Klasifikace obrazu pomocí CNN
Klasifikace obrazu pomocí CNN (konvoluční neuronové sítě) využívá hluboké konvoluční architektury, jako jsou ResNet (He et al., 2016), VGG a EfficientNet (Tan & Le, 2019), k třídění obrazů do kategorií. Vrstvené konvoluční vrstvy se učí hierarchii vizuálních rysů přímo z pixelů a skip (reziduální) spojení zabraňují problému mizejícího gradientu ve velmi hlubokých sítích.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 1). Convolutional Neural Network Image Classification (ResNet / VGG / EfficientNet). ScholarGate. https://scholargate.app/cs/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.
- Dilated CNNHluboké učení↔ compare
- Random ForestStrojové učení↔ compare
- Stroj s podpůrnými vektory (klasifikace)Strojové učení↔ compare
- TextCNNHluboké učení↔ compare
- XGBoostStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →