Uczenie transferowe z detekcją obiektów
Uczenie transferowe z detekcją obiektów rozpoczyna się od głębokiej sieci neuronowej wstępnie wytrenowanej na dużym zbiorze danych obrazów — zazwyczaj ImageNet dla sieci bazowej lub COCO dla pełnego detektora — i adaptuje ją do wykrywania obiektów w nowej dziedzinie. Ponowne wykorzystanie nauczonych reprezentacji wizualnych pozwala osiągnąć wysoką dokładność detekcji przy znacznie mniejszej liczbie anotowanych obrazów, niż wymagałoby to trenowanie 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.
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 ↗
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Transfer Learning Applied to Object Detection. ScholarGate. https://scholargate.app/pl/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.
- Dostrojona konwolucyjna sieć neuronowaUczenie głębokie↔ compare
- Detekcja obiektówUczenie głębokie↔ compare
- Transfer Learning z klasyfikacją obrazówUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →