Classificazione di immagini CNN
La classificazione di immagini CNN utilizza architetture convoluzionali profonde come ResNet (He et al., 2016), VGG ed EfficientNet (Tan & Le, 2019) per ordinare le immagini in categorie. Strati convoluzionali impilati apprendono una gerarchia di caratteristiche visive direttamente dai pixel, e le connessioni residue (skip connections) prevengono il problema del gradiente evanescente in reti molto profonde.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 1). Convolutional Neural Network Image Classification (ResNet / VGG / EfficientNet). ScholarGate. https://scholargate.app/it/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 DilatataApprendimento profondo↔ compare
- Random ForestApprendimento automatico↔ compare
- Support Vector Machine (Classificazione)Apprendimento automatico↔ compare
- TextCNNApprendimento profondo↔ compare
- XGBoostApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →