Klasyfikacja obrazów za pomocą CNN
Klasyfikacja obrazów za pomocą CNN wykorzystuje głębokie architektury konwolucyjne, takie jak ResNet (He i in., 2016), VGG i EfficientNet (Tan & Le, 2019), do sortowania obrazów na kategorie. Warstwy konwolucyjne uczą się hierarchii cech wizualnych bezpośrednio z pikseli, a połączenia skrótowe (resztkowe) zapobiegają problemowi zanikającego gradientu w bardzo głębokich sieciach.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). Convolutional Neural Network Image Classification (ResNet / VGG / EfficientNet). ScholarGate. https://scholargate.app/pl/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.
- Splotowa sieć konwolucyjna z rozszerzeniem (Dilated CNN)Uczenie głębokie↔ compare
- Random ForestUczenie maszynowe↔ compare
- Maszyna wektorów nośnych (klasyfikacja)Uczenie maszynowe↔ compare
- TextCNNUczenie głębokie↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →