Apprentissage par transfert pour la classification d'images
L'apprentissage par transfert pour la classification d'images réutilise une architecture de réseau neuronal profond — généralement un CNN ou un Vision Transformer — pré-entraînée sur un grand jeu de données tel qu'ImageNet, et l'adapte pour classifier des images dans un nouveau domaine cible. En héritant de caractéristiques visuelles générales de la tâche source, l'approche atteint une grande précision avec beaucoup moins d'images étiquetées que l'entraînement à partir de zéro.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
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 ↗
- Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Transfer Learning with Pretrained Deep Neural Networks for Image Classification. ScholarGate. https://scholargate.app/fr/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.
- Réseau neuronal convolutif affinéApprentissage profond↔ compare
- Transformeur Vision AjustéApprentissage profond↔ compare
- Classification d'imagesApprentissage profond↔ compare
- Apprentissage par transfert avec détection d'objetsApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →