Μεταφορά Μάθησης με Εντοπισμό Αντικειμένων
Η μεταφορά μάθησης με εντοπισμό αντικειμένων ξεκινά από ένα βαθύ νευρωνικό δίκτυο προεκπαιδευμένο σε ένα μεγάλο σύνολο δεδομένων εικόνων — συνήθως το ImageNet για το δίκτυο-ραχοκοκαλιά ή το COCO για τον πλήρη εντοπιστή — και το προσαρμόζει για τον εντοπισμό αντικειμένων σε έναν νέο τομέα. Επαναχρησιμοποιώντας τις μαθημένες οπτικές αναπαραστάσεις, επιτυγχάνει ισχυρή ακρίβεια εντοπισμού με πολύ λιγότερες σχολιασμένες εικόνες από ό,τι 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
- 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 ↗
- Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. Advances in Neural Information Processing Systems (NeurIPS), 28. link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Transfer Learning Applied to Object Detection. ScholarGate. https://scholargate.app/el/deep-learning/transfer-learning-with-object-detection
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
- Ανίχνευση ΑντικειμένωνΒαθιά Μάθηση↔ compare
- Μεταφορά Μάθησης με Ταξινόμηση ΕικόνωνΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →