CNN-Bildklassifikation
Die CNN-Bildklassifikation nutzt tiefe Faltungsarchitekturen wie ResNet (He et al., 2016), VGG und EfficientNet (Tan & Le, 2019), um Bilder in Kategorien zu sortieren. Gestapelte Faltungsschichten lernen eine Hierarchie visueller Merkmale direkt aus Pixeln, und Sprungverbindungen (Residual Connections) verhindern das Problem des verschwindenden Gradienten in sehr tiefen Netzwerken.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Convolutional Neural Network Image Classification (ResNet / VGG / EfficientNet). ScholarGate. https://scholargate.app/de/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.
- Das Dilatierte CNNDeep Learning↔ compare
- Random ForestMaschinelles Lernen↔ compare
- Support Vector Machine (Klassifikation)Maschinelles Lernen↔ compare
- TextCNNDeep Learning↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →