Siirto-oppiminen ja instanssisegmentointi
Siirto-oppiminen instanssisegmentoinnissa hyödyntää suurista kuvakorpuksista (tyypillisesti ImageNet tai COCO) esikoulutettua konvoluutioverkon runko-osaa piirre-erottimena instanssisegmentointimallille, kuten Mask R-CNN:lle, ja hienosäätää sitten koko putken pienemmällä kohdeaineistolla. Tämä lähestymistapa tuottaa huippuluokan maskin tarkkuuden objektikohtaisesti murto-osalla siitä merkityn datan ja laskentatehon määrästä, jonka koulutus alusta alkaen vaatisi.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Transfer Learning Applied to Instance Segmentation Networks. ScholarGate. https://scholargate.app/fi/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.
- EsiintymäsegmentointiSyväoppiminen↔ compare
- Semanttinen segmentointiSyväoppiminen↔ compare
- Siirto-oppiminen kuvien luokittelussaSyväoppiminen↔ compare
- Siirto-oppiminen oliodentektiossaSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →