VGGNet (Very Deep Convolutional Networks)
VGGNet er en dyb konvolutionel neuralt netværksarkitektur introduceret af Karen Simonyan og Andrew Zisserman ved Visual Geometry Group, Oxford, i 2014 (publiceret ved ICLR 2015). Den demonstrerede, at netværksdybde – opnået udelukkende ved at stable små 3x3 konvolutionelle filtre – er den absolut vigtigste faktor for høj billedklassifikationsnøjagtighed, og dens to kanoniske varianter (VGG-16 og VGG-19) blev de dominerende benchmark-arkitekturer for CNN-design i midten af 2010'erne.
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
- Simonyan, K., & Zisserman, A. (2014). Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv:1409.1556 [cs.CV]. Published at ICLR 2015. DOI: 10.48550/arXiv.1409.1556 ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 9: Convolutional Networks). MIT Press. ISBN: 978-0-262-03561-3
Sådan citerer du denne side
ScholarGate. (2026, June 3). Very Deep Convolutional Networks for Large-Scale Image Recognition (VGGNet). ScholarGate. https://scholargate.app/da/deep-learning/vggnet
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.
- AlexNetDyb læring↔ compare
- DenseNetDyb læring↔ compare
- MobileNet: Effektive konvolutionelle neurale netværk til mobilt synDyb læring↔ compare
- ResNet (Residual Network)Dyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →