《表1 18层深度可分离卷积结构》
提示：宽带有限、当前游客访问压缩模式
18层深度可分离卷积结构如表1所示。表中Conv dw表示深度卷积，尺寸为1×1的Conv表示逐点卷积。
| 图表编号 | XD00162234200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.03.25 |
| 作者 | 吉训生、滕彬 |
| 绘制单位 | 江南大学物联网工程学院、江南大学物联网工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 标准卷积与深度可分离卷积操作测试结果》2020.10.28
- 《表4 深度可分离卷积层对模型性能的影响》2020.07.25
- 《表2 某主线优化方案：基于深度可分离卷积的指静脉识别算法》2020.12.31
- 《表1 拟合结果：基于深度可分离卷积的指静脉识别算法》2020.12.31
- 《表1 基于深度可分离卷积VGG16不同卷积的参数量和计算量》2020.10.20
- 《表1 本文所使用的Mobile Net网络架构(带dw表示采用深度可分离卷积)》2020.11.15
- 《表3 VGG16和ResNet18的卷积层结构》2020.08.25
- 《表1 带有残差结构的深度可分离卷积》2020.07.10
- 《表3 深度可分离卷积在部分测试集上的性能测试结果以及模型大小》2020.07.10
- 《表1 深度可分离卷积循环神经网络配置》2020.09.16
- 《表1 数据增强方式：基于深度可分离卷积与通道裁剪的YOLOv3改进方法》2020.04.15
- 《表1 基于可分离卷积结构的改进卷积神经网络结构》2020.06.10
- 《表2 卷积层2：基于深度卷积生成对抗网络的图像识别算法》2020.04.01
- 《表1 卷积层1：基于深度卷积生成对抗网络的图像识别算法》2020.04.01
- 《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 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 深度卷积神经网络结构（卷积核尺寸与每个卷积层的通道数）》2020.01.10
- 《表3 卷积映射实例表：一种高性能可重构深度卷积神经网络加速器》2019.06.20
- 《表1 网络模型参数量：多通道融合可分离卷积神经网络下的脑部磁共振图像分割》2019.11.16
- 《表2 自建数据集：深度可分离卷积神经网络在自动分拣中的应用》2018.11.01