Billedklassifikation
Billedklassifikation er opgaven med at tildele en enkelt semantisk etiket til et helt billede fra et fast sæt af kategorier. Moderne tilgange bygger på dybe konvolutionelle neurale netværk (CNN'er) eller Vision Transformers (ViT'er), der er trænet ende-til-ende på store mærkede datasæt som ImageNet, og opnår overmenneskelig nøjagtighed på mange benchmarks og understøtter applikationer fra medicinsk billedbehandling til autonome køretøjer.
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.
+14 more
Kilder
- Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems (NeurIPS), 25, 1097–1105. link ↗
- He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778. DOI: 10.1109/CVPR.2016.90 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Deep Learning Image Classification. ScholarGate. https://scholargate.app/da/deep-learning/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.
- Finjusteret billedklassifikationDyb læring↔ compare
- ObjektdetektionDyb læring↔ compare
- Semantisk segmenteringDyb læring↔ compare
- Overførselslæring med billedklassifikationDyb læring↔ compare
- Vision TransformerDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →