ResNeXt
ResNeXt — это архитектура глубоких свёрточных нейронных сетей, представленная Xie, Girshick, Dollár, Tu и He на конференции CVPR 2017. Она расширяет дизайн остаточных сетей (ResNet), вводя новое архитектурное измерение — кардинальность (cardinality), то есть количество независимых параллельных путей преобразования внутри каждого остаточного блока. Это позволяет достичь более высокой точности при меньшем количестве параметров и более простом, унифицированном дизайне по сравнению с предшественниками.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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
Как цитировать эту страницу
ScholarGate. (2026, June 3). ResNeXt: Aggregated Residual Transformations for Deep Neural Networks. ScholarGate. https://scholargate.app/ru/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.
- DenseNetГлубокое обучение↔ compare
- EfficientNetГлубокое обучение↔ compare
- MobileNet: Эффективные свёрточные нейронные сети для мобильного зренияГлубокое обучение↔ compare
- ResNet (Остаточная сеть)Глубокое обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →