Finjusteret billedklassifikation
Finjusteret billedklassifikation tilpasser et stort neuralt netværk, der er fortrænet på et bredt billedkorpus (såsom ImageNet), til et specifikt måldomæne ved at fortsætte træningen på mærkede domænebilleder. Denne tilgang opnår stærk nøjagtighed med langt færre mål-domæne-prøver end træning fra bunden, hvilket gør den til det dominerende paradigme for anvendte computer vision-opgaver.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Fine-Tuned Deep Neural Network for Image Classification. ScholarGate. https://scholargate.app/da/deep-learning/fine-tuned-image-classification
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.
- Finetunet Convolutional Neural NetworkDyb læring↔ compare
- Finetunet Vision TransformerDyb læring↔ compare
- BilledklassifikationDyb læring↔ compare
- ObjektdetektionDyb læring↔ compare
- Overførselslæring med billedklassifikationDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →