- 文本
- 历史
5. ResultsIn our experimental evalu
5. Results
In our experimental evaluation of our neural network,both training and testing were done on a Linux PC with an Intel Xeon E5-1620 CPU, two NVIDIA Tesla K20 G-
PUs and 32GB memory. For 10000 panoramas containing traffic-signs, we separated them into a training set and a testing set (as explained in the released benchmark), with about 2:1 ratio to give the deep learning methods plenty of training samples. The other 90000 panoramas were included during testing.
We used the evaluation metrics used for the Microsoft COCO benchmark, and divided the traffic-signs into three categories according to their size: small objects(area < 32 2 pixels), medium objects(32 2 < area < 96 2 ) and large objects (area > 96 2 ). This evaluation scheme can tell the ability of a detector on different sizes of object.
In our experimental evaluation of our neural network,both training and testing were done on a Linux PC with an Intel Xeon E5-1620 CPU, two NVIDIA Tesla K20 G-
PUs and 32GB memory. For 10000 panoramas containing traffic-signs, we separated them into a training set and a testing set (as explained in the released benchmark), with about 2:1 ratio to give the deep learning methods plenty of training samples. The other 90000 panoramas were included during testing.
We used the evaluation metrics used for the Microsoft COCO benchmark, and divided the traffic-signs into three categories according to their size: small objects(area < 32 2 pixels), medium objects(32 2 < area < 96 2 ) and large objects (area > 96 2 ). This evaluation scheme can tell the ability of a detector on different sizes of object.
0/5000
5.结果<br>在我们对我们的神经网络的实验评估，训练和测试Linux的PC上都做了与英特尔至强E5-1620 CPU，两颗NVIDIA的Tesla K20的G <br>PU及32GB存储。对于包含交通标志10000个全景，我们把他们分开成训练集和测试组（如发布基准解释），约2：1的比例给予深层的学习方法很多训练样本。其他90000个全景测试过程中都包括在内。<br>我们根据它们的大小使用用于微软COCO基准评价指标，并划分所述交通标志分为三类：小物件（面积<32 2个像素），介质中的物体（32 2 <面积<96 2）和大的物体（面积> 96 2）。该评估方案可以告诉不同大小物体的检测能力。
正在翻译中..
5. 结果<br>在我们的神经网络实验评估中，在 Linux PC 上进行了训练和测试，该 PC 上装有英特尔至强 E5-1620 CPU，两个 NVIDIA Tesla K20 G<br>PUs 和 32GB 内存。对于包含交通标志的 10000 个全景图，我们将它们分为训练集和测试集（如发布的基准中所述），比例约为 2：1，为深度学习方法提供了大量的训练样本。测试期间包括其他 90000 个全景图。<br>我们使用用于 Microsoft COCO 基准测试的评估指标，并根据流量标志的大小将流量标志分为三类：小对象（面积 = 32 2 像素）、中型对象（32 2 + 区域 = 96 2）和大对象（区域 = 96 2 ）。该评估方案可以判断探测器对不同尺寸物体的能力。
正在翻译中..
5。结果<br>在我们的神经网络的实验评估中，训练和测试都是在Linux PC上用英特尔Xeon E5-1620 CPU、两个NVIDIA TESLA K20G完成的。<br>PU和32GB内存。对于包含交通标志的10000个全景图，我们将它们分成一个训练集和一个测试集（如在发布的基准中所解释的），以大约2:1的比率给深度学习方法大量的训练样本。另外9万张全景照片也在测试中被包括在内。<br>使用微软COCO基准的评价指标，将交通标志按其大小划分为三类：小目标（面积＜32×2像素）、中等目标（32 2＜面积96 2）和大目标（面积＞96 2）。这种评估方案可以告诉探测器在不同大小的物体上的能力。<br>
正在翻译中..
其它语言
本翻译工具支持: 世界语, 丹麦语, 乌克兰语, 乌兹别克语, 乌尔都语, 亚美尼亚语, 伊博语, 俄语, 保加利亚语, 信德语, 修纳语, 僧伽罗语, 克林贡语, 克罗地亚语, 冰岛语, 加利西亚语, 加泰罗尼亚语, 匈牙利语, 南非祖鲁语, 南非科萨语, 卡纳达语, 卢旺达语, 卢森堡语, 印地语, 印尼巽他语, 印尼爪哇语, 印尼语, 古吉拉特语, 吉尔吉斯语, 哈萨克语, 土库曼语, 土耳其语, 塔吉克语, 塞尔维亚语, 塞索托语, 夏威夷语, 奥利亚语, 威尔士语, 孟加拉语, 宿务语, 尼泊尔语, 巴斯克语, 布尔语(南非荷兰语), 希伯来语, 希腊语, 库尔德语, 弗里西语, 德语, 意大利语, 意第绪语, 拉丁语, 拉脱维亚语, 挪威语, 捷克语, 斯洛伐克语, 斯洛文尼亚语, 斯瓦希里语, 旁遮普语, 日语, 普什图语, 格鲁吉亚语, 毛利语, 法语, 波兰语, 波斯尼亚语, 波斯语, 泰卢固语, 泰米尔语, 泰语, 海地克里奥尔语, 爱尔兰语, 爱沙尼亚语, 瑞典语, 白俄罗斯语, 科西嘉语, 立陶宛语, 简体中文, 索马里语, 繁体中文, 约鲁巴语, 维吾尔语, 缅甸语, 罗马尼亚语, 老挝语, 自动识别, 芬兰语, 苏格兰盖尔语, 苗语, 英语, 荷兰语, 菲律宾语, 萨摩亚语, 葡萄牙语, 蒙古语, 西班牙语, 豪萨语, 越南语, 阿塞拜疆语, 阿姆哈拉语, 阿尔巴尼亚语, 阿拉伯语, 鞑靼语, 韩语, 马其顿语, 马尔加什语, 马拉地语, 马拉雅拉姆语, 马来语, 马耳他语, 高棉语, 齐切瓦语, 等语言的翻译.
