ResNeXt
ResNeXt es una arquitectura de red neuronal convolucional profunda introducida por Xie, Girshick, Dollár, Tu y He en CVPR 2017. Extiende el diseño de red residual (ResNet) introduciendo una nueva dimensión arquitectónica llamada cardinalidad —el número de caminos de transformación independientes y paralelos dentro de cada bloque residual— lo que permite una mayor precisión con menos parámetros y un diseño más simple y uniforme que sus predecesores.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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
Cómo citar esta página
ScholarGate. (2026, June 3). ResNeXt: Aggregated Residual Transformations for Deep Neural Networks. ScholarGate. https://scholargate.app/es/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.
- DenseNetAprendizaje profundo↔ compare
- EfficientNetAprendizaje profundo↔ compare
- MobileNet: Redes Neuronales Convolucionales Eficientes para Visión MóvilAprendizaje profundo↔ compare
- ResNet (Red Neuronal Residual)Aprendizaje profundo↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →