ResNeXt
ResNeXt er en dyp konvolusjonell nevrale nettverksarkitektur introdusert av Xie, Girshick, Dollár, Tu og He ved CVPR 2017. Den utvider designet til restnettverk (ResNet) ved å introdusere en ny arkitektonisk dimensjon kalt kardinalitet – antallet uavhengige, parallelle transformasjonsveier innenfor hver restblokk – noe som muliggjør høyere nøyaktighet med færre parametere og et enklere, mer enhetlig design enn sine forgjengere.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). ResNeXt: Aggregated Residual Transformations for Deep Neural Networks. ScholarGate. https://scholargate.app/no/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.
- DenseNetDyp læring↔ compare
- EfficientNetDyp læring↔ compare
- MobileNet: Effektive konvolusjonelle nevrale nettverk for mobilvisjonDyp læring↔ compare
- ResNet (Residual Network)Dyp læring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →