ResNeXt
ResNeXt ir dziļš konvolucionāls neironu tīklu arhitektūras dizains, ko 2017. gadā CVPR konferencē ieviesa Xie, Girshick, Dollár, Tu un He. Tas paplašina atlikušo tīklu (ResNet) dizainu, ieviešot jaunu arhitektūras dimensiju, ko sauc par kardinalitāti — neatkarīgu, paralēlu transformācijas ceļu skaitu katrā atlikušajā blokā — nodrošinot augstāku precizitāti ar mazāku parametru skaitu un vienkāršāku, vienveidīgāku dizainu nekā tā priekšgājēji.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). ResNeXt: Aggregated Residual Transformations for Deep Neural Networks. ScholarGate. https://scholargate.app/lv/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.
- DenseNetDziļā mācīšanās↔ compare
- EfficientNetDziļā mācīšanās↔ compare
- MobileNet: Efektīvi konvolucionālie neironu tīkli mobilajai redzeiDziļā mācīšanās↔ compare
- ResNet (Atliekošais tīkls)Dziļā mācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →