Μεταφορά Μάθησης με Τμηματοποίηση Περιστατικών
Η μεταφορά μάθησης με τμηματοποίηση περιστατικών επαναχρησιμοποιεί ένα συνελικτικό δίκτυο βάσης προεκπαιδευμένο σε ένα μεγάλο σώμα εικόνων (συνήθως ImageNet ή COCO) ως εξαγωγέα χαρακτηριστικών για ένα μοντέλο τμηματοποίησης περιστατικών, όπως το Mask R-CNN, και στη συνέχεια προσαρμόζει ολόκληρη τη ροή εργασίας σε ένα μικρότερο σύνολο δεδομένων στόχο. Αυτή η προσέγγιση προσφέρει ακρίβεια μάσκας αιχμής ανά αντικείμενο με ένα κλάσμα των επισημασμένων δεδομένων και υπολογιστικής ισχύος που θα απαιτούσε 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
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Transfer Learning Applied to Instance Segmentation Networks. ScholarGate. https://scholargate.app/el/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.
- Τμηματοποίηση Αντικειμένων (Instance Segmentation)Βαθιά Μάθηση↔ compare
- Σημασιολογική ΤμηματοποίησηΒαθιά Μάθηση↔ compare
- Μεταφορά Μάθησης με Ταξινόμηση ΕικόνωνΒαθιά Μάθηση↔ compare
- Μεταφορά Μάθησης με Εντοπισμό ΑντικειμένωνΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →