VGGNet (Very Deep Convolutional Networks)
VGGNet est une architecture de réseau neuronal convolutif profond introduite par Karen Simonyan et Andrew Zisserman au Visual Geometry Group, Oxford, en 2014 (publiée à l'ICLR 2015). Elle a démontré que la profondeur du réseau — obtenue exclusivement en empilant de petits filtres convolutifs de 3x3 — est le facteur le plus critique pour une précision élevée en classification d'images, et ses deux variantes canoniques (VGG-16 et VGG-19) sont devenues les architectures de référence dominantes pour la conception de CNN tout au long du milieu des années 2010.
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
- 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
Comment citer cette page
ScholarGate. (2026, June 3). Very Deep Convolutional Networks for Large-Scale Image Recognition (VGGNet). ScholarGate. https://scholargate.app/fr/deep-learning/vggnet
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.
- AlexNetApprentissage profond↔ compare
- DenseNetApprentissage profond↔ compare
- MobileNet : Réseaux neuronaux convolutifs efficaces pour la vision mobileApprentissage profond↔ compare
- ResNet (Réseau Résiduel)Apprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →