《表3 网络模型分解实验结果对比》
提取 ⇩
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．
| 图表编号 | B1666611666 |
|---|---|
| 出版时间 | 2019.10.01 |
| 作者 | 王纪武、罗海保、鱼鹏飞、郑乐乐、胡方全 |
| 研究主题 | 基于Faster R-CNN的多尺度高压塔鸟巢检测 |
| 出版单位 | 北京交通大学机械与电子控制工程学院、北京交通大学机械与电子控制工程学院、北京交通大学机械与电子控制工程学院、北京交通大学机械与电子控制工程学院、北京交通大学机械与电子控制工程学院 |
| 更多格式 | JPG/无水印（增值服务） |
| 定制格式 | Excel格式（增值服务） |
传媒
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
- 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
- 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
- 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
- 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
- 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
- 基于Faster R-CNN的铁路接触网鸟巢检测