《表1 5种算法的性能对比》
将本文的算法与Faster R-CNN、YOLOv2、YOLOv3进行定量评估,图像在训练前会处理为416×416大小,性能比较结果见表1。在相同的测试集下,本文提出的Road_Net算法相比于Faster R-CNN、YOLOv2在精度、召回率、AP上都提升了约9个百分点,相比于YOLOv3也分别提升了1.6%、7.2%、4.3%,相比于YOLOv3在速度上(帧数/秒)提升了43%。本文在Road_Net上再结合Softer-NMS算法进行测试,虽然在速度上略有下降,但是在召回率、AP分别提升了5.4%、2.4%,证明了本文提出的Road_Net+M-Softer-NMS在保证了实时性的情况下,在检测的召回率、平均精度上都有较大的提升。
图表编号 | XD0087182500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.01 |
作者 | 金瑶、张锐、尹东 |
绘制单位 | 中国科学技术大学信息科学技术学院、中国科学院电磁空间信息重点实验室、中国科学技术大学信息科学技术学院、中国科学院电磁空间信息重点实验室、中国科学技术大学信息科学技术学院、中国科学院电磁空间信息重点实验室 |
更多格式 | 高清、无水印(增值服务) |