《表3 网络模型分解实验结果对比》

提取 ⇩
《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
《基于Faster R-CNN的多尺度高压塔鸟巢检测》

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.

  1. 保存图表

查看“表3 网络模型分解实验结果对比”的人还看了

表3 采用FL函数或DFL函数的Faster R-CNN模型和微调后的Faster R-CNN模型的检测性能对比
表3 采用FL函数或DFL函数的Faster R-CNN模型和微调后的Faster R-CNN模型的检测性能对比
基于动态焦点损失函数和样本平衡方法的绝缘子缺陷检测方法
表1 多尺度卷积神经网络模型参数设置
表1 多尺度卷积神经网络模型参数设置
多尺度特征融合与极限学习机结合的交通标志识别
表2 CNN网络模型结构参数
表2 CNN网络模型结构参数
基于CDAE与CNN的滚动轴承故障诊断方法
表2 识别精度:基于卷积神经网络模型Faster R-CNN的遥感影像目标识别研究
表2 识别精度:基于卷积神经网络模型Faster R-CNN的遥感影像目标识别研究
基于卷积神经网络模型Faster R-CNN的遥感影像目标识别研究
表2 原始Faster R-CNN模型检测结果
表2 原始Faster R-CNN模型检测结果
改进Faster R-CNN算法及其在车辆检测中的应用
表2 网络模型分解实验结果对比
表2 网络模型分解实验结果对比
基于Faster R-CNN的铁路接触网鸟巢检测