《表2 不同模型的目标检测率》
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MobileNet的移动端城管案件目标识别算法》
%
图5为算法在IOS移动端和PC端的识别效果,表2为本文改进框架与原型SSD和YOLO对8种城管案件目标的检测效果。可以看出,本文方法耗费训练时间较少,所需硬件成本较小,即使在使用普通电脑配置(酷睿i7,8 GB内存,Tensorflow1.9),无GPU(Graphic Processing Unit)加速的情况下,使用本文的城管数据集,训练一步所需时间为5 s左右,总训练时长为8 h左右,相比之下,Faster-RCNN等传统网络的单步训练时长为22 s左右,总训练时长为36 h左右。因此本文方法在低性能设备上也可以训练,相比Faster-RCNN等传统模型,可以极大地减少训练时间,降低设备的性能需求,非常适合于本文所应用的城市管理案件识别或其他中小型应用场景。训练采用的损失函数与原型SSD一致,利用Tensorflow训练,网络训练的收敛曲线如图6。
图表编号 | XD0090238300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.10 |
作者 | 杨辉华、张天宇、李灵巧、潘细朋 |
绘制单位 | 桂林电子科技大学计算机与信息安全学院、北京邮电大学自动化学院、桂林电子科技大学电子工程与自动化学院、桂林电子科技大学计算机与信息安全学院、北京邮电大学自动化学院、北京邮电大学自动化学院 |
更多格式 | 高清、无水印(增值服务) |