《表1 mAP变化：YOLO9000模型的车辆多目标视频检测系统研究》

  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

《YOLO9000模型的车辆多目标视频检测系统研究》

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

文献[4]中，Szegedy等人采用深度学习的方法在VOC 2007数据集测试结果中使mAP达到了30%；R-CNN[5]则将传统机器学习和深度学习结合起来，有效的将mAP提升至48%；不久Uijlings等人通过修改网络模型的结构将mAP提高到66%。随后通过进一步优化目标检测网络模型结构，出现了SPP-Net[6]、Fast R-CNN[7]、Faster R-CNN[8]、YOLO[9]等，mAP变化如表1所示。YO-LO与传统依赖先验知识的特征提取算法不同，它是采用深度卷积神经网络的全新实时目标检测方法，对几何变换、形变和光照具有一定程度的不变性，进一步的将mAP提升到了78.6%，改善了车辆外观多变带来的影响，使检测系统具有更高的灵活性和泛化能力。