ResNet (شبکه باقیمانده)
ResNet (شبکه باقیمانده) یک معماری عمیق شبکه عصبی کانولوشنی است که توسط Kaiming He، Xiangyu Zhang، Shaoqing Ren و Jian Sun در CVPR 2016 معرفی شد. با وارد کردن اتصالات میانبر (پرشی) که ورودی یک بلوک را مستقیماً به خروجی آن منتقل میکنند — و وظیفه بلوک را یادگیری یک تصحیح باقیمانده به جای یک نگاشت کامل تعریف میکنند — ResNet امکان آموزش شبکههایی با صدها یا حتی هزاران لایه را بدون افت گرادیان محوشونده که قبلاً شبکههای بسیار عمیق را غیرعملی کرده بود، فراهم کرد. این شبکه با خطای 3.57% در رتبه دوم در مسابقه تشخیص تصویر ILSVRC 2015 برنده شد و همچنان پرکاربردترین معماری پایه در بینایی کامپیوتر است.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Residual Network (ResNet). ScholarGate. https://scholargate.app/fa/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.
- AlexNetیادگیری عمیق↔ compare
- DenseNetیادگیری عمیق↔ compare
- EfficientNetیادگیری عمیق↔ compare
- شبکه Inception (GoogLeNet)یادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →