As CNN models become the standard c

As CNN models become the standard computer visionmodel to be deployed in real-time vision applications, assessing and reporting whether the results of their performance translates fromresearch datasets to real timescenarios is crucial. Results of different CNN architectures areusually reported on standard large scale computer vision datasetsof amillion andmore static images (He et al., 2016, 2017; Szegedyet al., 2016; Howard et al., 2017). Domain specific datasets likemedical imagery or plant diseases, where transfer learning isoften applied to CNNmodels, comprise smaller datasets as expertlabeled images are more challenging to acquire

結果 (繁體中文) 1:

作為CNN機型成為標準的計算機視覺
模型，實時視覺應用部署，評估和報告其業績結果是否轉換fromresearch數據集的實時
場景是至關重要的。CNN不同體系結構的結果
通常在標準的大型計算機視覺的數據集報
amillion的andmore靜態圖像（He等人，2016年，2017年;。Szegedy
等人，2016年，霍華德等人，2017年）。樣結構域特定的數據集
的醫療成像或植物病害，其中轉印學習
經常應用於CNNmodels，包括較小的數據集作為專家
標記的圖像被更加具有挑戰性的獲取

結果 (繁體中文) 2:

隨著CNN模型成為標準電腦視覺
將在即時視覺應用程式中部署的模型，評估和報告其性能結果是否從研究資料集轉換為即時
方案至關重要。不同的CNN架構的結果是
通常報告在標準大規模電腦視覺資料集
百萬張以上的靜態圖像（他等人，2016年，2017年;塞格迪
等人，2016年;霍華德等人，2017年）。域特定資料集，如
醫學圖像或植物疾病，其中轉移學習是
常應用於 CNN 模型，作為專家包含較小的資料集
標記的圖像更具挑戰性

結果 (繁體中文) 3:

隨著CNN模型成為標準的電腦視覺
模型將部署在實时視覺應用程序中，評估並報告其效能結果是否從研究數据集轉換為實时
情景是至關重要的。不同CNN架構的結果是
通常在標準的大規模電腦視覺數據集中報告
amillion和更多靜態圖像（He等人，2016、2017；Szegedy
等人，2016年；霍華德等人，2017年）。域特定數据集，如
醫學影像或植物疾病，其中轉移學習是
通常用於CNNmodels，作為專家包含較小的數据集
有標籤的影像更難獲取