《表1 各测试集上的行人和车辆检测结果》
%
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。
图表编号 | XD0067071200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.01 |
作者 | 徐谦、李颖、王刚 |
绘制单位 | 吉林大学计算机科学与技术学院、吉林大学符号计算与知识工程教育部重点实验室、吉林大学计算机科学与技术学院、吉林大学符号计算与知识工程教育部重点实验室、吉林大学计算机科学与技术学院、吉林大学符号计算与知识工程教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |