《表3 实时性能的比较：使用多任务级联卷积神经网络进行车牌照识别》
提示：宽带有限、当前游客访问压缩模式
被评估的4种算法的速度，见表3，可以发现，CN-LPRNet处理单张图片的平均时间仅需243 ms，相较其他3种算法有更好的实时性，在实际应用中有很明显的优势。
| 图表编号 | XD0039409200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.02.01 |
| 作者 | 胡从坤、黄东军 |
| 绘制单位 | 中南大学信息科学与工程学院、中南大学信息科学与工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 教学项目及任务：基于卷积门控循环网络的居民出行模式识别》2020.12.30
- 《表4 多尺度预测结果：基于卷积神经网络的实时车辆检测》2021.03.01
- 《表1 模型性能比较：基于卷积神经网络的电网变压器铭牌识别技术研究》2020.07.25
- 《表3 两种网络性能比较：基于PID和深度卷积神经网络的辐射源识别方法》2020.07.01
- 《表1 资源使用情况：基于FPGA的多卷积神经网络任务实时切换方法》2020.03.30
- 《表7 对比算法结果：基于卷积神经网络的雷达人体动作与身份多任务识别》2020.01.25
- 《表1 算法性能对比：基于神经网络和图像识别的车牌识别技术》2020.01.20
- 《表2 卷积资源占用：基于FPGA动态重构的快速车牌识别系统》2019.12.20
- 《表2 基于多任务学习的卷积神经网络模型中的参数设置》2019.08.01
- 《表6 与相关工作比较：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4 CCNet性能：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4 车辆检测性能对比：基于卷积神经网络的多目标实时检测》2019.04.16
- 《表3 行人检测性能对比：基于卷积神经网络的多目标实时检测》2019.04.16
- 《表1 Res13的结构：使用多任务级联卷积神经网络进行车牌照识别》2019.02.01
- 《表1 多任务学习卷积神经网络结构》2019.01.01
- 《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3 肿瘤分割结果比较：基于级联式三维卷积神经网络的肝肿瘤自动分割》2019.11.25
- 《表1 网络性能比较：应用深度卷积神经网络的机场及机场内飞机目标识别技术》2018.03.15