Konvolutionale Neuronale Netze

Adaptive Pooling ist eine Technik im Deep Learning, die die Größe der Ausgabefunktionen an spezifische Anforderungen anpasst.

Atrous-Konvolution ist eine Art der Konvolution, die dilatierte Filter verwendet, um Multi-Skalen-Features in neuronalen Netzwerken zu erfassen.

Eine Faltungsschicht ist eine Schlüsselkomponente in konvolutionalen neuronalen Netzwerken (CNNs), die Eingabedaten verarbeitet und Merkmale extrahiert.

Deformierbare Faltung verbessert die Standardfaltung, indem sie flexible, lernbare Abtastpositionen ermöglicht.

Tiefenweise Faltung ist eine Art von Faltungsschicht, die jeden Eingabekanal separat verarbeitet.

Depthwise Separable Convolution ist eine effiziente Faltungstechnik, die im Deep Learning verwendet wird, um die Rechenkomplexität zu reduzieren.

Dilated convolution expands the filter's receptive field without increasing its parameters.

Dynamic Convolution passt die Faltungsschichten in neuronalen Netzwerken basierend auf den Eigenschaften der Eingabedaten an.

Gruppierte Faltung ist eine Technik, bei der Eingangs-Kanäle in kleinere Gruppen aufgeteilt werden, um eine parallele Verarbeitung in neuronalen Netzwerken zu ermöglichen.

Eine Pooling-Schicht reduziert die räumlichen Dimensionen der Eingabedaten, wobei wesentliche Merkmale beibehalten und die Komplexität minimiert werden.

Trennbare Faltung ist eine effiziente Technik, die im Deep Learning verwendet wird, um die Berechnungen in konvolutionalen neuronalen Netzwerken zu reduzieren.