Фино настроена семантична сегментация
Фино настроената семантична сегментация адаптира дълбока невронна мрежа, предварително обучена върху голям набор от данни с етикетирани пиксели (напр. основа, предварително обучена на ImageNet, с глава енкодер-декодер, обучена на COCO или Cityscapes), към нова целева област чрез продължаване на обучението върху анотирани изображения, специфични за областта. Резултатът е модел, който присвоява етикет на клас на всеки пиксел в изображение, като същевременно използва богати визуални представяния, научени от значително повече данни, отколкото целевата област сама по себе си би могла да предостави.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- Long, J., Shelhamer, E., & Darrell, T. (2015). Fully convolutional networks for semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3431–3440. DOI: 10.1109/CVPR.2015.7298965 ↗
- Chen, L.-C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A. L. (2018). DeepLab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 40(4), 834–848. DOI: 10.1109/TPAMI.2017.2699184 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Fine-Tuned Semantic Segmentation (Transfer Learning for Dense Pixel-wise Classification). ScholarGate. https://scholargate.app/bg/deep-learning/fine-tuned-semantic-segmentation
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Фина настройка на конволюционна невронна мрежаДълбоко обучение↔ сравняване
- Фино настроен Vision TransformerДълбоко обучение↔ сравняване
- Инстанс сегментацияДълбоко обучение↔ сравняване
- Semantic SegmentationДълбоко обучение↔ сравняване
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →