VGGNet (Very Deep Convolutional Networks)
VGGNet är en djup faltningsnätverksarkitektur (convolutional neural network, CNN) som introducerades av Karen Simonyan och Andrew Zisserman vid Visual Geometry Group, Oxford, år 2014 (publicerad vid ICLR 2015). Den demonstrerade att nätverksdjup – uppnått uteslutande genom stapling av små 3x3 faltningsfilter – är den enskilt viktigaste faktorn för hög noggrannhet i bildklassificering, och dess två kanoniska varianter (VGG-16 och VGG-19) blev de dominerande referensarkitekturerna för CNN-design under mitten av 2010-talet.
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
- Simonyan, K., & Zisserman, A. (2014). Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv:1409.1556 [cs.CV]. Published at ICLR 2015. DOI: 10.48550/arXiv.1409.1556 ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 9: Convolutional Networks). MIT Press. ISBN: 978-0-262-03561-3
Så citerar du den här sidan
ScholarGate. (2026, June 3). Very Deep Convolutional Networks for Large-Scale Image Recognition (VGGNet). ScholarGate. https://scholargate.app/sv/deep-learning/vggnet
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.
- AlexNetDjupinlärning↔ compare
- DenseNetDjupinlärning↔ compare
- MobileNet: Effektiva faltningsnätverk för mobil visionDjupinlärning↔ compare
- ResNet (Residual Network)Djupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →