Apprentissage par transfert avec réseau neuronal convolutif
L'apprentissage par transfert avec un réseau neuronal convolutif (CNN) réutilise un réseau neuronal convolutif déjà entraîné sur un grand jeu de données — le plus souvent ImageNet — et adapte ses détecteurs de caractéristiques appris à un nouveau jeu de données cible, souvent plus petit. Cela permet aux chercheurs d'obtenir de solides performances en reconnaissance d'images sans les ressources informatiques et de données massives nécessaires pour entraîner un CNN à partir de zéro.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
+4 de plus
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Transfer Learning with Convolutional Neural Network (Feature Extraction and Fine-Tuning). ScholarGate. https://scholargate.app/fr/deep-learning/transfer-learning-with-convolutional-neural-network
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Réseau neuronal convolutif affinéApprentissage profond↔ comparer
- Classification d'imagesApprentissage profond↔ comparer
- Détection d'objetsApprentissage profond↔ comparer
- Segmentation sémantiqueApprentissage profond↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →