《表3 测试结果的精度与时间对比》
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。
图表编号 | XD0084348100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.10.20 |
作者 | 李大军、何维龙、郭丙轩、李茂森、陈敏强 |
绘制单位 | 东华理工大学测绘工程学院、武汉大学测绘遥感信息工程国家重点实验室、甘肃林业职业技术学院、武汉大学测绘遥感信息工程国家重点实验室、东华理工大学测绘工程学院、东华理工大学测绘工程学院 |
更多格式 | 高清、无水印(增值服务) |