《表4 超参数分析：基于生成对抗网络的自动细胞核分割半监督学习方法》
提示：宽带有限、当前游客访问压缩模式
分割任务采用多任务学习策略来学习两个超参数λadv和λsemi，并使用Tsemi来控制半监督学习中的敏感度。本节通过设置不同的超参数来分析分割结果，如表4所示。
| 图表编号 | XD00222687600 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.10.10 |
| 作者 | 程凯、王妍、刘剑飞 |
| 绘制单位 | 安徽大学电气工程与自动化学院、安徽大学计算机科学与技术学院、安徽大学电气工程与自动化学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 部分原始性能数据：一种半监督学习的代码自动生成性能评估方法》2021.03.01
- 《表5 词向量聚类结果：一种半监督学习的代码自动生成性能评估方法》2021.03.01
- 《表6 性能特征数值：一种半监督学习的代码自动生成性能评估方法》2021.03.01
- 《表3 4种模型分割结果：基于生成对抗网络与ICNet的羊骨架图像实时语义分割》2021.02.25
- 《表1：基于自监督学习的卷积神经网络在CT图像中的肝脏自动分割研究》2021.01.01
- 《表2 判别器D网络参数：基于生成对抗网络的织物图案生成方法》2020.10.01
- 《表1 生成器G网络参数：基于生成对抗网络的织物图案生成方法》2020.10.01
- 《表1 生成器架构：基于LeakyMish流行正则化半监督生成对抗网络的图像分类模型》2020.06.25
- 《表4 鉴别器架构：基于LeakyMish流行正则化半监督生成对抗网络的图像分类模型》2020.06.25
- 《表2 鉴别器架构：基于LeakyMish流行正则化半监督生成对抗网络的图像分类模型》2020.06.25
- 《表1 训练超参数实验值：基于邻域差分滤波生成式对抗网络的数据增强方法》2020.06.01
- 《表3 不同损失函数结果：基于密集连接的生成对抗网络实现单图像超分辨率方法研究》2020.06.20
- 《表1 损失函数对比：生成对抗网络的单图像超分辨率重建方法》2020.09.01
- 《表2 半监督生成对抗网络精度》2020.04.25
- 《表2 生成器结构参数：基于生成对抗网络的压缩感知图像重构方法》2020.06.10
- 《表5 基于生成对抗网络的MRI脑肿瘤分割方法评估结果》2020.02.16
- 《表1 影像卫星参数：基于生成对抗网络的遥感图像居民区分割》2020.02.20
- 《表7 综合测试结果：一种改进深度卷积生成对抗网络的人脸分割方法》2019.10.25
- 《表6 预设参数：一种改进深度卷积生成对抗网络的人脸分割方法》2019.10.25
- 《表1 分割方法定量评价：多尺度判别条件生成对抗网络的前列腺MRI图像分割方法》2019.09.16