《表2 三种目标检测算法综合识别性能对比》
提示：宽带有限、当前游客访问压缩模式
在原始YOLO算法对细胞检测识别率低的情况下，提出的最新改进后网络结构YOLO-Dense在8 000迭代时，模型得到其最优性能。其中测试集检测结果如表1、表2所示。
| 图表编号 | XD00163032300 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.07.15 |
| 作者 | 徐晓涛、孙亚东、章军 |
| 绘制单位 | 安徽大学电气工程与自动化学院、安徽大学电气工程与自动化学院、安徽大学电气工程与自动化学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 测试集结果对比：深度学习目标检测算法在货运列车车钩识别中的应用》2020.10.01
- 《表9 目标检测算法性能对比》2021.03.15
- 《表2 与其他目标检测算法的性能对比》2020.12.01
- 《表2 各算法针对小目标的检测性能对比》2020.12.05
- 《表2 三种用于机场跑道异物检测算法性能指标对比》2020.05.01
- 《表1 目标检测算法检测性能对比》2020.05.01
- 《表1 三种目标检测算法识别精度对比（AP)》2020.07.15
- 《表3 三种检测算法性能对比》2020.05.25
- 《表5 三种算法性能对比：基于HOG特征与手部多特征信息融合的静态手势识别》2020.08.25
- 《表5 各算法的性能比较：大视场域的目标检测与识别算法综述》2020.06.25
- 《表3 各算法的性能比较：大视场域的目标检测与识别算法综述》2020.06.25
- 《表2 各算法的性能比较：大视场域的目标检测与识别算法综述》2020.06.25
- 《表1 各算法的性能比较：大视场域的目标检测与识别算法综述》2020.06.25
- 《表4 检测结果对比表：基于Faster R-CNN算法的探地雷达管线目标智能识别》2020.06.30
- 《表1 三种算法离群点检测性能对比结果》2019.10.20
- 《表2 实验性能对比：基于改进ViBe的穿墙雷达动目标检测算法》2019.08.01
- 《表2 海缆区界目标融合检测算法性能对比》2019.08.01
- 《表3 三种算法的模糊检测精度和性能对比》2019.04.01
- 《表1 几种算法性能对比：基于增量学习的合成孔径雷达目标识别算法》2019.01.01
- 《表1 三种不同算法对目标的识别率》2018.11.30