《表1 实验结果对比表：基于全卷积神经网络的国内常见交通警告标志识别》
提示：宽带有限、当前游客访问压缩模式
从实验结果可以看出，本文在保证较高准确率的同时，可以更迅速的检测识别图片中出现的交通警告标志。
| 图表编号 | XD00146289200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.04.01 |
| 作者 | 刘璐、孟品超 |
| 绘制单位 | 长春理工大学理学院、长春理工大学理学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 实验结果对比：基于卷积神经网络的电力杆塔图像智能识别算法研究》2020.09.25
- 《表4 对比实验结果：基于卷积神经网络的商品图像识别》2020.12.10
- 《表4 第2组实验结果：加权全序列卷积神经网络方法的帕金森声纹识别研究》2020.12.01
- 《表3 第1组实验结果：加权全序列卷积神经网络方法的帕金森声纹识别研究》2020.12.01
- 《表3 展开剂的选择结果：基于轻量型卷积神经网络的交通标志识别》2020.12.28
- 《表2.变更指数排序表：基于轻量型卷积神经网络的交通标志识别》2020.12.28
- 《表1 检测实验结果数据：基于CNN算法的交通标志检测与识别》2020.06.25
- 《表2 测试结果：基于改进深度卷积生成对抗网络的路面指示标志识别方法》2020.06.28
- 《表3 对比算法测试结果：基于改进深度卷积生成对抗网络的路面指示标志识别方法》2020.06.28
- 《表1 目标识别数据集：基于改进深度卷积生成对抗网络的路面指示标志识别方法》2020.06.28
- 《表1 特征提取主体网络：基于深度可分离卷积的交通标志识别算法》2019.12.01
- 《表1 特征提取主体网络：基于深度可分离卷积的交通标志识别算法》2019.12.01
- 《表1 对比实验结果：基于组合色彩空间和卷积神经网络的手势识别算法》2019.10.15
- 《表1 输入缩放参考表：基于多尺度卷积神经网络的交通标志识别方法》2019.08.01
- 《表1 网络参数设置：基于卷积网络的交通标志分类研究》2019.05.25
- 《表1 网络参数设置：基于卷积网络的交通标志分类研究》2019.05.25
- 《表1 实验结果：基于深度学习的交通标志识别算法》2019.06.01
- 《表1 实验结果：基于全卷积神经网络的人群计数》2018.01.20
- 《表1 实验效果对比：基于YOLO v3的交通标志牌检测识别》2019.11.20
- 《表7 实验结果对比：基于卷积神经网络的隐式评价对象识别》2019.11.01