《表1 实验效果比较表：一种基于PCA降维的SIFT算法》
提示：宽带有限、当前游客访问压缩模式
针对不同表情、姿态的变化、遮挡物，比例缩放等因素的影响，以下四组实验展现了效果，如表1所示。
| 图表编号 | XD00212752700 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.12.05 |
| 作者 | 肖璞、殷一鸣 |
| 绘制单位 | 三江学院计算机科学与工程学院、三江学院计算机科学与工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 SIFT算法和改进的PCA-SIFT算法运算时间比较表》2020.12.05
- 《表2 SIFT算法和改进的PCA-SIFT算法的优缺点比较表》2020.12.05
- 《表1 实验统计结果：基于改进的SIFT特征的图像匹配算法研究》2020.08.01
- 《表2 3种方法效果对比：一种基于SIFT-BOW模型的绝缘子图像识别方法》2020.11.25
- 《表1 PCA降维结果：基于PCA-PSO-BP神经网络的管道剩余强度评价》2020.07.20
- 《表1 SIFT和PCA-SIFT比较》2020.05.16
- 《表2 PCA降维对算法的影响》2020.06.01
- 《表2 Robust PCA对CN降维至不同层时算法结果比较》2020.07.01
- 《表1 Robust PCA对CN降维至不同层时算法结果比较》2020.07.01
- 《表2 标准测试函数：基于非线性降维的自然计算方法》2020.08.01
- 《表3 各降维方法的评估：基于分窗Gram-Schmidt高光谱降维的水稻纹枯病检测》2019.12.01
- 《表1 基于PCA算法的特征点降维数据》2019.10.25
- 《表3 人因降维与物因降维的应用》2019.11.01
- 《表2 基于特征变量降维的四唑类化合物分类结果》2019.08.01
- 《表3 基于全谱降维的四唑类化合物分类结果》2019.08.01
- 《表1 网络结构参数表：基于卷积神经网络的SIFT特征描述子降维方法》2019.07.25
- 《表2 改进的PCA降维算法运行时间对比》2019.01.05
- 《表3 PCA主元分析降维的特征数据Tab.3 Feature data of dimensionality reduction using principal component analysis》2019.02.01
- 《表1 实验数据集：一种嵌入样本流形结构与标记相关性的多标记降维算法》2019.01.30
- 《表2 实验结果对比：基于SIFT特征的铁路扣件状态检测算法》2018.11.20