ResNeXt
ResNeXt je architektura hluboké konvoluční neuronové sítě, kterou představili Xie, Girshick, Dollár, Tu a He na konferenci CVPR 2017. Rozšiřuje návrh reziduálních sítí (ResNet) zavedením nového architektonického rozměru nazvaného kardinalita — počet nezávislých, paralelních transformačních cest v rámci každého reziduálního bloku — což umožňuje vyšší přesnost s menším počtem parametrů a jednodušším, uniformnějším návrhem než její předchůdci.
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
- Xie, S., Girshick, R., Dollár, P., Tu, Z., & He, K. (2017). Aggregated Residual Transformations for Deep Neural Networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 5987–5995. DOI: 10.1109/CVPR.2017.634 ↗
- He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep Residual Learning for Image Recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778. DOI: 10.1109/CVPR.2016.90 ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. ISBN: 978-0-26-203561-3
Jak citovat tuto stránku
ScholarGate. (2026, June 3). ResNeXt: Aggregated Residual Transformations for Deep Neural Networks. ScholarGate. https://scholargate.app/cs/deep-learning/resnext
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.
- DenseNetHluboké učení↔ compare
- EfficientNetHluboké učení↔ compare
- MobileNet: Efektivní konvoluční neuronové sítě pro mobilní viděníHluboké učení↔ compare
- ResNet (reziduální síť)Hluboké učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →