Machine learningDeep learning / NLP / CV
تصنيف الصور المضبوط بدقة
يعمل تصنيف الصور المضبوط بدقة على تكييف شبكة عصبية كبيرة مدربة مسبقًا على مجموعة واسعة من الصور (مثل ImageNet) مع مجال مستهدف محدد عن طريق مواصلة التدريب على صور المجال المصنفة. يحقق هذا النهج دقة عالية بعدد أقل بكثير من عينات المجال المستهدف مقارنة بالتدريب من الصفر، مما يجعله النموذج السائد لتطبيقات رؤية الكمبيوتر.
اقرأ الطريقة كاملة
للأعضاء فقط
تسجيل الدخولسجّل الدخول بحساب مجاني لقراءة هذا القسم.
خريطة المناهج
محيط المناهج ذات الصلة — اختر عقدةً للاستكشاف.
+1 أخرى
المصادر
- Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How transferable are features in deep neural networks? Advances in Neural Information Processing Systems (NeurIPS), 27, 3320–3328. link ↗
- Pan, S. J., & Yang, Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Fine-Tuned Deep Neural Network for Image Classification. ScholarGate. https://scholargate.app/ar/deep-learning/fine-tuned-image-classification
أيُّ منهج؟
ضع هذا المنهج إلى جانب أقرب نظائره واقرأهما جنباً إلى جنب — المكتبة تضع الكتب على الطاولة، والاختيار لك.
- الشبكة العصبونية الالتفافية المُحسَّنة بدقةالتعلم العميق↔ قارن
- محوّل الرؤية المُحسَّن بدقةالتعلم العميق↔ قارن
- تصنيف الصورالتعلم العميق↔ قارن
- اكتشاف الكائناتالتعلم العميق↔ قارن
- التعلم بالنقل لتصنيف الصورالتعلم العميق↔ قارن