《表5 检测模型参数设置：一种城市道路场景下行人危险度评估方法》
提示：宽带有限、当前游客访问压缩模式
超参数的设置会影响Mask RCNN的效果和性能，本文设置超参数的原则是保证准确性的同时尽可能提升训练和检测速度.本文分别针对不同的数据集设置不同的超参数，具体参数设置如表5所示.
| 图表编号 | XD00148810600 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.08.25 |
| 作者 | 曾令秋、马济森、韩庆文、叶蕾 |
| 绘制单位 | 重庆大学计算机学院、重庆大学计算机学院、重庆大学计算机学院、重庆大学计算机学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 射线追踪参数设置：城市轨道交通隧道场景基于射线追踪技术的LTE-M系统性能仿真方法研究》2021.01.10
- 《表2 主要参数设置：一种在轨海上多运动舰船目标检测和跟踪方法》2020.05.15
- 《表1 空调系统参数设置：一种风电消纳场景下的空调负荷建模及调控方法》2020.07.05
- 《表2 不同情况行人数量：一种城市道路场景下行人危险度评估方法》2020.08.25
- 《表6 AP和AR：一种城市道路场景下行人危险度评估方法》2020.08.25
- 《表4 危险度：一种城市道路场景下行人危险度评估方法》2020.08.25
- 《表1 数据集：一种城市道路场景下行人危险度评估方法》2020.08.25
- 《表2 HMM模型评估：一种通用的恶意域名检测集成学习方法》2019.09.25
- 《表4 算法参数设置表：面向卫星电源系统的一种新颖异常检测方法》2019.12.30
- 《表4 各类别特征参数：一种适合城市混合道路行驶工况的构建方法》2019.12.01
- 《表3 主成分载荷矩阵：一种适合城市混合道路行驶工况的构建方法》2019.12.01
- 《表1 模型参数设置：道路监控视频低清人脸重建与识别方法研究》2020.01.01
- 《表1 雷达参数设置：一种基于集成学习的DBN模型分类方法》2019.10.01
- 《表3 模型超参数设置：一种基于双向LSTM的联合学习的中文分词方法》2019.10.01
- 《表2 数据分布统计表：一种新型的城市道路地图匹配方法》2019.06.25
- 《表4 街道抽样最小数量：一种融合移动边缘计算和深度学习的城市街道垃圾检测和清洁度评估方法》2019.04.01
- 《表2 垃圾类别及其权重：一种融合移动边缘计算和深度学习的城市街道垃圾检测和清洁度评估方法》2019.04.01
- 《表5 垃圾加权总数量：一种融合移动边缘计算和深度学习的城市街道垃圾检测和清洁度评估方法》2019.04.01
- 《表3 修正因子λ的值：一种融合移动边缘计算和深度学习的城市街道垃圾检测和清洁度评估方法》2019.04.01
- 《表2 不同模型不同场景下行人疏散总时间》2018.12.01