Κατηγοριοποίηση εικόνων με Συνελικτικά Νευρωνικά Δίκτυα (CNN)
Η κατηγοριοποίηση εικόνων με CNN χρησιμοποιεί βαθιές συνελικτικές αρχιτεκτονικές όπως ResNet (He et al., 2016), VGG και EfficientNet (Tan & Le, 2019) για την ταξινόμηση εικόνων σε κατηγορίες. Στοιβαγμένα συνελικτικά επίπεδα μαθαίνουν μια ιεραρχία οπτικών χαρακτηριστικών απευθείας από τα εικονοστοιχεία, και οι συνδέσεις παράκαμψης (υπολειμματικές) αποτρέπουν το πρόβλημα της εξαφανιζόμενης κλίσης σε πολύ βαθιά δίκτυα.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 1). Convolutional Neural Network Image Classification (ResNet / VGG / EfficientNet). ScholarGate. https://scholargate.app/el/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.
- Διογκωμένο Συνελικτικό Νευρωνικό Δίκτυο (Dilated CNN)Βαθιά Μάθηση↔ compare
- Τυχαίο ΔάσοςΜηχανική Μάθηση↔ compare
- Μηχανή Υποστήριξης Διανυσμάτων (Ταξινόμηση)Μηχανική Μάθηση↔ compare
- TextCNNΒαθιά Μάθηση↔ compare
- XGBoostΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →