ResNet (Rede Residual)
ResNet (Rede Residual) é uma arquitetura de rede neural convolucional profunda introduzida por Kaiming He, Xiangyu Zhang, Shaoqing Ren e Jian Sun na CVPR 2016. Ao inserir conexões de atalho (skip) que levam a entrada de um bloco diretamente para sua saída — definindo a tarefa do bloco como aprender uma correção residual em vez de um mapeamento completo — ResNet permitiu o treinamento de redes com centenas ou até milhares de camadas sem a degradação do gradiente evanescente que anteriormente tornava redes muito profundas impraticáveis. Ganhou a competição de reconhecimento de imagem ILSVRC 2015 com um erro top-5 de 3,57% e continua sendo a arquitetura de backbone mais utilizada em visão computacional.
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.
+1 more
Fontes
- 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 ↗
- He, K., Zhang, X., Ren, S., & Sun, J. (2015). Deep Residual Learning for Image Recognition. arXiv:1512.03385. link ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 9: Convolutional Networks). MIT Press. ISBN: 978-0-262-03561-3
Como citar esta página
ScholarGate. (2026, June 3). Residual Network (ResNet). ScholarGate. https://scholargate.app/pt/deep-learning/resnet
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.
- AlexNetAprendizado profundo↔ compare
- DenseNetAprendizado profundo↔ compare
- EfficientNetAprendizado profundo↔ compare
- Inception Network (GoogLeNet)Aprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →