《表2 测试结果对比：基于Mask-RCNN的建筑物目标检测算法》

  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

本文实验数据选取了不同的视角和不同密集程度的建筑物图片，如图8所示，矩形框表示检测目标位置，矩形框上的数字表示属于建筑物的概率大小，二值Mask表示建筑物的大致轮廓。本文为提升本文检测方法准确度，将模型中的矩形框概率的阈值设置为0.75（检测概率小于0.75时删除目标矩形框，大于0.75保留），一方面减少了网络中确定建筑物目标边界框的计算量，提升计算速度；另一方面防止阈值过高引起过拟合现象。经过测试，通过实验发现把NMS（non maximum suppression）在RPN网络的预测阶段在proposal layer使用的非极大值抑制的阈值设定为0.75时，实验结果较好，本文方法被标注的目标概率均高于0.884。通过图8和表2可以看出，Faster R-CNN检测算法在有建筑物有遮挡情况下，小型建筑物密集区域漏检较多，定位也存在一定的偏差，整体检测精确度不高。本文Mask-RCNN检测方法对建筑物密集情况下的小建筑物目标检测结果比Faster R-CNN检测效果要好，不但可以获取检测建筑物目标的定位框，而且得到了建筑物的轮廓二值Mask，为以后进一步改进获取建筑物轮廓边缘提供了可能，整体检测精确度更高。但分析发现，测试样本和训练样本的相关性会影响到测试结果，上述两种方法在密集的建筑物区域的小型建筑物目标和不完整的建筑物目标均存在不同程度的漏检状况。传统的目标检测是从待检测数据中准确完整地识别和检测出所有目标，因此本文的检测实验也采用了检出率（true positive rate，TPR）、误检率（false positive rate，FPR）、漏检率（loss positive rate，LPR）作为算法性能的评价指标。