《表2 检测耗时比较：基于全卷积网络的叠层薄片条纹检测方法》
提示：宽带有限、当前游客访问压缩模式
4种方法检测分辨率为3840像素×1000像素薄片图像的耗时均值分别统计于表2中。本文方法（GPU）耗时最短，可满足快速测量需求。
| 图表编号 | XD00149313000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.08.18 |
| 作者 | 赵宏、曹三、肖昌炎 |
| 绘制单位 | 湖南大学电气与信息工程学院、湖南大学电气与信息工程学院、湖南大学电气与信息工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 巡检样本图像：结构化区域全卷积神经网络的钢轨扣件检测方法》2020.11.01
- 《表6 阀门粘滞检测结果：基于全卷积网络的阀门粘滞检测方法》2021.02.25
- 《表4 噪声方差参数设置：基于全卷积网络的阀门粘滞检测方法》2021.02.25
- 《表2 正交因素水平表：基于字符级扩张卷积网络的Web攻击检测方法》2020.12.31
- 《表1 各位置空气龄：基于U型全卷积神经网络的路面裂缝检测》2020.12.15
- 《表1 检测速度对比：基于定位置信度和区域全卷积网络的火焰检测方法》2020.10.25
- 《表5 非火焰检测效果：基于定位置信度和区域全卷积网络的火焰检测方法》2020.10.25
- 《表4 火焰检测效果：基于定位置信度和区域全卷积网络的火焰检测方法》2020.10.25
- 《表2 训练数据：基于定位置信度和区域全卷积网络的火焰检测方法》2020.10.25
- 《表3 算法性能对比：基于定位置信度和区域全卷积网络的火焰检测方法》2020.10.25
- 《表1 软硬件配置表：基于全卷积神经网络的车道线检测》2020.06.01
- 《表2 SPPS模块比较：基于全卷积神经网络的车道线检测》2020.06.01
- 《表4 测试集详细结果：基于深度残差全卷积网络的Landsat 8遥感影像云检测方法》2020.05.25
- 《表2 网络性能指标对比：基于轻量化YOLOv3卷积神经网络的苹果检测方法》2020.08.25
- 《表3 算法性能效果对比：基于全卷积神经网络的多尺度人脸检测》2019.10.25
- 《表2 3种算法效果对比：基于全卷积神经网络的多尺度人脸检测》2019.10.25
- 《表2 数据集样本大小：基于卷积神经网络的JavaScript恶意代码检测方法》2019.09.15
- 《表4 不同方法比较：基于深度卷积神经网络的铁路接触网鸟窝检测方法研究》2019.07.10
- 《表2 不同模型比较：基于深度卷积神经网络的铁路接触网鸟窝检测方法研究》2019.07.10
- 《表1 卷积神经网络参数：基于跨连接卷积神经网络的绝缘子检测方法》2019.02.25