Machine learning
ResNeXt
ResNeXt היא ארכיטקטורת רשת קונבולוציה עמוקה שהוצגה על ידי Xie, Girshick, Dollár, Tu, ו-He בכנס CVPR 2017. היא מרחיבה את עיצוב הרשת השיורית (ResNet) על ידי הצגת ממד ארכיטקטוני חדש הנקרא קרדינליות — מספר נתיבי טרנספורמציה בלתי תלויים ומקבילים בתוך כל בלוק שיורי — המאפשר דיוק גבוה יותר עם פחות פרמטרים ועיצוב פשוט ואחיד יותר מקודמיו.
קראו את השיטה במלואה
לחברים בלבד
התחברותהתחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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
איך לצטט עמוד זה
ScholarGate. (2026, June 3). ResNeXt: Aggregated Residual Transformations for Deep Neural Networks. ScholarGate. https://scholargate.app/he/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.
- DenseNetלמידה עמוקה↔ compare
- EfficientNetלמידה עמוקה↔ compare
- MobileNet: רשתות קונבולוציה יעילות למחשוב ראייה ניידלמידה עמוקה↔ compare
- ResNet (רשת שיורית)למידה עמוקה↔ compare