《表1 CNN方法性能比较》
提示：宽带有限、当前游客访问压缩模式
这两种方法都想到利用LTSM网络。实验结果证明，将LSTM网络和卷积神经网络结合对视频类的微表情识别有较好的效果，如表1所示[44-45]。
| 图表编号 | XD00197440700 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2021.01.01 |
| 作者 | 张人、何宁 |
| 绘制单位 | 北京联合大学北京市信息服务工程重点实验室、北京联合大学智慧城市学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 分类结果性能比较：基于CNN和BiGRU-Attention模型的心律异常判别研究》2021.02.01
- 《表4 拉伸性能试验结果：基于VMD与CNN的滚动轴承故障诊断方法》2020.12.01
- 《表1 CNN模型与两种机器学习方法的性能比较(%)》2020.07.30
- 《表2 不同模型性能对比：基于Faster R-CNN的服装目标检测改进方法》2020.04.15
- 《表1 本文方法与Faster R-CNN在CTSD中的检测性能》2020.07.24
- 《表1 3种方法结果比较：基于CNN和图像深度特征的雏鸡性别自动鉴别方法》2020.06.25
- 《表2 不同CNN模型下的性能比较》2020.07.30
- 《表1 Faster R-CNN、SSD与FCOS性能比较》2020.07.15
- 《表1 经典CNN与基于部分DCT的CNN的性能比较》2020.07.10
- 《表1 Faster R-CNN算法性能比较》2020.03.25
- 《表4 模型性能对比试验：基于Cascade R-CNN的铁路路基翻浆冒泥病害智能识别方法》2019.12.20
- 《表2 模型的准确率比较：基于数据融合的CNN方法用于人体活动识别》2020.02.16
- 《表6 CNN+Bi-LSTM与其它文献方法比较》2020.02.16
- 《表5 各方法性能比较：基于CNN和RNN联合网络的心音自动分类》2020.01.16
- 《表1 CNN、NN和SVM分类方法比较》2019.09.01
- 《表1 拟比对CNN、CNN与BLAST方法的全局相似度比较》2019.04.01
- 《表2 拟比对CNN、CNN与BLAST方法的计算时间比较》2019.04.01
- 《表2 CNN-CSO算法与常见预测方法结果比较》2019.02.25
- 《表3 UCF101和HMDB51数据集上本文方法与CNN方法比较》2019.01.01
- 《表1 实现结果比较：一种基于CNN与双向LSTM融合的文本情感分类方法》2019.12.01