《表2 两种模型检测结果：基于卷积神经网络的农作物叶片病害诊断》
提示：宽带有限、当前游客访问压缩模式
两种网络的识别结果见表2，并对两种网络的Loss函数进行比较，结果见图7。
| 图表编号 | XD00218570200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2021.03.15 |
| 作者 | 朱家辉、苏维均、于重重 |
| 绘制单位 | 北京工商大学、北京工商大学、北京工商大学 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 涡旋检测半径对比：基于深度卷积网络的海洋涡旋检测模型》2020.10.01
- 《表2 SVM分类结果：基于多分类SVM的石榴叶片病害检测方法》2020.09.25
- 《表3 模型对比：基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究》2020.10.15
- 《表2 最优参数：基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究》2020.10.15
- 《表1 数据集分组：基于卷积神经网络的农作物叶片病害诊断》2021.03.15
- 《表4 疲劳检测结果：基于卷积循环神经网络的桃树叶部病害图像识别》2020.12.01
- 《表6 不同模型裁剪结果：基于卷积神经网络的实时车辆检测》2021.03.01
- 《表1 网络结构参数：基于生成对抗网络的农作物叶片病害识别》2020.11.01
- 《表4 各模型准确率对比：基于生成对抗网络的农作物叶片病害识别》2020.11.01
- 《表3 数据扩充详情：基于生成对抗网络的农作物叶片病害识别》2020.11.01
- 《表2 数据集详情：基于生成对抗网络的农作物叶片病害识别》2020.11.01
- 《表1 实验环境表：基于深度学习的农作物病害叶片的图像超分辨率重建》2020.04.30
- 《表1 准确度对比结果：基于多模型卷积神经网络的乳腺癌病理医疗图像良恶性诊断》2020.04.01
- 《表2 模型的识别精度：基于迁移学习的卷积神经网络玉米病害图像识别》2020.02.25
- 《表3 不同识别模型对比：基于深度残差网络的番茄叶片病害识别方法》2019.10.31
- 《表1 农作物病害训练集：基于卷积神经网络的农作物病害识别》2019.06.25
- 《表2 基于不同卷积网络的Faster R-CNN模型检测结果比较》2019.08.10
- 《表2 不同模型比较：基于深度卷积神经网络的铁路接触网鸟窝检测方法研究》2019.07.10
- 《表1 水稻病害特征描述：基于深度卷积神经网络的水稻病害图像识别研究》2019.03.01
- 《表4 网络模型性能比较：农作物图像特征提取技术及其在病害诊断中的应用》2019.04.20