《表2 测试集上的鸟巢检测结果对比》

提取 ⇩
《表2 测试集上的鸟巢检测结果对比》
《基于Faster R-CNN的多尺度高压塔鸟巢检测》

从表3的网络模型分解实验结果可以看出,若不同时使用ResNet_3d卷积层和ResNet_4f卷积层来提取建议区域,鸟巢平均检测精度将下降6.3%;将SE模块分别嵌入到ResNet_3卷积层组和ResNet_4卷积层组中可以将鸟巢平均检测精度提升4.8%;使用改进的ResNet-50网络设计方法能够将鸟巢平均检测精度提升2.7%;最后通过在ResNet_4f卷积特征层上使用反卷积操作可以将鸟巢平均检测精度提升1.4%.

  1. 保存图表

查看“表2 测试集上的鸟巢检测结果对比”的人还看了

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 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