Réseaux de neurones convolutifs
Explorez 11 termes d'IA dans les Réseaux de Neurones Convolutionnels
Regroupement adaptatif
APLe pooling adaptatif est une technique en apprentissage profond qui ajuste la taille des caractéristiques de sortie pour répondre à des exigences spécifiques.
Convolution atrous
ACLa convolution atrous est un type de convolution qui utilise des filtres dilatés pour capturer des caractéristiques multi-échelles dans les réseaux neuronaux.
Couche Convolutionnelle
Couche de convolutionUne couche convolutionnelle est un composant clé des réseaux de neurones convolutionnels (CNN) qui traite et extrait des caractéristiques des données d'entrée.
Convolution déformable
DCNLa convolution déformable améliore la convolution standard en permettant des emplacements d'échantillonnage flexibles et apprenables.
Convolution en profondeur
Conv DWLa convolution en profondeur est un type de couche convolutionnelle qui traite chaque canal d'entrée séparément.
Convolution séparables en profondeur
DSCLa Convolution Séparable en Profondeur est une technique de convolution efficace utilisée en apprentissage profond pour réduire la complexité computationnelle.
Convolution dilatée
DCDilated convolution expands the filter's receptive field without increasing its parameters.
Convolution Dynamique
La convolution dynamique adapte les couches convolutionnelles dans les réseaux de neurones en fonction des caractéristiques des données d'entrée.
Convolution groupée
GCLa convolution groupée est une technique qui divise les canaux d'entrée en groupes plus petits pour un traitement parallèle dans les réseaux neuronaux.
Couche de Pooling
Une couche de pooling réduit les dimensions spatiales des données d'entrée, en conservant les caractéristiques essentielles tout en minimisant la complexité.
Convolution Séparable
CILa convolution séparable est une technique efficace utilisée en apprentissage profond pour réduire le calcul dans les réseaux de neurones convolutionnels.