Pārneses apmācība ar instanču segmentāciju
Pārneses apmācība ar instanču segmentāciju izmanto konvolucionālu tīklu, kas iepriekš apmācīts uz liela attēlu kopuma (parasti ImageNet vai COCO), kā iezīmju ekstraktoru instanču segmentācijas modelim, piemēram, Mask R-CNN, un pēc tam pilnībā pielāgo (fine-tunes) modeli mazākai mērķa datu kopai. Šī pieeja nodrošina vismodernāko masku precizitāti katram objektam ar daļu no nepieciešamajiem iezīmētajiem datiem un aprēķina jaudas, salīdzinot ar apmācību 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.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Transfer Learning Applied to Instance Segmentation Networks. ScholarGate. https://scholargate.app/lv/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.
- Instance segmentācijaDziļā mācīšanās↔ compare
- Semantiskā segmentācijaDziļā mācīšanās↔ compare
- Pārneses apmācība attēlu klasifikācijāDziļā mācīšanās↔ compare
- Pārneses apmācība objektu noteikšanāDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →