Metodin todisteiden tietue

VGGNet

VGGNet is a deep convolutional neural network architecture introduced by Karen Simonyan and Andrew Zisserman at the Visual Geometry Group, Oxford, in 2014 (published at ICLR 2015). It demonstrated that network depth — achieved exclusively through stacking small 3x3 convolutional filters — is the single most critical factor for high image-classification accuracy, and its two canonical variants (VGG-16 and VGG-19) became the dominant benchmark architectures for CNN design throughout the mid-2010s.

Sources recorded, not reviewed

Lähdetietue

Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.

Very Deep Convolutional Networks for Large-Scale Image Recognition (VGGNet)

Taksonominen metoditietue · ml-model / deep-learning

Simonyan, K., & Zisserman, A. (2014). Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv:1409.1556 [cs.CV]. Published at ICLR 2015. · DOI 10.48550/arXiv.1409.1556
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 9: Convolutional Networks). MIT Press. · ISBN 978-0-262-03561-3

Avaa koko metodi

Kuratoituja väitteitä

Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.

Ei vielä kuratoituja väitteitä

Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.

Liittyvät metodit

Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.

Same method familyAlexNetmachine-suggested · Relational suggestion, not evidence.Same method familyDenseNetmachine-suggested · Relational suggestion, not evidence.Same method familyMobileNetmachine-suggested · Relational suggestion, not evidence.Same method familyResNetmachine-suggested · Relational suggestion, not evidence.