《表3 基于Zynq-7000的CNN算法延迟性能评价表》
提示：宽带有限、当前游客访问压缩模式
本文算法分析了CNN算法在系统延迟方面的性能，系统延迟可较好的反应算法的处理速度，基于Zynq-7000的CNN算法延迟性能评价表如表3所示。
| 图表编号 | XD00217699600 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2021.01.14 |
| 作者 | 马志方 |
| 绘制单位 | 中铁第五勘察设计院集团有限公司 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 矿石分类结果比较：基于PSO-Faster R-CNN改进算法的矿石识别分类研究》2021.02.25
- 《表3 基于Faster R-CNN算法的胶衣缺陷检测的m AP值》2021.02.20
- 《表3 片段预测混淆矩阵：基于LSTM-CNN的睡眠呼吸暂停与低通气事件实时检测算法研究》2020.06.20
- 《表3 不同方法对比：基于改进Faster R-CNN算法的两轮车视频检测》2020.05.01
- 《表3 训练时间：基于CNN-GRU模型的道岔故障诊断算法研究》2020.07.15
- 《表1 仿真参数：大规模MIMO系统中基于CNN的延迟CSI反馈改进算法》2020.07.28
- 《表3 网络参数设置：基于Faster R-CNN算法的探地雷达管线目标智能识别》2020.06.30
- 《表3 网络参数设置：基于Faster R-CNN算法的探地雷达管线目标智能识别》2020.06.30
- 《表3 算法性能对比：动态无线传感网中低延迟高可靠的数据查询机制》2020.03.01
- 《表1 算法性能对比：一种基于CNN迁移学习的井下烟、火智能感知预警系统》2020.03.15
- 《表1 肺结节评价标准：基于改进Faster R-CNN和3D DCNN的肺结节检测算法》2019.11.01
- 《表3 算法结果对比：一种基于3D-CNN的微表情识别算法》2019.10.28
- 《表2 FPGA资源耗费：基于Zynq7000 FPGA异构平台的YOLOv2加速器设计与实现》2019.10.01
- 《表5 与CPU的比较：基于Zynq7000 FPGA异构平台的YOLOv2加速器设计与实现》2019.10.01
- 《表1 资源耗费比较：基于Zynq7000 FPGA异构平台的YOLOv2加速器设计与实现》2019.10.01
- 《表2 TC＿CNN与其他算法的性能对比》2019.02.16
- 《表1 改进GPF的姿态估计算法ZYNQ-7000资源利用情况》2019.02.01
- 《表3 基于批归一化参数聚类的CNN集成算法》2018.06.25
- 《表1 幅值要求：ZYNQ-7000处理器的高速字符喷印系统设计》2018.12.01
- 《表3 改进前后数据对比：基于改进Faster R-CNN的自然场景文字检测算法》2019.12.01