ResNeXt
ResNeXt é uma arquitetura de rede neural convolucional profunda introduzida por Xie, Girshick, Dollár, Tu e He na CVPR 2017. Ela estende o design da rede residual (ResNet) ao introduzir uma nova dimensão arquitetural chamada cardinalidade — o número de caminhos de transformação independentes e paralelos dentro de cada bloco residual — permitindo maior precisão com menos parâmetros e um design mais simples e uniforme do que seus predecessores.
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
- 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
Como citar esta página
ScholarGate. (2026, June 3). ResNeXt: Aggregated Residual Transformations for Deep Neural Networks. ScholarGate. https://scholargate.app/pt/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.
- DenseNetAprendizado profundo↔ compare
- EfficientNetAprendizado profundo↔ compare
- MobileNetAprendizado profundo↔ compare
- ResNet (Rede Residual)Aprendizado profundo↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →