《表1 各测试集上的行人和车辆检测结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的行人和车辆检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

在4个数据集上，得益于MLFF模块的特征提取效果增强和MLSC模块的跳跃连接，与Faster R-CNN、YOLO和SSD (300）相比，PVD-Net的MAP都有所提升，如表1所示。大部分的行人检测平均准确率都略低于车辆检测平均准确率，这是因为在训练集和测试集中，行人所占图像的面积往往比车辆所占图像面积小，所以更难检测。特别的，在PascalVOC 2012数据集上，行人检测平均准确率高于车辆检测平均准确率，对数据集分析发现，在PascalVOC 2012中，行人标注数量远大于车辆标注数量，所以训练出的模型对行人的特征提取更加精细。在KITTI数据集上，Faster R-CNN和YOLO算法行人检测平均准确率低于车辆检测平均准确率，而SSD (300）和PVDNet行人检测平均准确率高于车辆检测平均准确率，这是因为Faster R-CNN和YOLO都只使用了最后一层的特征图进行分类和位置回归，而SSD算法和PVDNet都对底层特征进行了融合，因此对小目标有更好的特征提取效果，分类精度更高。具体检测效果如图4所示。