《表2 训练参数：基于级联端对端深度架构的交通标志识别方法》
提示：宽带有限、当前游客访问压缩模式
本文在网络训练时选取的各训练参数如表2所示。
| 图表编号 | XD0036349800 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.04.25 |
| 作者 | 樊星、沈超、徐江、连心雨、刘占文 |
| 绘制单位 | 长安大学信息工程学院、长安大学信息工程学院、长安大学信息工程学院、长安大学信息工程学院、长安大学信息工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 训练环境：基于深度学习的交通标志检测系统仿真》2020.09.15
- 《表1 训练样本分类：基于深度学习的城市轨道交通信号系统入侵检测方法》2021.01.01
- 《表2 训练模型参数：基于深度学习的难分类样本行人检测方法》2020.10.20
- 《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3 对比算法测试结果：基于改进深度卷积生成对抗网络的路面指示标志识别方法》2020.06.28
- 《表1 目标识别数据集：基于改进深度卷积生成对抗网络的路面指示标志识别方法》2020.06.28
- 《表2 测试结果：基于改进深度卷积生成对抗网络的路面指示标志识别方法》2020.06.28
- 《表1 训练参数：基于深度学习的人脸识别算法研究》2020.05.01
- 《表2 模型训练环境：基于深度学习的驾驶员状态识别》2020.02.15
- 《表1 实验参数：基于深度学习的人体动作识别方法》2020.04.16
- 《表1 CNN主要部分：基于小型深度学习架构的肺肿瘤识别研究》2019.12.05
- 《表1 模型验证结果：针对无人车转角输出的端对端方法》2019.12.28
- 《表2 深度学习模型参数：基于深度学习的情报分析方法识别研究——以安全情报领域为例》2019.10.25
- 《表1：融合时空信息的端对端目标跟踪算法》2019.08.28
- 《表1 深度森林的参数：基于深度森林的交通标志识别方法研究》2019.05.25
- 《表2 不同方法对比：基于深度森林的交通标志识别方法研究》2019.05.25
- 《表2 模型训练过程：基于深度神经网络的网络安全实体识别方法》2019.01.30
- 《表2 实验样本数据：基于级联多任务深度学习的卡口识别引擎研究》2019.01.15
- 《表1 实验环境：基于级联多任务深度学习的卡口识别引擎研究》2019.01.15
- 《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