《表2 不同深度卷积网络在ZF5和VGG16模型下的识别准确率》
提示：宽带有限、当前游客访问压缩模式
在改进的深度卷积网络训练中，用传统的缩放输入图像尺寸后输入卷积网络的方法，与本方法进行对比，采用不同的模型进行识别对比，实验结果，如表2所示。准确率为四次试验平均值。
| 图表编号 | XD00133964000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.03.08 |
| 作者 | 王占云、闫志华 |
| 绘制单位 | 郑州大学机械工程学院、郑州大学机械工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 基于深度可分离卷积VGG16不同卷积的参数量和计算量》2020.10.20
- 《表6 与其他加速器在VGG-16卷积层加速效果对比》2020.07.30
- 《表3 VGG16和ResNet18的卷积层结构》2020.08.25
- 《表2 各VGG16模型验证集准确率》2021.02.20
- 《表1 VGG16与Res Net卷积网络结构对比》2021.01.20
- 《表1 各深度卷积模型在数据集上的识别率比较》2020.04.15
- 《表4 10类猴子分别在VGG16＿2上的识别率》2020.05.10
- 《表2 模型准确率：基于深度卷积神经网络的塑料垃圾分类研究》2020.04.25
- 《表4 模型准确率：基于深度卷积神经网络的塑料垃圾分类研究》2020.04.25
- 《表3 模型准确率：基于深度卷积神经网络的塑料垃圾分类研究》2020.04.25
- 《表3 VGG16与3种训练网络的速度对比识别速度/s》2020.04.01
- 《表2 VGG16与3种训练网络的精度对比识别精度》2020.04.01
- 《表1 Faster R-CNN在不同网络模型和不同样本下的识别准确率》2020.03.08
- 《表2 卷积神经网络在树莓派运行的识别准确率数据表》2019.11.20
- 《表1 卷积神经网络在PC运行的识别准确率数据表》2019.11.20
- 《表6 不同层数网络下VGG和Res Net在不同数据库上的识别率》2019.08.16
- 《表1 3种基础网络VGG16、GoogleNet和Res Net模型对比》2019.02.01
- 《表5 各种算法的时效性：深度卷积网络压缩算法在焊缝识别中的应用》2019.03.10
- 《表4 多工件的测试结果：深度卷积网络压缩算法在焊缝识别中的应用》2019.03.10
- 《表2 准确率对比：一种基于3D-BN-VGG网络的行为识别算法》2019.11.28