VGGNet (Very Deep Convolutional Networks)
VGGNet er en dyp konvolusjonell nevralt nettverksarkitektur introdusert av Karen Simonyan og Andrew Zisserman ved Visual Geometry Group, Oxford, i 2014 (publisert på ICLR 2015). Den demonstrerte at nettverksdybde — oppnådd utelukkende ved å stable små 3x3 konvolusjonsfiltre — er den viktigste enkeltfaktoren for høy nøyaktighet i bildeklassifisering, og dens to kanoniske varianter (VGG-16 og VGG-19) ble de dominerende referansearkitekturene for CNN-design gjennom midten av 2010-tallet.
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
- Simonyan, K., & Zisserman, A. (2014). Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv:1409.1556 [cs.CV]. Published at ICLR 2015. DOI: 10.48550/arXiv.1409.1556 ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 9: Convolutional Networks). MIT Press. ISBN: 978-0-262-03561-3
Slik siterer du denne siden
ScholarGate. (2026, June 3). Very Deep Convolutional Networks for Large-Scale Image Recognition (VGGNet). ScholarGate. https://scholargate.app/no/deep-learning/vggnet
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.
- AlexNetDyp læring↔ compare
- DenseNetDyp læring↔ compare
- MobileNet: Effektive konvolusjonelle nevrale nettverk for mobilvisjonDyp læring↔ compare
- ResNet (Residual Network)Dyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →