《表1 VOC2007测试数据》
近年来,伴随深度学习(Deep Leaming)的出现,目标检测的模型发生了改变,由于多层卷积神经网络能够自主对不同层进行特征提取和筛选,所以相比传统的目标检测方法,检测效果更加准确,模型更具有广泛性[6].笔者提出采用深度学习模型中的SSD模型,以实现垃圾的识别分类.SSD模型又叫Single Shot MultiBox Detector,是在ECCV 2016上Wei Liu发表的一篇论文中提出来的一种使用单个深度神经网络来检测图像中的目标的方法[7-8].这种方法在PASCAL VOC,COCO和ILSVRC数据集上的实验结果证实,SSD对于利用额外的目标提出步骤的方法具有竞争性和准确性,并且速度更快,同时为训练和推断提供了统一的框架.输入300×300的图像,在VOC2007数据集上测试,能够达到59帧/秒的传输速度(Nvidia Titan X的GPU,帧/秒),74.3%的平均精确率mAP(mean Average Precision).与其他单阶段方法相比,即使输入图像尺寸较小,SSD也具有更高的精度[9].该模型与其他目标检测模型在VOC2007数据集上测试数据如表1所示.由表1可知,SSD算法在mAP和FPS上都有一定的优势.
图表编号 | XD0075361100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.01 |
作者 | 彭昕昀、李嘉乐、李婉、刘杏洲、张程发、林显新、欧嘉诚 |
绘制单位 | 韶关学院学报编辑部、韶关学院物理与机电工程学院 |
更多格式 | 高清、无水印(增值服务) |