《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》

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

%

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。