CNN Beeldclassificatie
CNN-beeldclassificatie gebruikt diepe convolutionele architecturen zoals ResNet (He et al., 2016), VGG en EfficientNet (Tan & Le, 2019) om afbeeldingen in categorieën te sorteren. Gestapelde convolutionele lagen leren een hiërarchie van visuele kenmerken rechtstreeks uit pixels, en skip (residuele) verbindingen voorkomen het vanishing-gradientprobleem in zeer diepe netwerken.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Convolutional Neural Network Image Classification (ResNet / VGG / EfficientNet). ScholarGate. https://scholargate.app/nl/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.
- Dilated CNNDeep learning↔ compare
- Random ForestMachine learning↔ compare
- Support Vector Machine (Classificatie)Machine learning↔ compare
- TextCNNDeep learning↔ compare
- XGBoostMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →