《表1 实验环境表：基于深度学习的农作物病害叶片的图像超分辨率重建》
提示：宽带有限、当前游客访问压缩模式
实验采用pytorch作为深度学习框架，使用GPU对处理过程加速，实验所用到的软硬件环境如表1所示。
| 图表编号 | XD00160174000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.04.30 |
| 作者 | 代强、乔焰、程曦、朱诚 |
| 绘制单位 | 安徽农业大学信息与计算机学院、安徽农业大学信息与计算机学院、安徽农业大学信息与计算机学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 重建图像质量评估：Raw格式岩心图像超分辨率重建》2020.10.10
- 《表1 客观指标评价结果：基于深度学习与超分辨率重建的遥感高时空融合方法》2020.09.01
- 《表1 检测方案效果比较：基于深度学习和超分辨率重构技术的图像缺陷诊断算法》2020.06.01
- 《表1 残差学习实验：功能型复合深度网络的图像超分辨率重建》2020.08.01
- 《表1 先进方法概述：基于轻量自动残差缩放网络的图像超分辨率重建》2020.05.10
- 《表2 实验环境：基于深度学习的轻量遥感图像车辆检测模型》2020.06.25
- 《表1 参数设置：预训练网络引导的人脸图像超分辨率重建》2020.06.25
- 《表1：峰值信噪比数据表：基于深度学习的模糊图像超分辨率重建方法》2020.06.15
- 《表1 实验环境参数：基于残差通道注意力网络的医学图像超分辨率重建方法》2020.01.25
- 《表2 不同算法实验结果：一种基于齿科序列图像的超分辨率重建算法》2020.01.01
- 《表2 实验环境配置：基于深度学习的单幅图像三维重建算法》2020.01.01
- 《表1 MOS标准：基于彩色化的色度图像超分辨率重建算法研究》2019.10.01
- 《表3 实验环境配置：用于图像超分辨率重构的深度学习方法综述》2019.09.01
- 《表1 MOS标准：基于彩色化的色度图像超分辨率重建算法研究》2019.09.30
- 《表1 模型简化测试：多阶段融合网络的图像超分辨率重建》2019.08.16
- 《表1 实验环境配置：基于深度学习的复杂背景雷达图像多目标检测》2019.06.01
- 《表5 超分辨率重建鱼群图像的客观评价》2018.12.01
- 《表3 超分辨率重建条纹图像的客观评价》2018.12.01
- 《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 实验环境：一种基于深度学习的图像超分辨率重构方法》2019.11.01