《表5 模型识别准确率：基于深度残差的多特征多粒度农业病虫害识别研究》
提示：宽带有限、当前游客访问压缩模式
表4显示了试验中硬件消耗的3种模型，其中Alex Net每次输入使用128个图像，resnet-50和resnet-101每次使用8个输入（表5）。
| 图表编号 | XD00221478300 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.08.25 |
| 作者 | 李艳红、樊同科 |
| 绘制单位 | 西安外事学院、西安外事学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 模型的分类性能：基于深度学习的大豆豆荚类别识别研究》2020.11.12
- 《表2 试验条件设置：基于深度残差的多特征多粒度农业病虫害识别研究》2020.08.25
- 《表3 模型识别准确率：基于深度残差的多特征多粒度农业病虫害识别研究》2020.08.25
- 《表1 病虫害种类：基于深度残差的多特征多粒度农业病虫害识别研究》2020.08.25
- 《表4 硬件消耗：基于深度残差的多特征多粒度农业病虫害识别研究》2020.08.25
- 《表5 基于深度学习的人体姿态识别模型汇总》2021.02.01
- 《表2 模型训练正确率：基于深度学习的ELM实时识别研究》2020.12.15
- 《表5 误识别率统计结果：基于深度学习的人脸识别算法研究》2020.05.01
- 《表3 各模型测试准确率：基于多层EESP深度学习模型的农作物病虫害识别方法》2020.08.25
- 《表1 违章识别准确率：基于深度神经网络的驾驶员违章行为识别方法》2020.04.01
- 《表2 深度森林故障识别模型预测类别对真实类别的识别准确率》2020.06.25
- 《表2 实验主要软件环境：基于多特征融合的意图识别算法研究》2020.07.25
- 《表1 实验硬件环境：基于多特征融合的意图识别算法研究》2020.07.25
- 《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2 试验数据库：基于深度残差网络的番茄叶片病害识别方法》2019.10.31
- 《表1 网络参数：基于深度残差网络的番茄叶片病害识别方法》2019.10.31
- 《表2 实体数量统计：基于深度学习和多特征融合的中文电子病历实体识别研究》2019.11.30
- 《表1 残差网络结构：基于深度残差网络的有色金属破碎料视觉识别方法》2019.08.25
- 《表5 分类准确率：基于智能手机感知的人体运动状态深度识别》2019.06.01
- 《表2 训练及识别时间：基于深度神经网络的说话人识别模型研究》2018.10.01