《表1：图像特征值(网络输入量)》
提示：宽带有限、当前游客访问压缩模式
需要注意的是，在对网络模型进行样本数据学习训练时，ne的值应该控制在收敛比较快的范围内。
| 图表编号 | XD00146186300 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.06.15 |
| 作者 | 王强 |
| 绘制单位 | 山西工程职业学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 算法效率比较：卷积神经网络在尺度不变特征变换图像配准方法中的应用》2020.04.20
- 《表1 图像数据集：融合传统特征与神经网络的深度伪造检测算法》2021.02.10
- 《表1 融合图像评价指标：基于区域特征脉冲耦合神经网络的航空发动机涡轮叶片DR图像融合》2021.01.01
- 《表1 3路卷积网络基于不同特征组合对手写数字图像的识别能力对比》2020.12.01
- 《表1 神经网络的输入、输出特征》2019.12.01
- 《表8 不同输入图像对比：基于CNN多层面二阶特征融合的肺结节分类》2020.09.01
- 《表1 特征提取：基于卷积神经网络的煤矸石图像识别》2020.07.25
- 《表1 深度网络的发展：基于舌图像深度特征融合的中医体质分类方法研究》2020.06.01
- 《表1 原始输入特征：基于改进深度置信网络的电力系统暂态稳定评估研究》2020.03.20
- 《表3 SfM重建效果：基于卷积神经网络的局部图像特征描述符算法》2020.02.25
- 《表1 每层的参数设置：基于局部路径特征信息神经网络的图像去噪》2020.01.01
- 《表1 每层的参数设置：基于局部路径特征信息神经网络的图像去噪》2020.01.01
- 《表2 纹理特征参数：基于BP神经网络的图像识别系统》2019.12.15
- 《表2 模型输入特征：基于多因素长短时神经网络的日用水量预测方法研究》2020.01.10
- 《表1 模型输入特征说明：基于不平衡数据和神经网络算法的通信光缆故障预测分析》2019.10.20
- 《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6 不同输入特征量在各诊断层的网络训练时长》2018.11.30
- 《表2 实验结果：基于无监督特征选择和卷积神经网络的图像识别算法》2018.10.25
- 《表1 实验参数设置：基于无监督特征选择和卷积神经网络的图像识别算法》2018.10.25