Apprentissage par transfert avec segmentation d'instances
L'apprentissage par transfert avec segmentation d'instances réutilise un réseau convolutif de base pré-entraîné sur un grand corpus d'images (typiquement ImageNet ou COCO) comme extracteur de caractéristiques pour un modèle de segmentation d'instances tel que Mask R-CNN, puis affine l'ensemble du pipeline sur un jeu de données cible plus petit. Cette approche offre une précision de masque par objet de pointe avec une fraction des données étiquetées et de la puissance de calcul que nécessiterait un 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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Transfer Learning Applied to Instance Segmentation Networks. ScholarGate. https://scholargate.app/fr/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.
- Segmentation d'instancesApprentissage profond↔ compare
- Segmentation sémantiqueApprentissage profond↔ compare
- Apprentissage par transfert pour la 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 →