《表4 硬件参数表：轻量级目标识别深度神经网络及其应用》
提示：宽带有限、当前游客访问压缩模式
实验中使用的硬件环境见表4。其中至强CPU共有两块，每块有8个核心，16个逻辑处理器；GPU为1080Ti，每块GPU的显存为11 GB；内存64 GB。
| 图表编号 | XD00150179100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.09.15 |
| 作者 | 付佐毅、周世杰、李顶根 |
| 绘制单位 | 华中科技大学能源与动力工程学院、华中科技大学中欧清洁与可再生能源学院、华中科技大学能源与动力工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 超参数设置：基于深度神经网络Mask R-CNN胆囊癌辅助识别系统临床应用价值研究》2021.03.01
- 《表2 网络模型参数设置：基于混合核深度适配网络的HRRP目标识别》2020.12.01
- 《表1 数据集划分：基于混合核深度适配网络的HRRP目标识别》2020.12.01
- 《表1 轻量级深度网络模型参数规模和计算量》2020.12.20
- 《表2 计算机运算真值：基于轻量级深度神经网络的电磁信号调制识别技术》2020.11.25
- 《表4 交叉验证的准确率：FCNN深度学习模型及其在动物语音识别中的应用》2021.01.01
- 《表2 Cnet模型参数：基于轻量级深度神经网络的环境声音识别》2020.11.10
- 《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6 模型性能对比表：轻量级目标识别深度神经网络及其应用》2020.09.15
- 《表5 各个类别的AP值：轻量级目标识别深度神经网络及其应用》2020.09.15
- 《表2 剪枝网络结构表：轻量级目标识别深度神经网络及其应用》2020.09.15
- 《表1 网络结构示意表：轻量级目标识别深度神经网络及其应用》2020.09.15
- 《表3 网络识别性能评价：用于水声目标信号时频特征提取与识别的深度卷积神经网络》
- 《表4 具体疾病结果：应用卷积神经网络识别花卉及其病症》2019.06.01
- 《表4 多工件的测试结果：深度卷积网络压缩算法在焊缝识别中的应用》2019.03.10
- 《表1 实验环境硬件配置：基于深度学习的无人机侦察图像目标识别》2019.10.10
- 《表1 网络性能比较：应用深度卷积神经网络的机场及机场内飞机目标识别技术》2018.03.15
- 《表3 超参数：基于反残差结构的轻量级多目标检测网络》2019.11.25
- 《表4 浮点运算次数对比：基于反残差结构的轻量级多目标检测网络》2019.11.25
- 《表1 反残差块参数：基于反残差结构的轻量级多目标检测网络》2019.11.25