Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Класифікація зображень за допомогою згорткових нейронних мереж (CNN)× | TextCNN× | |
|---|---|---|
| Галузь | Глибоке навчання | Глибоке навчання |
| Родина | Machine learning | Machine learning |
| Рік появи≠ | 2016 | 2014 |
| Автор методу≠ | He, K. et al. (ResNet); Tan, M. & Le, Q.V. (EfficientNet) | Kim, Y. |
| Тип≠ | Deep convolutional neural network (supervised) | Convolutional neural network (deep learning) |
| Основоположне джерело≠ | He, K., Zhang, X., Ren, S. & Sun, J. (2016). Deep Residual Learning for Image Recognition. CVPR. DOI ↗ | Kim, Y. (2014). Convolutional Neural Networks for Sentence Classification. EMNLP. DOI ↗ |
| Інші назви | CNN — Görüntü Sınıflandırma (ResNet / VGG / EfficientNet), convolutional neural network image classifier, deep image classification, ResNet / VGG / EfficientNet | CNN — Metin Sınıflandırma (TextCNN), convolutional neural network for sentence classification, sentence-level CNN, TextCNN |
| Пов'язані | 5 | 5 |
| Підсумок≠ | CNN image classification uses deep convolutional architectures such as ResNet (He et al., 2016), VGG and EfficientNet (Tan & Le, 2019) to sort images into categories. Stacked convolutional layers learn a hierarchy of visual features directly from pixels, and skip (residual) connections prevent the vanishing-gradient problem in very deep networks. | TextCNN is a convolutional neural network for text classification, introduced by Yoon Kim in 2014, that applies parallel convolution filters of different window sizes over word embeddings to capture local n-gram patterns. It is fast and effective for sentiment analysis and topic classification. |
| ScholarGateНабір даних ↗ |
|
|