机译:表8:k-nn分类器的准确性DBAP功能从预先培训的alexNet与DBAP层派生的。所实现的分类结果优于来自常规亚历尼网的MaxPool特征获得的分类结果。包含DBAP层还可以提高与DBAP层的亚历尼网FC功能的辨别质量。
机译:髓母细胞瘤中神经营养蛋白受体p75NTR的表达与明显的组织学和临床特征相关:证据是源自外部颗粒细胞层的髓母细胞瘤亚型。
机译:结合基于像素和基于对象的分类方法的新型分类器样本,可改善从LIDAR强度数据和LIDAR派生层的特征提取
机译:表6:使用DBAP层的预先培训的AlexNet派生的DBAP功能上SVM分类器的精度。分类结果优于来自常规AlexNet的MaxPool功能获得的结果。包含DBAP层还显示了从常规AlexNet模型的FC特征比较的模型中显示出更好的FC特征,从而提供更好的分类导致FC功能。