ResNeXt
ResNeXt er en dyb konvolutionel neural netværksarkitektur introduceret af Xie, Girshick, Dollár, Tu og He ved CVPR 2017. Den udvider residualnetværksdesignet (ResNet) ved at introducere en ny arkitektonisk dimension kaldet kardinalitet — antallet af uafhængige, parallelle transformationsstier inden for hver residualblok — hvilket muliggør højere nøjagtighed med færre parametre og et simplere, mere ensartet design end dens forgængere.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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
Sådan citerer du denne side
ScholarGate. (2026, June 3). ResNeXt: Aggregated Residual Transformations for Deep Neural Networks. ScholarGate. https://scholargate.app/da/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.
- DenseNetDyb læring↔ compare
- EfficientNetDyb læring↔ compare
- MobileNet: Effektive konvolutionelle neurale netværk til mobilt synDyb læring↔ compare
- ResNet (Residual Network)Dyb læring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →