طبقهبندی تصویر با شبکههای عصبی کانولوشنی (CNN)
طبقهبندی تصویر با شبکههای عصبی کانولوشنی (CNN) از معماریهای کانولوشنی عمیق مانند ResNet (He et al., 2016)، VGG و EfficientNet (Tan & Le, 2019) برای دستهبندی تصاویر استفاده میکند. لایههای کانولوشنی انباشته شده، سلسله مراتبی از ویژگیهای بصری را مستقیماً از پیکسلها یاد میگیرند و اتصالات پرشی (باقیمانده) از مشکل محوشدگی گرادیان در شبکههای بسیار عمیق جلوگیری میکنند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Convolutional Neural Network Image Classification (ResNet / VGG / EfficientNet). ScholarGate. https://scholargate.app/fa/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.
- شبکه عصبی کانولوشنی گشادشده (Dilated CNN)یادگیری عمیق↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- ماشین بردار پشتیبان (طبقهبندی)یادگیری ماشین↔ compare
- TextCNNیادگیری عمیق↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →