《表2 各个组件的表现：基于轻量级网络的PCB元器件检测》
提示：宽带有限、当前游客访问压缩模式
如表2所示，通过消融实验表现了模型各个部分的重要性，统一通道数可以很大提升检测速度，其他各个组件对mAP的提高有不错的效果。
| 图表编号 | XD00197303400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.10.10 |
| 作者 | 产世兵、刘宁钟、沈家全 |
| 绘制单位 | 南京航空航天大学计算机科学与技术学院、南京航空航天大学计算机科学与技术学院、南京航空航天大学计算机科学与技术学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 入侵检测的准确性：基于布谷鸟搜索算法的网络大数据轻量级入侵检测方法研究》2020.07.15
- 《表3 多种算法测试结果：基于多尺度轻量级卷积网络的PCB裸板缺陷识别算法》2020.10.28
- 《表3 实验结果对比：基于轻量级网络的PCB元器件检测》2020.10.10
- 《表2 验证集检测结果：基于轻量深度学习网络的机房人物检测研究》2021.02.15
- 《表1 验证集检测结果：基于轻量深度学习网络的机房人物检测研究》2021.02.15
- 《表2 计算机运算真值：基于轻量级深度神经网络的电磁信号调制识别技术》2020.11.25
- 《表2 Cnet模型参数：基于轻量级深度神经网络的环境声音识别》2020.11.10
- 《表1 网络结构：基于深度学习的轻量遥感图像车辆检测模型》2020.06.25
- 《表1 开关元器件参数表：基于PCB的数字集群通信系统抗干扰电路设计》2020.07.20
- 《表2 模型的训练时长：基于卷积神经网络特征提取的轻量级包装袋分类模型》2020.08.25
- 《表5 各个类别的AP值：轻量级目标识别深度神经网络及其应用》2020.09.15
- 《表2 瓶颈结构：基于轻量级网络的实时人脸识别算法研究》2020.02.01
- 《表1 器件工作电压：基于神经网络PID的光伏组件清洁装置姿态控制》2020.01.15
- 《表2 滤波器各个参数值：基于TGV的射频无源器件的三维集成》2019.09.20
- 《表2 不同模型性能对比：基于轻量级卷积神经网络的人脸识别方法》2019.03.01
- 《表2 模型参数量：移动GPU上基于轻量级卷积神经网络的道路拥堵检测方法》2019.12.01
- 《表3 超参数：基于反残差结构的轻量级多目标检测网络》2019.11.25
- 《表4 浮点运算次数对比：基于反残差结构的轻量级多目标检测网络》2019.11.25
- 《表2 VOC数据集：基于反残差结构的轻量级多目标检测网络》2019.11.25
- 《表1 反残差块参数：基于反残差结构的轻量级多目标检测网络》2019.11.25