Classificació d'imatges amb CNN
La classificació d'imatges amb CNN utilitza arquitectures convolucionals profundes com ResNet (He et al., 2016), VGG i EfficientNet (Tan & Le, 2019) per classificar imatges en categories. Les capes convolucionals apilades aprenen una jerarquia de característiques visuals directament dels píxels, i les connexions residuals (skip connections) eviten el problema del gradient que s'esvaeix en xarxes molt profundes.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- He, K., Zhang, X., Ren, S. & Sun, J. (2016). Deep Residual Learning for Image Recognition. CVPR. DOI: 10.1109/CVPR.2016.90 ↗
- Tan, M. & Le, Q.V. (2019). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. ICML, PMLR 97, 6105–6114. arXiv:1905.11946. link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 1). Convolutional Neural Network Image Classification (ResNet / VGG / EfficientNet). ScholarGate. https://scholargate.app/ca/deep-learning/cnn-image-classification
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- CNN dilatadaAprenentatge profund↔ compare
- Random ForestAprenentatge automàtic↔ compare
- Màquina de Vectors de Suport (Classificació)Aprenentatge automàtic↔ compare
- TextCNNAprenentatge profund↔ compare
- XGBoostAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →