《表3 测试结果的精度与时间对比》

  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Mask-RCNN的建筑物目标检测算法》

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

注:FPS是是指画面每秒传输的帧数。

从表3可以看出神经网络算法在对目标分类识别方面精度都比较好，但是标定框精度上Mask R-CNN算法优于Faster R-CNN方法，虽然算法的中增加了一个掩膜分支，模型每秒传输帧数虽然有降低，但是相比之下并没有受到很大的影响，本文算法的总体效果较好。在表4中的A测试集是大量郊区和少量城区的90°正射影像，B测试集主要为城区的45°倾斜影像，通过大量实验数据的AP（average precision）值和mAP（mean average precision）值对比，AP值越高，准确度越高，本文的方法准确度要高于Faster R-CNN方法0.06%～0.12%，表明本文的方法检测准确度更高。mAP是不同视角下建筑物目标检测结果的平均值，代表了算法的检测性能，可以看出本文中的检测算法性能更好。（其中AP是平均准确率，是一个反映全局的性能指标，在统计学中，准确率召回率(precision recall，PR）曲线下的面积也就是AP的值，mAP是不同种类AP值的平均值。)综合来看，本文所得到的建筑物检测模型检测效果达到预期要求。