Going Deeper with Convolutions: differenze tra le versioni
Nessun oggetto della modifica |
Nessun oggetto della modifica |
||
| Riga 3: | Riga 3: | ||
|autori=Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich | |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 | |URL=https://www.semanticscholar.org/paper/e15cf50aa89fee8535703b9f9512fca5bfc43327 | ||
|topic= | |topic=Visione artificiale, Reti neurali convoluzionali | ||
|citazioni= | |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. | |||
{{#seo: | |||
|title=Going Deeper with Convolutions | |||
|title_mode=append | |||
|keywords=reti neurali, apprendimento profondo, visione artificiale, classificazione di immagini, rilevamento oggetti, elaborazione multi-scala, GoogLeNet, ImageNet, ILSVRC14 | |||
|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." | |||
}} | |||
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.