《表1 目标的平均检测准确率》
为验证本文算法的先进性,将本文算法与S-saliency[4]算法、LS[5]算法和DAVE算法[16]进行比较,并用平均准确率(mean Average Precision,m AP)对这4种算法进行定量比较,如表1所示。m AP更能客观地说明结果的全局性,而它的提出也是为了解决召回率与准确率的单值局限性。4种算法中,LS算法效果较差;S-saliency算法的尺度旋转不变特征性使得m AP比LS算法高出0.6%~2.5%;而DAVE算法仅比S-saliency算法高1.3%~3.0%,这是由于DAVE算(上接第10页)法采用深度学习的方法进行目标检测,能够自动学习图像的深层特征,而本文实验航拍图像训练集不足,限制了DAVE深度学习算法的性能,只能达到较高的水平;本文算法在上述几种算法中,平均准确率达到最高,这是因为本文算法在大大减少特征维数的同时,挖掘了具有相互补充和增强描述能力的潜在特征,提高了目标检测的平均准确度。
图表编号 | XD0042260900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.03.01 |
作者 | 陈苏婷、牛宇宁、张闯、张艳艳 |
绘制单位 | 南京信息工程大学江苏省气象探测与信息处理重点实验室、南京信息工程大学江苏省大气环境与装备技术协同创新中心、南京信息工程大学江苏省气象探测与信息处理重点实验室、南京信息工程大学江苏省气象探测与信息处理重点实验室、南京信息工程大学江苏省大气环境与装备技术协同创新中心、南京信息工程大学江苏省气象探测与信息处理重点实验室、南京信息工程大学江苏省大气环境与装备技术协同创新中心 |
更多格式 | 高清、无水印(增值服务) |