《表1 鸟巢检测结果分类:基于Faster R-CNN的多尺度高压塔鸟巢检测》

提取 ⇩
《表1 鸟巢检测结果分类:基于Faster R-CNN的多尺度高压塔鸟巢检测》
《基于Faster R-CNN的多尺度高压塔鸟巢检测》

为了减小图像中高压塔矩形框之外的复杂背景对鸟巢检测结果的影响,如表1所示,对本文方法的检测结果进行了分类判断,通过剔除高压塔矩形框之外的鸟巢检测结果,可以有效降低鸟巢误检情况的概率,进一步提高了鸟巢的检测精度.图7展示了部分基于高压塔矩形框条件下的样本检测结果.

  1. 保存图表

查看“表1 鸟巢检测结果分类:基于Faster R-CNN的多尺度高压塔鸟巢检测”的人还看了

表3 采用FL函数或DFL函数的Faster R-CNN模型和微调后的Faster R-CNN模型的检测性能对比
表3 采用FL函数或DFL函数的Faster R-CNN模型和微调后的Faster R-CNN模型的检测性能对比
基于动态焦点损失函数和样本平衡方法的绝缘子缺陷检测方法
表2 不同γ取值下Faster R-CNN检测的m AP值
表2 不同γ取值下Faster R-CNN检测的m AP值
基于动态焦点损失函数和样本平衡方法的绝缘子缺陷检测方法
表3 本研究方法与Faster R-CNN对比
表3 本研究方法与Faster R-CNN对比
基于改进DenseNet的水果小目标检测
表2 原始Faster R-CNN模型检测结果
表2 原始Faster R-CNN模型检测结果
改进Faster R-CNN算法及其在车辆检测中的应用
表2 Faster R-CNN检测结果
表2 Faster R-CNN检测结果
基于知识蒸馏的轻量型浮游植物检测网络
表1 Faster R-CNN雷达特征目标检测结果
表1 Faster R-CNN雷达特征目标检测结果
基于Faster R-CNN的电子海图和雷达图像的数据融合