Μεταφορά Μάθησης με Ταξινόμηση Εικόνων
Η Μεταφορά Μάθησης με Ταξινόμηση Εικόνων επαναχρησιμοποιεί ένα βαθύ νευρωνικό δίκτυο υποστήριξης — συνήθως ένα CNN ή Vision Transformer — προεκπαιδευμένο σε ένα μεγάλο σύνολο δεδομένων, όπως το ImageNet, και το προσαρμόζει για την ταξινόμηση εικόνων σε έναν νέο στόχο τομέα. Κληρονομώντας γενικά οπτικά χαρακτηριστικά από την πηγή εργασία, η προσέγγιση επιτυγχάνει υψηλή ακρίβεια με πολύ λιγότερες επισημασμένες εικόνες από ό,τι η εκπαίδευση από το μηδέν.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
- Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25. link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Transfer Learning with Pretrained Deep Neural Networks for Image Classification. ScholarGate. https://scholargate.app/el/deep-learning/transfer-learning-with-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.
- Βελτιστοποιημένο Συνελικτικό Νευρωνικό ΔίκτυοΒαθιά Μάθηση↔ compare
- Προσαρμοσμένος Όρασης ΜετασχηματιστήςΒαθιά Μάθηση↔ compare
- Κατηγοριοποίηση ΕικόνωνΒαθιά Μάθηση↔ compare
- Μεταφορά Μάθησης με Εντοπισμό ΑντικειμένωνΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →