ResNeXt
ResNeXt is een diep convolutioneel neuraal netwerkarchitectuur geïntroduceerd door Xie, Girshick, Dollár, Tu en He op CVPR 2017. Het breidt het residual network (ResNet) ontwerp uit door een nieuwe architecturale dimensie te introduceren, genaamd cardinaliteit — het aantal onafhankelijke, parallelle transformatiepaden binnen elk residual block — waardoor hogere nauwkeurigheid mogelijk wordt met minder parameters en een eenvoudiger, uniformer ontwerp dan zijn voorgangers.
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
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). ResNeXt: Aggregated Residual Transformations for Deep Neural Networks. ScholarGate. https://scholargate.app/nl/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.
- DenseNetDeep learning↔ compare
- EfficientNetDeep learning↔ compare
- MobileNet: Efficiënte Convolutionele Neurale Netwerken voor Mobiele VisieDeep learning↔ compare
- ResNet (Residual Network)Deep learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →