Uczenie transferowe z konwolucyjną siecią neuronową
Uczenie transferowe z CNN polega na ponownym wykorzystaniu konwolucyjnej sieci neuronowej, która została już wytrenowana na dużym zbiorze danych — najczęściej ImageNet — i dostosowaniu jej wykrytych cech do nowego, często mniejszego zbioru docelowego. Pozwala to badaczom osiągnąć silną wydajność w rozpoznawaniu obrazów bez ogromnych zasobów obliczeniowych i danych wymaganych do trenowania CNN od zera.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Transfer Learning with Convolutional Neural Network (Feature Extraction and Fine-Tuning). ScholarGate. https://scholargate.app/pl/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.
- Dostrojona konwolucyjna sieć neuronowaUczenie głębokie↔ compare
- Klasyfikacja obrazówUczenie głębokie↔ compare
- Detekcja obiektówUczenie głębokie↔ compare
- Segmentacja semantycznaUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →