Classification d'images par CNN
La classification d'images par CNN utilise des architectures convolutionnelles profondes telles que ResNet (He et al., 2016), VGG et EfficientNet (Tan & Le, 2019) pour trier les images en catégories. Les couches convolutionnelles empilées apprennent une hiérarchie de caractéristiques visuelles directement à partir des pixels, et les connexions résiduelles (skip connections) empêchent le problème de la disparition du gradient dans les réseaux très profonds.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Convolutional Neural Network Image Classification (ResNet / VGG / EfficientNet). ScholarGate. https://scholargate.app/fr/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.
- CNN dilatéeApprentissage profond↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Machine à vecteurs de support (Classification)Apprentissage automatique↔ compare
- TextCNNApprentissage profond↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →