ResNet (Residual Network)
ResNet (Residual Network) is een diep convolutioneel neuraal netwerkarchitectuur geïntroduceerd door Kaiming He, Xiangyu Zhang, Shaoqing Ren en Jian Sun op CVPR 2016. Door het invoegen van shortcut (skip) connecties die de input van een blok direct naar de output dragen — waardoor de taak van het blok wordt gedefinieerd als het leren van een residuele correctie in plaats van een volledige mapping — maakte ResNet de training mogelijk van netwerken met honderden of zelfs duizenden lagen zonder de vanishing-gradient degradatie die zeer diepe netwerken voorheen onpraktisch maakte. Het won de ILSVRC 2015 beeldherkenningscompetitie met een top-5 fout van 3,57% en blijft de meest gebruikte backbone-architectuur in computer vision.
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.
+1 more
Bronnen
- 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 ↗
- He, K., Zhang, X., Ren, S., & Sun, J. (2015). Deep Residual Learning for Image Recognition. arXiv:1512.03385. link ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 9: Convolutional Networks). MIT Press. ISBN: 978-0-262-03561-3
Deze pagina citeren
ScholarGate. (2026, June 3). Residual Network (ResNet). ScholarGate. https://scholargate.app/nl/deep-learning/resnet
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.
- AlexNetDeep learning↔ compare
- DenseNetDeep learning↔ compare
- EfficientNetDeep learning↔ compare
- Inception Network (GoogLeNet)Deep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →