《表2 在CIFAR-100数据集上的性能Table 2Performance on the CIFAR-100 dataset》

《表2 在CIFAR-100数据集上的性能Table 2Performance on the CIFAR-100 dataset》   提示：宽带有限、当前游客访问压缩模式
本系列图表出处文件名：随高清版一同展现
《适用于具有多分类器的卷积神经网络训练方法》


  1. 获取 高清版本忘记账户？点击这里登录
  1. 下载图表忘记账户？点击这里登录

这一部分将使用CIFAR-100数据集训练CDLN-L和CDLN-A，训练方法分别是文献[14]和本文提出的联合训练方法，通过实验结果验证分析本文方法的有效性和优越性.实验结果如表2所示.

图表编号XD002588000    严禁用于非法目的
绘制时间2018.10.10
作者李建更、李立杰、张岩、王朋飞、左国玉
绘制单位北京工业大学信息学部、计算智能与智能系统北京市重点实验室、北京工业大学信息学部、计算智能与智能系统北京市重点实验室、北京工业大学信息学部、计算智能与智能系统北京市重点实验室、北京工业大学信息学部、计算智能与智能系统北京市重点实验室、北京工业大学信息学部、计算智能与智能系统北京市重点实验室
更多格式高清、无水印（增值服务）

相关图表

  1. 《表2 CIFAR100数据集物体识别结果对比表》2021.02.01
  2. 《表2 两个模型在CIFAR-10和CIFAR100的准确率》2020.12.01
  3. 《表4 不同尺度的模型在CIFAR-100上的准确率比较》2020.12.01
  4. 《表3 不同深度的模型在CIFAR-100上的准确率比较》2020.12.01
  5. 《表3 在Cifar100中各种算法的错误率（单位：%）》2020.10.15
  6. 《表1 CIFAR-100数据集上本文方法的mAP（%）比较》2020.05.16
  7. 《表2 网络模型在CIFAR-100测试的结果》2020.03.01
  8. 《表3 CIFAR100数据集的测试正确率》2020.01.01
  9. 《表3 模型在CIFAR10和CIFAR100上的分类错误率》2020.01.01
  10. 《表1 Cifar100-6000数据集上的分类准确率对比》2019.12.01
  11. 《表2 CIFAR-100数据集和其他方法的mAP对比》2019.10.01
  12. 《表1 CIFAR-100数据集的mAP对比》2019.10.01
  13. 《表3 CIFAR-100数据集表现》2019.09.30
  14. 《表8 在Cifar100数据集上的小样本分类精度》2019.09.16
  15. 《表3 三种剪枝准则在CIFAR-100上的实验结果对比》2019.09.01
  16. 《Table 3 Classification accuracies on multiple feature dataset (Mean±Std) 表3在Multiple feature数据集上的分类准确率 (均值±方差)》2019.03.01
  17. 《表3 不同算法在各数据集上的精度比较 (集成规模=40) Table 3 Accuracy values of the different algorithms on datasets (ensemble size=40)》2018.08.01
  18. 《表2 不同算法在各数据集上的精度比较 (集成规模=10) Table 2 Accuracy values of the different algorithms on datasets (ensemble size=10)》2018.08.01
  19. 《表2 不同算法在数据集2上的性能Table 2 The performance on dataset 2》2018.08.01
  20. 《表3 在Pascal Voc数据集上的性能Table 3 Performance on the Pascal Voc dataset》2018.10.10

随机翻阅

《表1 瓦斯突出煤体的测井曲线幅值特征》 《表2 新能源汽车产量影响因素相关性分析》 《表3 方差分析结果：角窗塑件注射压缩成型工艺数值模拟研究》 《表2 寰枢椎脱位的诊断标准》 《表2 咨询问题涉及药品分类[例(%)，n=2 439]》 《表3 纯概念研究类旅游文献情况表》 《表4 八角花的生长发育期》 《表2 变桨轴承的安全系数》 《表2 左上颌中切牙各测量指标及定义》 《表1 安卓端的数据存储表》