Redes Neuronales Convolucionales
Explora 11 términos de IA en Redes Neuronales Convolucionales
Agrupamiento adaptativo
APEl agrupamiento adaptativo es una técnica en aprendizaje profundo que ajusta el tamaño de las características de salida para cumplir con requisitos específicos.
Convolución Atrous
ACLa convolución atrous es un tipo de convolución que utiliza filtros dilatados para capturar características a múltiples escalas en redes neuronales.
Capa convolucional
Capa de convoluciónUna capa convolucional es un componente clave en las redes neuronales convolucionales (CNN) que procesa y extrae características de los datos de entrada.
Convolución deformable
DCNLa convolución deformable mejora la convolución estándar permitiendo ubicaciones de muestreo flexibles y aprendibles.
Convolución en profundidad
DW ConvLa convolución en profundidad es un tipo de capa convolucional que procesa cada canal de entrada por separado.
Convolución separable en profundidad
DSCLa Convolución Separada en Profundidad es una técnica de convolución eficiente utilizada en aprendizaje profundo para reducir la complejidad computacional.
Convolución dilatada
DADilated convolution expands the filter's receptive field without increasing its parameters.
Convolución Dinámica
La Convolución Dinámica adapta las capas convolucionales en redes neuronales según las características de los datos de entrada.
Convolución Agrupada
GCLa Convolución Agrupada es una técnica que divide los canales de entrada en grupos más pequeños para procesamiento paralelo en redes neuronales.
Capa de agrupación
Una capa de pooling reduce las dimensiones espaciales de los datos de entrada, conservando las características esenciales mientras minimiza la complejidad.
Convolución separable
SCLa convolución separable es una técnica eficiente utilizada en aprendizaje profundo para reducir el cálculo en redes neuronales convolucionales.