ResNeXt
ResNeXt یک معماری شبکه عصبی کانولوشنی عمیق است که توسط Xie، Girshick، Dollár، Tu و He در CVPR 2017 معرفی شد. این معماری با معرفی بُعدی جدید در معماری به نام کاردینالیتی (cardinality) - تعداد مسیرهای تبدیل مستقل و موازی در هر بلوک باقیمانده (residual block) - شبکه باقیمانده (ResNet) را گسترش میدهد و دقت بالاتری را با پارامترهای کمتر و طراحی سادهتر و یکنواختتر نسبت به نسلهای قبلی خود امکانپذیر میسازد.
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
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). ResNeXt: Aggregated Residual Transformations for Deep Neural Networks. ScholarGate. https://scholargate.app/fa/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.
- DenseNetیادگیری عمیق↔ compare
- EfficientNetیادگیری عمیق↔ compare
- MobileNet: شبکههای عصبی کانولوشنی کارآمد برای بینایی ماشین در موبایلیادگیری عمیق↔ compare
- ResNet (شبکه باقیمانده)یادگیری عمیق↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →