Classificação de Imagens por CNN
A classificação de imagens por CNN utiliza arquiteturas convolucionais profundas, como ResNet (He et al., 2016), VGG e EfficientNet (Tan & Le, 2019), para classificar imagens em categorias. Camadas convolucionais empilhadas aprendem uma hierarquia de características visuais diretamente a partir de pixels, e conexões residuais (skip connections) evitam o problema do desaparecimento do gradiente em redes muito profundas.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 1). Convolutional Neural Network Image Classification (ResNet / VGG / EfficientNet). ScholarGate. https://scholargate.app/pt/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.
- CNN DilatadaAprendizado profundo↔ compare
- Random ForestAprendizado de máquina↔ compare
- Máquina de Vetores de Suporte (Classificação)Aprendizado de máquina↔ compare
- TextCNNAprendizado profundo↔ compare
- XGBoostAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →