《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》
提示：宽带有限、当前游客访问压缩模式
将其性能与目前常用车辆检测算法性能对比，结果见表4。
| 图表编号 | XD0040531900 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.04.16 |
| 作者 | 刘志成、祝永新、汪辉、田犁、封松林 |
| 绘制单位 | 中国科学院上海高等研究院、中国科学院大学电子电气与通信工程学院、中国科学院上海高等研究院、中国科学院上海高等研究院、中国科学院上海高等研究院、中国科学院上海高等研究院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表6 不同模型裁剪结果：基于卷积神经网络的实时车辆检测》2021.03.01
- 《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4 空洞卷积实验结果：基于改进Cascade RCNN的车辆目标检测方法》2021.03.01
- 《表3 算法性能对比：基于YOLOv5网络模型的人员口罩佩戴实时检测》2021.02.25
- 《表2 仿真环境参数：基于深度时空卷积神经网络的点目标检测（英文）》2021.02.01
- 《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4 结果对比：基于卷积神经网络和XGBoost的摔倒检测》2020.08.25
- 《表1 目标检测网络结构：基于浅层卷积神经网络的实时视频通信隐私保护研究》2020.03.15
- 《表4 为目标检测准确率：基于信息融合的城市自主车辆实时目标识别》2020.06.20
- 《表1 实验数据集：基于深度卷积神经网络的舰载机目标检测》2020.05.10
- 《表5 算法对比：一种卷积神经网络的车辆和行人检测算法》2020.04.25
- 《表2 不同网络的性能：融合全卷积神经网络和视觉显著性的红外小目标检测》2020.07.01
- 《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2 网络性能指标对比：基于轻量化YOLOv3卷积神经网络的苹果检测方法》2020.08.25
- 《表1 性能指标对比：基于卷积神经网络的环视车位检测研究》2020.02.25
- 《表2 反卷积效果对比：基于改进SSD算法的实时交通标示牌检测》2020.01.01
- 《表3 算法性能效果对比：基于全卷积神经网络的多尺度人脸检测》2019.10.25
- 《表2 3种算法效果对比：基于全卷积神经网络的多尺度人脸检测》2019.10.25
- 《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3 特征提取模型性能：雷达海上目标双通道卷积神经网络特征融合智能检测方法》2019.10.01