《表1 实验结果对比：瓦斯灰显微图像的ResNet50网络多目标分类》
提示：宽带有限、当前游客访问压缩模式
为了增加实验的对比性，使用AlexNet、Vgg19、ResNet34三种模型分别进行实验，结果如表1所示.
| 图表编号 | XD00125957900 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.12.25 |
| 作者 | 陈思敏、王培珍、余晨 |
| 绘制单位 | 安徽工业大学电气与信息工程学院、安徽工业大学电气与信息工程学院、安徽工业大学电气与信息工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表8 ResNet50不同残差单元加入具有全局特征的空间注意力机制的实验结果》2020.11.10
- 《表7 ResNet50的c4残差单元加入不同注意力机制的实验结果》2020.11.10
- 《表1 ResNet50网络结构》2021.01.16
- 《表3 Resnet101网络分类结果的混淆矩阵》2020.09.01
- 《表1 实验结果：基于深度残差网络的水果图像分类算法研究》2020.12.25
- 《表3 实验结果对比：多模式共生的彩色纹理图像分类方法》2020.07.05
- 《表1 ResNet结构：基于深度学习的秀丽隐杆线虫显微图像分割方法》2020.05.10
- 《表1 ResNet50的网络配置》2020.03.10
- 《表1 实验结果对比：一种基于深层次多尺度特征融合CNN的SAR图像舰船目标检测算法》2020.01.25
- 《表2 实验结果对比：一种基于深层次多尺度特征融合CNN的SAR图像舰船目标检测算法》2020.01.25
- 《表2 ResNet-50网络的参数》2020.01.10
- 《表2 使用ResNet50的Faster RCNN实验结果》2019.09.20
- 《表1 数据集详细信息：基于多分类器融合的卫星图像舰船目标识别》2019.09.10
- 《表1 ResNet-50网络参数表》2019.09.01
- 《表1 ResNet50的网络架构》2019.05.01
- 《表3 算法对比实验：基于多尺度特征卷积神经网络的目标定位》2019.08.15
- 《表2 Inception-v3模型与Resnet152网络结构在ILSVRC 2012图像分类标准上的准确率》2019.09.10
- 《表1 实验结果对比：基于并行卷积神经网络的军事目标图像分类技术》2019.04.20
- 《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2 CNN分类准确率：基于ResNet50的紫色土图像分类》2019.11.05