《表1 算法的网络性能比较》
(%)
F1-score是使用调和平均结合召回率和精度的指标。从表1可以看出,本文优化YOLOv3算法的召回率比YOLOv3算法高出11.86%,精确率下降7.27%。此时需要F1-score来进行总体衡量。试验结果表明本文在使用K-means聚类算法和扩张卷积后,其F1-score比YOLOv3高出1.33%,网络中再加入深度可分离卷积后,其F1-score比YOLOv3高出2.99%。由此可见,本文算法明显优于YOLOv3算法。图5是YOLOv3算法和优化YOLOv3算法对2张相同图像的检测结果。从图5中可以看出YOLOv3算法不能准确检测出影像中的小目标,出现较多漏检情况,框上没字是漏检,框上有字是算法检测出的飞机。优化的YOLOv3算法增强了网络高层的感受野,能够准确检测出影像中的小目标,有效地降低漏检率,提高小目标检测的精度。
图表编号 | XD0053056100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.25 |
作者 | 谢梦、刘伟、杨梦圆、柴琪、吉莉 |
绘制单位 | 江苏师范大学地理测绘与城乡规划院、江苏师范大学地理测绘与城乡规划院、资源与环境信息系统国家重点实验室、江苏师范大学地理测绘与城乡规划院、江苏师范大学地理测绘与城乡规划院、江苏师范大学地理测绘与城乡规划院 |
更多格式 | 高清、无水印(增值服务) |