ResNeXt
ResNeXt est une architecture de réseau neuronal convolutif profond introduite par Xie, Girshick, Dollár, Tu et He à la CVPR 2017. Elle étend la conception du réseau résiduel (ResNet) en introduisant une nouvelle dimension architecturale appelée cardinalité — le nombre de chemins de transformation indépendants et parallèles au sein de chaque bloc résiduel — permettant une plus grande précision avec moins de paramètres et une conception plus simple et plus uniforme que ses prédécesseurs.
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
- 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
Comment citer cette page
ScholarGate. (2026, June 3). ResNeXt: Aggregated Residual Transformations for Deep Neural Networks. ScholarGate. https://scholargate.app/fr/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.
- DenseNetApprentissage profond↔ compare
- EfficientNetApprentissage profond↔ compare
- MobileNet : Réseaux neuronaux convolutifs efficaces pour la vision mobileApprentissage profond↔ compare
- ResNet (Réseau Résiduel)Apprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →