ResNeXt
ResNeXt è un'architettura di rete neurale convoluzionale profonda introdotta da Xie, Girshick, Dollár, Tu e He alla CVPR 2017. Estende il design della rete residua (ResNet) introducendo una nuova dimensione architetturale chiamata cardinalità — il numero di percorsi di trasformazione indipendenti e paralleli all'interno di ciascun blocco residuo — consentendo una maggiore accuratezza con meno parametri e un design più semplice e uniforme rispetto ai suoi predecessori.
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
- 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
Come citare questa pagina
ScholarGate. (2026, June 3). ResNeXt: Aggregated Residual Transformations for Deep Neural Networks. ScholarGate. https://scholargate.app/it/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.
- DenseNetApprendimento profondo↔ compare
- EfficientNetApprendimento profondo↔ compare
- MobileNetApprendimento profondo↔ compare
- ResNet (Residual Network)Apprendimento profondo↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →