Pembelajaran Pemindahan dengan Pengesanan Objek
Pembelajaran pemindahan dengan pengesanan objek bermula daripada rangkaian saraf dalam yang telah dilatih pada set data imej yang besar — lazimnya ImageNet untuk tulang belakang atau COCO untuk pengesan penuh — dan menyesuaikannya untuk mengesan objek dalam domain baharu. Dengan menggunakan semula perwakilan visual yang dipelajari, ia mencapai ketepatan pengesanan yang kukuh dengan imej beranotasi yang jauh lebih sedikit berbanding yang diperlukan untuk melatih dari awal.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Transfer Learning Applied to Object Detection. ScholarGate. https://scholargate.app/ms/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.
- Fine-Tuned Convolutional Neural NetworkPembelajaran Mendalam↔ compare
- Pengesanan ObjekPembelajaran Mendalam↔ compare
- Pembelajaran Pemindahan dengan Pengelasan ImejPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →