《表1 特征图与先验框：基于深度学习的安全帽佩戴检测与跟踪》
提示：宽带有限、当前游客访问压缩模式
FPN与anchor box值之间的关系如表1所示，特征图尺度越大，感受野越小，则分配的先验框越小。
| 图表编号 | XD00164193600 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.06.01 |
| 作者 | 秦嘉、曹雪虹、焦良葆 |
| 绘制单位 | 南京工程学院信息与通信工程学院、南京工程学院信息与通信工程学院、南京工程学院信息与通信工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 锚边界框预测值：基于深度学习的电力基建现场安全管控系统》2020.09.25
- 《表2 先验锚框尺寸：复杂场景下基于增强YOLOv3的船舶目标检测》2020.09.10
- 《表1 各检测层先验框尺寸大小》2020.06.15
- 《表1 不同方法性能对比：基于融合先验知识的肺结节深度学习分类方法》2021.03.10
- 《表1 先验锚框尺寸：基于组合式目标检测框架的低漏报率缺陷识别方法》2021.02.28
- 《表1 算法跟踪指标：基于深度学习的行人单目标跟踪》2020.05.15
- 《表1 人脸口罩检测先验框尺寸设置》2020.07.01
- 《表2 测试集各样本数量：基于深度学习的安全帽佩戴检测与跟踪》2020.06.01
- 《表3 各模型检测结果：基于深度学习的安全帽佩戴检测与跟踪》2020.06.01
- 《表3 特征图尺度与先验框》2020.08.10
- 《表2 先验框比较：基于S4-YOLO的海上目标检测识别方法》2020.08.10
- 《表3：基于迁移学习与RetinaNet的口罩佩戴检测的方法》2020.03.01
- 《表2：基于迁移学习与RetinaNet的口罩佩戴检测的方法》2020.03.01
- 《表1：基于迁移学习与RetinaNet的口罩佩戴检测的方法》2020.03.01
- 《表1 特征图与先验框：高铁接触网异物侵入的机器视觉检测方法》2019.11.15
- 《表4 速率对比：基于深度学习的头盔佩戴自动检测》2019.08.18
- 《表2 处理精度对比：基于深度学习的远程激光图像特征动态跟踪》2019.02.25
- 《表3 检验试验结果：基于深度学习的建筑工人安全帽佩戴识别研究》2019.04.25
- 《表1 数据格式：基于深度学习的安全帽检测方法研究》2018.09.01
- 《表2 匹配方法：基于深度学习的安全帽检测方法研究》2018.09.01