یادگیری انتقالی با شبکههای عصبی کانولوشنی
یادگیری انتقالی با CNN (شبکه عصبی کانولوشنی) از یک شبکه عصبی کانولوشنی که قبلاً بر روی مجموعه داده بزرگی - معمولاً ImageNet - آموزش دیده است، استفاده مجدد میکند و آشکارسازهای ویژگی آموختهشده خود را با مجموعه داده هدف جدید، که اغلب کوچکتر است، تطبیق میدهد. این امر به پژوهشگران اجازه میدهد تا بدون نیاز به منابع محاسباتی و دادهای عظیم مورد نیاز برای آموزش یک CNN از ابتدا، به عملکرد قوی در تشخیص تصویر دست یابند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
منابع
- 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 ↗
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Transfer Learning with Convolutional Neural Network (Feature Extraction and Fine-Tuning). ScholarGate. https://scholargate.app/fa/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.
- شبکه عصبی کانولوشنی تنظیمشدهیادگیری عمیق↔ compare
- طبقهبندی تصویریادگیری عمیق↔ compare
- تشخیص اشیاءیادگیری عمیق↔ compare
- تقسیمبندی معنایییادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →