《表1 网络训练结果：基于深度图像的手势识别研究》
提示：宽带有限、当前游客访问压缩模式
作为对比将手势原始图像图像和处理后的图像都进行训练。实验结果如表1所示。
| 图表编号 | XD00104375900 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.10.01 |
| 作者 | 郭鹏、肖秦琨、赵一丹 |
| 绘制单位 | 西安工业大学电子信息工程学院、西安工业大学电子信息工程学院、西安工业大学电子信息工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 各项综合经济指标：基于深度图像的实时手势识别方法》2020.07.16
- 《表1 模型性能对比：基于卷积神经网络的手势识别算法研究》2021.01.20
- 《表1 迁移网络结构信息：基于深度学习的黑钨矿图像识别选矿方法》2020.05.01
- 《表1 猜拳测试结果：一种基于神经网络的手势识别装置》2020.05.15
- 《表3 卷积层3：基于深度卷积生成对抗网络的图像识别算法》2020.04.01
- 《表2 卷积层2：基于深度卷积生成对抗网络的图像识别算法》2020.04.01
- 《表1 卷积层1：基于深度卷积生成对抗网络的图像识别算法》2020.04.01
- 《表4 输出：基于深度卷积生成对抗网络的图像识别算法》2020.04.01
- 《表3 神经网络训练结果：基于迁移学习的植物花朵图像识别方法》2020.03.01
- 《表1 手势识别方法对比：基于深度学习的手势识别研究》2019.11.15
- 《表2 识别结果对比：基于深度图像的手势识别研究》2019.10.01
- 《表1 图片分类结果对比：基于深度学习的图像识别问题中对抗样本的研究》2019.10.01
- 《表1 训练结果表：基于深度神经网络的鸟类图像识别系统设计》2019.09.10
- 《表1 实验结果比较：基于深度网络和数据增强的多物体图像识别》2019.05.01
- 《表4 网络模型比较：基于SqueezeNet深度网络的中药材粉末显微特征图像识别研究》2019.04.01
- 《表2 模型训练过程：基于深度神经网络的网络安全实体识别方法》2019.01.30
- 《表1 水稻病害特征描述：基于深度卷积神经网络的水稻病害图像识别研究》2019.03.01
- 《表2 模型训练结果：基于HMM的虚拟场景控制手势识别研究》2018.12.20
- 《表2 训练及识别时间：基于深度神经网络的说话人识别模型研究》2018.10.01
- 《表1 系统配置：基于神经网络及虚拟现实技术的智能手势识别研究》2018.06.20