Going Deeper with Convolutions: differenze tra le versioni

Versione attuale delle 12:10, 6 set 2024

Going Deeper with Convolutions
Data	2014
Autori	Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich
URL	https://www.semanticscholar.org/paper/e15cf50aa89fee8535703b9f9512fca5bfc43327
Topic	Visione artificiale, Reti neurali convoluzionali
Citazioni	40893

Questo articolo presenta "Inception", un'architettura di rete neurale convoluzionale profonda che ha stabilito un nuovo stato dell'arte nella classificazione e nel rilevamento dell'ImageNet Large-Scale Visual Recognition Challenge 2014 (ILSVRC14). L'innovazione principale risiede in un utilizzo più efficiente delle risorse computazionali all'interno della rete. Attraverso un design accurato, gli autori sono riusciti ad aumentare la profondità e l'ampiezza della rete mantenendo costante il costo computazionale. Per ottimizzare le prestazioni, le decisioni architetturali si sono basate sul principio Hebbiano e sull'intuizione dell'elaborazione multi-scala. Un'istanza specifica, denominata GoogLeNet, è stata presentata all'ILSVRC14. Si tratta di una rete profonda 22 livelli, la cui qualità è stata valutata in compiti di classificazione e rilevamento.

@@ Riga 1: / Riga 1: @@
-Titolo: [[Titolo::Going Deeper with Convolutions]]
+{{template pubblicazione
+|data=2014
+|autori=Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich
+|URL=https://www.semanticscholar.org/paper/e15cf50aa89fee8535703b9f9512fca5bfc43327
+|topic=Visione artificiale, Reti neurali convoluzionali
+|citazioni=40893
+}}
-Anno di pubblicazione: [[AnnoDiPubblicazione::2014]]
+Questo articolo presenta "Inception", un'architettura di rete neurale convoluzionale profonda che ha stabilito un nuovo stato dell'arte nella classificazione e nel rilevamento dell'ImageNet Large-Scale Visual Recognition Challenge 2014 (ILSVRC14). L'innovazione principale risiede in un utilizzo più efficiente delle risorse computazionali all'interno della rete. Attraverso un design accurato, gli autori sono riusciti ad aumentare la profondità e l'ampiezza della rete mantenendo costante il costo computazionale. Per ottimizzare le prestazioni, le decisioni architetturali si sono basate sul principio Hebbiano e sull'intuizione dell'elaborazione multi-scala. Un'istanza specifica, denominata GoogLeNet, è stata presentata all'ILSVRC14. Si tratta di una rete profonda 22 livelli, la cui qualità è stata valutata in compiti di classificazione e rilevamento.
-Autori: [[Autori::Christian Szegedy]]; [[Autori::Wei Liu]]; [[Autori::Yangqing Jia]]; [[Autori::Pierre Sermanet]]; [[Autori::Scott Reed]]; [[Autori::Dragomir Anguelov]]; [[Autori::Dumitru Erhan]]; [[Autori::Vincent Vanhoucke]]; [[Autori::Andrew Rabinovich]]
+{{#seo:
+            |title=Going Deeper with Convolutions
-URL: [[URL::https://arxiv.org/pdf/1409.4842.pdf]]
+            |title_mode=append
+            |keywords=reti neurali, apprendimento profondo, visione artificiale, classificazione di immagini, rilevamento oggetti, elaborazione multi-scala, GoogLeNet, ImageNet, ILSVRC14
-Topic: [[Topic::Aumentare la profondità delle reti neurali convoluzionali per ottenere una migliore rappresentazione delle caratteristiche dell'immagine e quindi migliorare la capacità di generalizzazione del modello]]
+            |description=Questa pubblicazione presenta \Inception\", un'architettura di rete neurale convoluzionale profonda che ha ottenuto risultati innovativi nella classificazione e nel rilevamento dell'ImageNet Large-Scale Visual Recognition Challenge 2014 (ILSVRC14). Gli autori descrivono come hanno migliorato l'efficienza delle risorse computazionali all'interno della rete, aumentando profondità e ampiezza mantenendo costante il costo computazionale."
-[[Category:pubblicazione]]
+            }}
-__SHOWFACTBOX__