ResNeXt
ResNeXt เป็นสถาปัตยกรรมโครงข่ายประสาทเทียมแบบสังวัตนาการเชิงลึก (deep convolutional neural network) ที่นำเสนอโดย Xie, Girshick, Dollár, Tu และ He ในงาน CVPR 2017 โดยเป็นการต่อยอดการออกแบบโครงข่ายแบบสังวัตนาการ (residual network หรือ ResNet) ด้วยการเพิ่มมิติใหม่ของสถาปัตยกรรมที่เรียกว่า 'คาร์ดินาลิตี้' (cardinality) ซึ่งหมายถึงจำนวนเส้นทางการแปลงข้อมูลแบบขนานที่เป็นอิสระต่อกันภายในแต่ละบล็อกสังวัตนาการ ทำให้สามารถเพิ่มความแม่นยำได้โดยใช้พารามิเตอร์น้อยลง และมีการออกแบบที่เรียบง่ายและสม่ำเสมอกว่าสถาปัตยกรรมก่อนหน้า
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). ResNeXt: Aggregated Residual Transformations for Deep Neural Networks. ScholarGate. https://scholargate.app/th/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.
- DenseNetการเรียนรู้เชิงลึก↔ compare
- EfficientNetการเรียนรู้เชิงลึก↔ compare
- MobileNetการเรียนรู้เชิงลึก↔ compare
- ResNet (เครือข่ายส่วนที่เหลือ)การเรียนรู้เชิงลึก↔ compare