《表1 巡检样本图像：结构化区域全卷积神经网络的钢轨扣件检测方法》
提示：宽带有限、当前游客访问压缩模式
实验数据来自检测车在全国各有砟、高铁线路采集的轨道巡检图像，用于深度学习网络训练、测试以及SR-FCN检测效果的验证，样本图像组成结构如表1所示。
| 图表编号 | XD00223472000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.11.01 |
| 作者 | 蒋欣兰 |
| 绘制单位 | 中国社会科学院大学计算机教研部、中国社会科学院大学计算社会科学研究中心 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表6 阀门粘滞检测结果：基于全卷积网络的阀门粘滞检测方法》2021.02.25
- 《表4 噪声方差参数设置：基于全卷积网络的阀门粘滞检测方法》2021.02.25
- 《表5 非火焰检测效果：基于定位置信度和区域全卷积网络的火焰检测方法》2020.10.25
- 《表4 火焰检测效果：基于定位置信度和区域全卷积网络的火焰检测方法》2020.10.25
- 《表2 训练数据：基于定位置信度和区域全卷积网络的火焰检测方法》2020.10.25
- 《表3 算法性能对比：基于定位置信度和区域全卷积网络的火焰检测方法》2020.10.25
- 《表1 检测速度对比：基于定位置信度和区域全卷积网络的火焰检测方法》2020.10.25
- 《表3 不同方法的AP值：基于特征融合卷积神经网络的SAR图像目标检测方法》2020.04.01
- 《表4 测试集详细结果：基于深度残差全卷积网络的Landsat 8遥感影像云检测方法》2020.05.25
- 《表1 损伤情况：一种基于卷积神经网络的结构损伤检测方法》2020.04.15
- 《表2 不同算法结果对比：基于深度卷积神经网络的遥感图像目标检测方法》2020.05.25
- 《表1 着色结果定量评估：基于改进的区域全卷积神经网络和联合双边滤波的图像着色方法》2020.06.25
- 《表2 检测耗时比较：基于全卷积网络的叠层薄片条纹检测方法》2020.08.18
- 《表3 小网络结构图：基于候选区域和并行卷积神经网络的行人检测》2019.11.15
- 《表2 大网络结构图：基于候选区域和并行卷积神经网络的行人检测》2019.11.15
- 《表1 AP的检测结果：采用深度卷积神经网络方法的毫米波图像目标检测》2019.10.28
- 《表2 数据集样本大小：基于卷积神经网络的JavaScript恶意代码检测方法》2019.09.15
- 《表1 REM网络结构：CCNet:面向多光谱图像的高速船只检测级联卷积神经网络（英文）》2019.06.01
- 《表2 混淆矩阵：基于全卷积神经网络的林木图像分割》2019.02.15
- 《表3 模型分割结果：基于全卷积神经网络的林木图像分割》2019.02.15