Трансферно обучение с сегментация на екземпляри
Трансферното обучение със сегментация на екземпляри използва повторно гръбначна конволюционна мрежа, предварително обучена върху голям корпус от изображения (обикновено ImageNet или COCO), като екстрактор на признаци за модел за сегментация на екземпляри като Mask R-CNN, след което фино настройва целия процес върху по-малък целеви набор от данни. Този подход осигурява най-съвременна точност на маската за всеки обект с малка част от етикетираните данни и изчислителна мощност, които биха били необходими при обучение от нулата.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- He, K., Gkioxari, G., Dollar, P., & Girshick, R. (2017). Mask R-CNN. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2961–2969. DOI: 10.1109/ICCV.2017.322 ↗
- 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 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Transfer Learning Applied to Instance Segmentation Networks. ScholarGate. https://scholargate.app/bg/deep-learning/transfer-learning-with-instance-segmentation
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Инстанс сегментацияДълбоко обучение↔ compare
- Semantic SegmentationДълбоко обучение↔ compare
- Трансферно обучение с класификация на изображенияДълбоко обучение↔ compare
- Трансферно обучение с детекция на обектиДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →