清华大学的“ResNeXt”模型介绍

"ResNeXt"是由清华大学的Xie Saining等人在2017年提出的深度学习模型，该模型在ResNet的基础上，通过引入“cardinality”这一概念，进一步提升了模型的性能。

在传统的卷积神经网络中，特征的提取是通过增加卷积核的深度和宽度来实现的，而ResNeXt则通过增加卷积核的“cardinality”来增加模型的深度和宽度。其中，“cardinality”指卷积层中的分组数量，每个分组内的卷积核共享权重，从而减少了参数量。

ResNeXt模型采用了残差块（Residual Block）来进行特征提取，通过堆叠多个残差块，可以构建出非常深的神经网络。与ResNet相比，ResNeXt在相同的计算量和参数量下，可以获得更好的性能。

ResNeXt模型在多个图像分类和目标检测任务中进行了验证，取得了优秀的性能表现，成为了深度学习领域的重要模型之一。