Apprentissage par transfert avec détection d'objets
L'apprentissage par transfert avec détection d'objets part d'un réseau neuronal profond pré-entraîné sur un grand jeu de données d'images — typiquement ImageNet pour le backbone ou COCO pour le détecteur complet — et l'adapte pour détecter des objets dans un nouveau domaine. En réutilisant les représentations visuelles apprises, il atteint une forte précision de détection avec beaucoup moins d'images annotées que ne l'exigerait 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
- 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 ↗
- Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. Advances in Neural Information Processing Systems (NeurIPS), 28. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Transfer Learning Applied to Object Detection. ScholarGate. https://scholargate.app/fr/deep-learning/transfer-learning-with-object-detection
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
- Détection d'objetsApprentissage profond↔ compare
- Apprentissage par transfert pour la classification d'imagesApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →