ScholarGate
Assistent
Machine learningDeep learning / NLP / CV

Transfer Learning mit Convolutional Neural Network

Transfer Learning mit CNN nutzt ein bereits auf einem großen Datensatz – meist ImageNet – trainiertes Convolutional Neural Network wieder und passt dessen gelernte Feature-Detektoren an einen neuen, oft kleineren Zieldatensatz an. Dies ermöglicht Forschenden, eine starke Bilderkennungsleistung zu erzielen, ohne die massiven Rechen- und Datenressourcen zu benötigen, die für das Training eines CNN von Grund auf erforderlich wären.

In MethodMind öffnenDemnächstVideoDemnächstDownload slides

Die vollständige Methode lesen

Nur für Mitglieder

Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.

Anmelden

Method map

The neighbourhood of related methods — select a node to explore.

+4 more

Quellen

  1. 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
  2. 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

So zitieren Sie diese Seite

ScholarGate. (2026, June 3). Transfer Learning with Convolutional Neural Network (Feature Extraction and Fine-Tuning). ScholarGate. https://scholargate.app/de/deep-learning/transfer-learning-with-convolutional-neural-network

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.

Compare side by side

Referenziert von

ScholarGateTransfer Learning with Convolutional Neural Network (Transfer Learning with Convolutional Neural Network (Feature Extraction and Fine-Tuning)). Abgerufen am 2026-06-15 von https://scholargate.app/de/deep-learning/transfer-learning-with-convolutional-neural-network · Datensatz: https://doi.org/10.5281/zenodo.20539026