《表3 网络模型分解实验结果对比》

《表3 网络模型分解实验结果对比》图表

《表3 网络模型分解实验结果对比》
注释:“√”代表使用此方法,“×”代表不使用此方法
预计下载耗时:<2秒

图表说明及下载

基于Faster R-CNN的多尺度高压塔鸟巢检测中,为了进一步验证本文方法的检测性能,在目标数据集上额外进行了网络模型分解实验,具体分析了本文提出的多种网络设计方法对检测结果的影响.表3为网络模型分解实验结果对比.

公告:考虑到大家可能需要图表高清原图或出处原文整套的PDF,但由于获取多是收费渠道,为方便大家博主会在收到相关邮箱留言求助后帮忙获取分享给大家免费下载。

  1. 下载图表

相关图表整理

  1. 《表1 本文提出的ResNet-26具体网络参数》 本文在传统ResNet的基础上,结合车辆图片的特点,尝试改进残差结构,减少网络层数,提高计算速度和车型识别精度,提出了一种改进的深度残差网络结构,具体参数如表1所示. …[研究主题:结合运动目标检测和ResNet的车速车型智能识别 2019.10.01 原文格式:PDF]
  2. 《表3 总体预测实验结果对比》 在真实的价格数据集上实验并与基本模型进行对比,表3给出了本模型与4种对比模型进行总体预测实验时在测试集上MAE和MAPE的结果,同时也给出了模型自身只利用时间片而未加入外部 …[研究主题:基于卷积神经网络的机票低价预测 2019.10.01 原文格式:PDF]
  3. 《表1 鸟巢检测结果分类:基于Faster R-CNN的多尺度高压塔鸟巢检测》 为了减小图像中高压塔矩形框之外的复杂背景对鸟巢检测结果的影响,如表1所示,对本文方法的检测结果进行了分类判断,通过剔除高压塔矩形框之外的鸟巢检测结果,可以有效降低鸟巢误 …[研究主题:基于Faster R-CNN的多尺度高压塔鸟巢检测 2019.10.01 原文格式:PDF]
  4. 《表1 外部因素设计:基于卷积神经网络的机票低价预测》 机票价格不仅自身存在规律,同时还受到很多外部因素的影响,如航空公司因素、航线因素、航班时间相关因素等多方面的有价值信息.所以,本模型综合考虑了表1所列的外部因素特征信息. …[研究主题:基于卷积神经网络的机票低价预测 2019.10.01 原文格式:PDF]
  5. 《表2 回归模型特征:基于卷积神经网络的机票低价预测》 针对上述回归方法,利用已知数据及相关信息从航班的时间信息、地理信息、近期数据特点、周期性数据特点等多方面设计了如表2所示共计62维特征. …[研究主题:基于卷积神经网络的机票低价预测 2019.10.01 原文格式:PDF]