《表2 鲁棒性评估：TA2NN：一种基于自编码的B超乳腺肿瘤识别神经网络模型》
提示：宽带有限、当前游客访问压缩模式
本系列图表出处文件名：随高清版一同展现
《TA2NN：一种基于自编码的B超乳腺肿瘤识别神经网络模型》
对测试集中的样本加上不同程度的瑞利噪声，接着根据模型的准确度来评估其抗噪能力。实验结果如表2所示。
| 图表编号 | XD00174767100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.05.15 |
| 作者 | 孔德仕 |
| 绘制单位 | 四川大学计算机学院 |
| 更多格式 | 高清、无水印（增值服务） |
提示：宽带有限、当前游客访问压缩模式
相关图表
- 《表2 识别率与用时对比：复杂光照条件下的多姿状鲁棒性人脸识别方法》2021.02.25
- 《表1 PMSM参数：一种提高鲁棒性的模型预测电流控制》2021.02.20
- 《表1 准确度评估：TA2NN：一种基于自编码的B超乳腺肿瘤识别神经网络模型》2020.05.15
- 《表2 鲁棒性评估算法的比较分析》2020.05.01
- 《表6 鲁棒性评估指标值：局部系泊失效下的TLP平台鲁棒性评估方法研究》2020.07.15
- 《表7 鲁棒性评估结果：局部系泊失效下的TLP平台鲁棒性评估方法研究》2020.07.15
- 《表5 计算结果：基于不确定需求的公共交通网络鲁棒性优化方法》2020.07.05
- 《表3 无量纲权重值设置：基于不确定需求的公共交通网络鲁棒性优化方法》2020.07.05
- 《表4 算法参数取值：基于不确定需求的公共交通网络鲁棒性优化方法》2020.07.05
- 《表2 客运需求信息：基于不确定需求的公共交通网络鲁棒性优化方法》2020.07.05
- 《表1 鲁棒性测试：基于深度残差网络的医学图像鲁棒可逆水印算法》2020.05.01
- 《表4 网络超参值：一种基于CNN与LSTM结合的微表情识别算法》2020.01.28
- 《表1 Fi与ki对比：基于PCNC的航路网络拓扑结构鲁棒性优化》2019.12.01
- 《表3 关键节点数据：基于PCNC的航路网络拓扑结构鲁棒性优化》2019.12.01
- 《表2 NC值分析鲁棒性：基于Harris特征区域的DC系数自适应水印算法》2019.11.20
- 《表4 鲁棒性评价结果：数控机床热误差预测模型的评估方法》2019.01.01
- 《表4 鲁棒性评价结果：数控机床热误差预测模型的评估方法》2019.01.01
- 《表2 不同害虫识别方法的鲁棒性对比结果》2019.05.25
- 《表4 鲁棒性测试：一种基于LWT和混沌加密的音频水印算法》2018.03.20
- 《表5 鲁棒性验证数据集：基于BP神经网络的GNSS-R海面风速反演》2019.12.25