《表2 TitanX上模型检测速度对比》
综上,本文算法PVDNet具有一定的稳定性和适应性。PascalVOC和MS COCO数据集中的图像比较偏向于生活化的场景,场景中人和车辆的背景比较复杂,且MS COCO数据集包含了更多小目标,而KITTI数据集是街景数据集,算法在3个数据集上行人和车辆的平均检测精度中都取得了较好效果,说明本文算法具有一定的稳定性。此外,只要对输出层目标数量进行修改,采用新的数据集重新训练,PVDNet也可以完成对其他(如猫、狗、树木等)分类的检测,具备一定的适应性。
图表编号 | XD0067071300 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) |