多类目标检测,也提高了检测效率。经过对YOLO算法改进,现已推出YOLOv2[8],其在检测准确率和检测速度上有了大幅提升。故本文采用YOLOv2神经网络架构作为基础架构针对车辆和行人检测进行模型参数优化。见表1,即目标检测领域主要采用的几类神经网络架构在PASCAL VOC 2007/2012数据集中的mAP(平均准确率)和检测速度对比。
图表编号 | XD0040532100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.04.16 |
作者 | 刘志成、祝永新、汪辉、田犁、封松林 |
绘制单位 | 中国科学院上海高等研究院、中国科学院大学电子电气与通信工程学院、中国科学院上海高等研究院、中国科学院上海高等研究院、中国科学院上海高等研究院、中国科学院上海高等研究院 |
更多格式 | 高清、无水印(增值服务) |