Siirto-oppiminen kuvien luokittelussa
Siirto-oppiminen kuvien luokittelussa hyödyntää syvän neuroverkon runkoarkkitehtuuria – tyypillisesti CNN:ää tai Vision Transformeria – joka on esikoulutettu suurella aineistolla, kuten ImageNetillä, ja mukauttaa sen luokittelemaan kuvia uudella kohdealueella. Perimällä yleisiä visuaalisia piirteitä lähdetehtävästä lähestymistapa saavuttaa korkean tarkkuuden paljon pienemmällä määrällä merkittyjä kuvia kuin alusta alkaen koulutettaessa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Transfer Learning with Pretrained Deep Neural Networks for Image Classification. ScholarGate. https://scholargate.app/fi/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.
- Hienosäädetty konvoluutioneuroverkkoSyväoppiminen↔ compare
- Hienosäädetty Vision TransformerSyväoppiminen↔ compare
- KuvanluokitteluSyväoppiminen↔ compare
- Siirto-oppiminen oliodentektiossaSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →