《表1 模型准确率对比：基于改进Inception的手写体数字识别方法》
提示：宽带有限、当前游客访问压缩模式
本文还对比了三种算法在训练时所需的时间，本文的训练时间与LeNet相差不大，可以快速训练完成，在测试时，其响应速度也明显优于GoogLeNet。
| 图表编号 | XD00137251900 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.03.01 |
| 作者 | 刘瀚骏、杨勇 |
| 绘制单位 | 长春理工大学计算机科学技术学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 各手写数字的识别正确率》2020.12.15
- 《表2 实验参数设置：基于Mask-RCNN无分割手写数字字符串的识别》2020.07.25
- 《表2 改进前后的Inception模块识别效果对比》2020.08.15
- 《表2 各分类器数据量：基于多分类器的无分割手写数字字符串识别算法》2020.07.05
- 《表1 网络框架：基于改进YOLOv2模型的多目标识别方法》2020.05.25
- 《表2 各类模型识别率：基于Inception-V3模型的金属板材表面缺陷检测系统》2020.02.20
- 《表1 Inception-V3识别准确率》2020.02.20
- 《表2 奶牛识别结果示例：基于改进YOLO v3模型的挤奶奶牛个体识别方法》2020.04.25
- 《表1 准确率对比：一种改进的基于3D-BN-GRU网络的行为识别算法》2020.04.28
- 《表2 数字混淆矩阵：基于卷积神经网络的藏文手写数字和字母识别研究》2019.12.01
- 《表1 实验结果：基于卷积神经网络的藏文手写数字和字母识别研究》2019.12.01
- 《表1 识别结果：基于BP神经网络的手写数字识别系统》2020.01.20
- 《表1 实验测试情况：基于多尺度卷积核特征提取算法的手写数字识别研究》2019.09.01
- 《表2 数字特征计算方法：基于综合赋权云模型的露天矿岩体可爆性分级识别》2019.10.01
- 《表8 手写数字识别数据集预处理裁剪率比较结果》2019.11.15
- 《表7 手写数字识别数据集分类精度比较结果》2019.11.15
- 《表1 实验环境：基于caffe的手写数字识别研究与实现》2019.03.25
- 《表2 2种网络时间对比：基于深层自适应平衡自编码机的手写数字分类》2019.01.20
- 《表1 识别率对比：基于PSO与BP神经网络的脱机手写体汉字识别算法》2018.04.20
- 《表2 基于LVQ神经网络的手写数字识别实验结果》2018.05.20