《表1 各位置空气龄：基于U型全卷积神经网络的路面裂缝检测》
提示：宽带有限、当前游客访问压缩模式
根据式（4）和式（5），得到密集连接部分的感受野如表1所示，其中RF current和RF stacking分别代表当前层感受野和堆叠后的感受野。
| 图表编号 | XD00189534500 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.12.15 |
| 作者 | 陈涵深、姚明海、瞿心昱 |
| 绘制单位 | 浙江工业大学信息工程学院、浙江交通职业技术学院、浙江工业大学信息工程学院、浙江交通职业技术学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 U-Net网络各层卷积核大小及通道数》2020.09.01
- 《表4 卷积神经网络参数：基于卷积神经网络的路面识别及半主动悬架控制》2020.08.01
- 《表3 网络训练所用硬件：基于卷积神经网络的路面识别及半主动悬架控制》2020.08.01
- 《表5 被动悬架参数表：基于卷积神经网络的路面识别及半主动悬架控制》2020.08.01
- 《表2 图像处理参数表：基于卷积神经网络的路面识别及半主动悬架控制》2020.08.01
- 《表1 网络状况度量指标：基于时域卷积神经网络的网络异常检测》2021.03.10
- 《表1 各方案性能分析：基于卷积神经网络的铁氧体零件裂缝检测》2020.11.16
- 《表2 检测不合格数据：卷积神经网络在道路裂缝检测中的应用》2021.02.18
- 《表1 测试样例评价指标：基于U-Net卷积神经网络的轮毂缺陷分割》2020.04.25
- 《表3 对比算法测试结果：基于改进深度卷积生成对抗网络的路面指示标志识别方法》2020.06.28
- 《表1 目标识别数据集：基于改进深度卷积生成对抗网络的路面指示标志识别方法》2020.06.28
- 《表2 测试结果：基于改进深度卷积生成对抗网络的路面指示标志识别方法》2020.06.28
- 《表5 U型全卷积神经网络模型水质分类结果混淆矩阵（数据集2)》2020.03.01
- 《表3 U型全卷积神经网络模型水质分类结果混淆矩阵（数据集1)》2020.03.01
- 《表1 网络各层结构信息：基于卷积神经网络的RGB-D SLAM回环检测研究》2019.11.20
- 《表1 网络结构参数：铁路桥梁裂缝位置识别与目标检测方法探讨》2019.10.01
- 《表2 裂缝标签对应表：基于改进的全卷积神经网络的路面裂缝分割技术》2019.08.15
- 《表1 中心位置误差：基于正则化卷积神经网络的目标跟踪算法》2019.06.25
- 《表2 平均耗时对比：基于U-Net卷积神经网络的纳米颗粒分割》2019.03.25
- 《表1 卷积神经网络参数：基于跨连接卷积神经网络的绝缘子检测方法》2019.02.25