ResNeXt
ResNeXt ist eine tiefe "Convolutional Neural Network"-Architektur, die von Xie, Girshick, Dollár, Tu und He auf der CVPR 2017 vorgestellt wurde. Sie erweitert das "Residual Network" (ResNet)-Design durch die Einführung einer neuen architektonischen Dimension, der sogenannten Kardinalität – die Anzahl unabhängiger, paralleler Transformationspfade innerhalb jedes Residualblocks. Dies ermöglicht eine höhere Genauigkeit mit weniger Parametern und einem einfacheren, einheitlicheren Design als bei ihren Vorgängern.
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
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). ResNeXt: Aggregated Residual Transformations for Deep Neural Networks. ScholarGate. https://scholargate.app/de/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.
- DenseNetDeep Learning↔ compare
- EfficientNetDeep Learning↔ compare
- MobileNetDeep Learning↔ compare
- ResNet (Residual Network)Deep Learning↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →