Pārneses apmācība ar konvolucionālo neironu tīklu
Pārneses apmācība ar CNN izmanto jau apmācītu konvolucionālo neironu tīklu, kas apmācīts uz liela datu kopuma — visbiežāk ImageNet — un pielāgo tā apgūtās iezīmju detektorus jaunam, bieži vien mazākam mērķa datu kopumam. Tas ļauj pētniekiem sasniegt spēcīgu attēlu atpazīšanas veiktspēju bez milzīgajiem aprēķinu un datu resursiem, kas nepieciešami, lai apmācītu CNN no nulles.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Transfer Learning with Convolutional Neural Network (Feature Extraction and Fine-Tuning). ScholarGate. https://scholargate.app/lv/deep-learning/transfer-learning-with-convolutional-neural-network
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.
- Fine-Tuned konvolucionālais neironu tīklsDziļā mācīšanās↔ compare
- Attēlu klasifikācijaDziļā mācīšanās↔ compare
- Objektu noteikšanaDziļā mācīšanās↔ compare
- Semantiskā segmentācijaDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →