《表1 实验结果对比表：基于深度学习的车辆检测》
提示：宽带有限、当前游客访问压缩模式
实验结果如表1所示，对比方法有Faster R-CNN和YOLO方法，在检测速度和精度两个重要维度进行对比，可以看到本方法全面优于上述两种算法。
| 图表编号 | XD00117489300 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.12.01 |
| 作者 | 时文忠、王忠荣 |
| 绘制单位 | 电子科技大学信息与通信工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 不同算法模型对比：一种基于深度学习的车辆识别算法》2020.12.25
- 《表2 末端原因确认表：基于深度学习的实时车辆检测研究》2021.01.05
- 《表2 实验结果：基于深度学习的MOOC作弊行为检测研究》2021.01.01
- 《表2 实验检测结果：基于深度学习的图像检索技术的实现》2020.11.01
- 《表2 目标检测实验结果：基于深度学习的生猪饮水行为识别研究》2021.01.15
- 《表2 多元回归分析结果：基于深度学习的车辆时序动作检测算法》2020.12.16
- 《表1 水灭火系统用水量：基于深度学习的车辆时序动作检测算法》2020.12.16
- 《表1 实验对比结果：基于深度学习的交通标志检测》2021.01.01
- 《表2 实验结果对比：基于深度学习的PCB缺陷检测研究》2021.03.15
- 《表2 实验环境：基于深度学习的轻量遥感图像车辆检测模型》2020.06.25
- 《表1 网络结构：基于深度学习的轻量遥感图像车辆检测模型》2020.06.25
- 《表1 分类识别实验结果：基于深度学习的鱼类识别与检测的算法研究》2020.08.10
- 《表4 算法评价指标：基于形态检测与深度学习的高空视频车辆识别》2019.12.01
- 《表4 实验检测结果：基于深度学习的太阳能电池板缺陷检测模型设计》2019.12.10
- 《表2 基于深度学习的车辆检测相关文献》2019.12.15
- 《表1 实验结果对比：基于SSD的实时车辆检测算法研究》2019.11.20
- 《表2 实验结果：基于深度学习的Web注入行为实时检测技术研究》2019.07.01
- 《表1 实验对比结果：一种基于Gabor深度学习的无人机目标检测算法》2019.08.01
- 《表3 整体测试结果：一种深度学习的非机动车辆目标检测算法》2019.04.15
- 《表1 实验数据明细：基于深度学习的窃电行为检测方法》2019.02.25