《表2 不同方法在CIFAR-10数据集上的分类精度》
提示：宽带有限、当前游客访问压缩模式
为验证本文改进卷积神经网络具有很好的分类能力，在CIFAR-10数据集上将本文方法与近几年具有代表性的方法进行比较，分类结果如表2所示。
| 图表编号 | XD0090169000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.08.01 |
| 作者 | 刘金利、张培玲 |
| 绘制单位 | 河南理工大学电气工程与自动化学院、河南理工大学物理与电子信息学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 不同的零样本分类方法在数据集上的正确率比较》2021.01.16
- 《表2 以MAP和Precision@top100作为评估标准,在CIFAR-10数据集上不同哈希方法的对比结果》2021.02.20
- 《表2 不同方法在USPS数据集上的分类错误率》2021.02.15
- 《表3 不同的人脸属性识别方法在不同数据集上的属性识别精度》2020.11.16
- 《表1 在CIFAR-10数据集上的线性扫描时间》2020.08.05
- 《表1 各种哈希算法在CIFAR-10数据集上的m AP值》2020.07.16
- 《表4 各算法与卷积LLN在CIFAR-10数据集上的性能比较》2020.05.01
- 《表3 基分类模型在均衡数据集上的分类精度》2020.07.25
- 《表3 不同搜索策略在CIFAR-10数据集上的分类结果和搜索时间比较》2020.09.01
- 《表2 不同方法在Pavia University数据集上的分类结果》2020.06.25
- 《表2 不同检测方法在机场数据集上的精度对比》2020.02.15
- 《表2 变异阈值取不同值时CS-ACFPA-MELM模型在10个数据集上的分类精度》2020.01.01
- 《表2 不同方法在3个数据集上的分类准确率比较》2019.12.01
- 《表2 不同的分类器对不同特征提取算法在Pavia University数据集上的最高总体分类精度（OA±std)》2019.10.15
- 《表1 不同的分类器对不同特征提取算法在Indian Pines数据集上的最高总体分类精度(OA±std)》2019.10.15
- 《表3 各模型在数据集上的分类精度》2019.09.30
- 《表2 在Omniglot数据集上的小样本分类精度》2019.09.16
- 《表4 不同方法在Indian Pines数据集上的分类精度》2019.05.10
- 《表3 各网络在Cifar10数据集上的分类正确率》2019.03.01
- 《表3 各分类方法在UC Merced land-use数据集上的分类精度》2019.12.05