ResNet (Δίκτυο Κατάλοιπων)
Το ResNet (Residual Network) είναι μια αρχιτεκτονική βαθιάς συνελικτικής νευρωνικής δικτύωσης που εισήχθη από τους Kaiming He, Xiangyu Zhang, Shaoqing Ren και Jian Sun στο CVPR 2016. Εισάγοντας συνδέσεις παράκαμψης (skip connections) που μεταφέρουν την είσοδο ενός μπλοκ απευθείας στην έξοδό του —ορίζοντας το έργο του μπλοκ ως την εκμάθηση μιας διορθωτικής υπόλοιπης τιμής (residual correction) αντί για μια πλήρη απεικόνιση— το ResNet επέτρεψε την εκπαίδευση δικτύων με εκατοντάδες ή ακόμη και χιλιάδες επίπεδα χωρίς την υποβάθμιση λόγω της εξαφανιζόμενης κλίσης (vanishing-gradient degradation) που προηγουμένως καθιστούσε τα πολύ βαθιά δίκτυα μη πρακτικά. Κέρδισε τον διαγωνισμό αναγνώρισης εικόνων ILSVRC 2015 με σφάλμα top-5 3,57% και παραμένει η αρχιτεκτονική ράχης (backbone) που χρησιμοποιείται ευρύτερα στην όραση υπολογιστών.
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.
+1 more
Πηγές
- 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 ↗
- He, K., Zhang, X., Ren, S., & Sun, J. (2015). Deep Residual Learning for Image Recognition. arXiv:1512.03385. link ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 9: Convolutional Networks). MIT Press. ISBN: 978-0-262-03561-3
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Residual Network (ResNet). ScholarGate. https://scholargate.app/el/deep-learning/resnet
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.
- AlexNetΒαθιά Μάθηση↔ compare
- DenseNetΒαθιά Μάθηση↔ compare
- EfficientNetΒαθιά Μάθηση↔ compare
- Δίκτυο Inception (GoogLeNet)Βαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →