ResNeXt
ResNeXt on on syvä konvoluutionaalinen neuroverkkoarkkitehtuuri, jonka Xie, Girshick, Dollár, Tu ja He esittelivät CVPR 2017 -konferenssissa. Se laajentaa jäännösverkkojen (ResNet) suunnittelua esittelemällä uuden arkkitehtonisen ulottuvuuden nimeltä kardinaliteetti — kunkin jäännöslokin sisällä olevien itsenäisten, rinnakkaisten muunnospolkujen lukumäärä — mahdollistaen korkeamman tarkkuuden vähemmillä parametreilla ja yksinkertaisemmalla, yhtenäisemmällä suunnittelulla kuin edeltäjänsä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). ResNeXt: Aggregated Residual Transformations for Deep Neural Networks. ScholarGate. https://scholargate.app/fi/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.
- DenseNetSyväoppiminen↔ compare
- EfficientNetSyväoppiminen↔ compare
- MobileNet: Tehokkaat konvoluutionaaliset neuroverkot mobiilinäköönSyväoppiminen↔ compare
- ResNet (Residual Network)Syväoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →