CNN bildklassificering
CNN-bildklassificering använder djupa faltningsarkitekturer såsom ResNet (He et al., 2016), VGG och EfficientNet (Tan & Le, 2019) för att sortera bilder i kategorier. Staplade faltningslager lär sig ett hierarki av visuella drag direkt från pixlar, och hopp- (residual-) kopplingar förhindrar problemet med försvinnande gradienter i mycket djupa nätverk.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Convolutional Neural Network Image Classification (ResNet / VGG / EfficientNet). ScholarGate. https://scholargate.app/sv/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.
- Dilaterad CNNDjupinlärning↔ compare
- Random ForestMaskininlärning↔ compare
- Support Vector Machine (Klassificering)Maskininlärning↔ compare
- TextCNN - Textklassificering med convolutional neural networksDjupinlärning↔ compare
- XGBoostMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →