·1010· 智能系统学报 第15卷 变化情况。可以从图中看到，在训练经过40轮迭 通过观察发现，大多数图像的预测框数目介 代训练之后，mAP变化值趋于稳定。 于0~200，最佳阈值的范围在0.3~0.7，所以我们 0.80 构建了横坐标为0~200，纵坐标范围为0.3~0.7 0.75 0.70 MW 的线性回归作为映射，同时，我们尝试了k-means 分类、朴素贝叶斯分类、SVC分类等方法来构建 0.65 映射，最终选择性能具有最佳表现的朴素贝叶斯 0.60 分类算法。 0.55 3.4实验效果对比 0.50 为了突出本文算法在解决目标漏检与误检 0.45 问题上面的表现，将本算法分别与NMS、Soft- 10 2030 4050 epoch NMS以及Softer-NMS在Pascal VOC数据集上面 做了对比（图6），从图6中可以看到，本文提出的 图4训练过程中的mAP Fig.4 mAP during training 算法性能并不受阈值的影响，且mAP值高于其他 3.2边界框数目与物体密度之间的相关性 算法。 本文出发点是利用边界框数目信息反应物体 76.5 密度，所以首先需要首先验证两者之间的相关 NMS 76.0 Soft-NMS 性。如图5所示，横坐标表示图像中真实的物体 --Softer-NMS 75.5 -…Our method 数目，纵坐标表示模型预测后未经过NMS算法过 滤之前的边界框数目，可以看到，两者之间存在一 275.0 种强线性相关关系，这也就证实了本文改进算法 74.5 的合理性。 74.0 73.5 300 250 、、、分、、、、、、 200 阈值 图6算法性能对比 Fig.6 Algorithm performance comparison 50 在图7和图8分别表示在Pascal数据集和 10 1520 25 30 真实的物体数目 COC0数据集2]上，本文提出的算法在实际应用 中与NMS算法以及Soft-NMS算法之间的效果对 图5边界框数目相关性分析 Fig.5 Correlation analysis of the number of bounding 比，我们提出的算法在实际应用过程中具有更好 boxes 的检测效果。 33映射关系选择 构建检测框数目-最佳阈值之间的映射关系， 采取了不同的模型算法，观察对比这几种不同映 射函数之间的性能差异。表2为不同映射函数性 (a)NMS 能表现。 表2不同映射函数的性能表现 Table 2 Performance of different mapping functions (b)Soft-NM 算法 mAP 线性回归 75.8 支持向量回归 (c)本文方法 76.3 k均值聚类 图7本文提出算法与其他算法实验效果对比VOC数据集) 76.0 Fig.7 Comparison of experimental results between the 朴素贝叶斯 76.5 proposed algorithm and other algorithms (VOC dataset)变化情况。可以从图中看到，在训练经过 40 轮迭 代训练之后，mAP 变化值趋于稳定。 0.45 0 10 20 30 epoch 40 50 0.50 0.55 0.60 mAP 0.65 0.70 0.75 0.80 图 4 训练过程中的 mAP Fig. 4 mAP during training 3.2 边界框数目与物体密度之间的相关性 本文出发点是利用边界框数目信息反应物体 密度，所以首先需要首先验证两者之间的相关 性。如图 5 所示，横坐标表示图像中真实的物体 数目，纵坐标表示模型预测后未经过 NMS 算法过 滤之前的边界框数目，可以看到，两者之间存在一 种强线性相关关系，这也就证实了本文改进算法 的合理性。 0 5 10 15 真实的物体数目 20 25 30 预测物体数目 50 100 150 200 300 250 0 图 5 边界框数目相关性分析 Fig. 5 Correlation analysis of the number of bounding boxes 3.3 映射关系选择 构建检测框数目−最佳阈值之间的映射关系， 采取了不同的模型算法，观察对比这几种不同映 射函数之间的性能差异。表 2 为不同映射函数性 能表现。 表 2 不同映射函数的性能表现 Table 2 Performance of different mapping functions 算法 mAP 线性回归 75.8 支持向量回归 76.3 k均值聚类 76.0 朴素贝叶斯 76.5 通过观察发现，大多数图像的预测框数目介 于 0～200，最佳阈值的范围在 0.3～0.7，所以我们 构建了横坐标为 0～200，纵坐标范围为 0.3～0.7 的线性回归作为映射，同时，我们尝试了 k-means 分类、朴素贝叶斯分类、SVC 分类等方法来构建 映射，最终选择性能具有最佳表现的朴素贝叶斯 分类算法。 3.4 实验效果对比 为了突出本文算法在解决目标漏检与误检 问题上面的表现，将本算法分别与 NMS、Soft￾NMS 以及 Softer-NMS 在 Pascal VOC 数据集上面 做了对比 (图 6)，从图 6 中可以看到，本文提出的 算法性能并不受阈值的影响，且 mAP 值高于其他 算法。 0.300 73.5 74.0 74.5 75.0 mAP 75.5 76.0 76.5 NMS Soft-NMS Softer-NMS Our method 0.325 0.350 0.375 0.400 阈值 0.425 0.450 0.475 0.500 图 6 算法性能对比 Fig. 6 Algorithm performance comparison 在图 7 和图 8 分别表示在 Pascal 数据集和 COCO 数据集[21] 上，本文提出的算法在实际应用 中与 NMS 算法以及 Soft-NMS 算法之间的效果对 比，我们提出的算法在实际应用过程中具有更好 的检测效果。 (a) NMS (b) Soft-NMS (c) 本文方法 图 7 本文提出算法与其他算法实验效果对比 (VOC 数据集) Fig. 7 Comparison of experimental results between the proposed algorithm and other algorithms (VOC dataset) ·1010· 智 能 系 统 学 报 第 15 卷