ResNeXt
ResNeXt är en djup faltningsnätverksarkitektur (deep convolutional neural network) som introducerades av Xie, Girshick, Dollár, Tu och He vid CVPR 2017. Den utökar residualnätverksdesignen (ResNet) genom att införa en ny arkitektonisk dimension kallad kardinalitet – antalet oberoende, parallella transformationsvägar inom varje residualblock – vilket möjliggör högre noggrannhet med färre parametrar och en enklare, mer enhetlig design än dess föregångare.
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
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). ResNeXt: Aggregated Residual Transformations for Deep Neural Networks. ScholarGate. https://scholargate.app/sv/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.
- DenseNetDjupinlärning↔ compare
- EfficientNetDjupinlärning↔ compare
- MobileNet: Effektiva faltningsnätverk för mobil visionDjupinlärning↔ compare
- ResNet (Residual Network)Djupinlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →