Дообученная семантическая сегментация
Дообученная семантическая сегментация адаптирует глубокую нейронную сеть, предварительно обученную на большом наборе данных с разметкой пикселей (например, основа, предварительно обученная на ImageNet, с энкодер-декодерной головой, обученной на COCO или Cityscapes), к новой целевой области путем продолжения обучения на аннотированных изображениях, специфичных для данной области. Результатом является модель, которая присваивает метку класса каждому пикселю на изображении, используя богатые визуальные представления, полученные из значительно большего объема данных, чем могла бы предоставить только целевая область.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Long, J., Shelhamer, E., & Darrell, T. (2015). Fully convolutional networks for semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3431–3440. DOI: 10.1109/CVPR.2015.7298965 ↗
- Chen, L.-C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A. L. (2018). DeepLab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 40(4), 834–848. DOI: 10.1109/TPAMI.2017.2699184 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Fine-Tuned Semantic Segmentation (Transfer Learning for Dense Pixel-wise Classification). ScholarGate. https://scholargate.app/ru/deep-learning/fine-tuned-semantic-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.
- Дообученная (fine-tuned) свёрточная нейронная сетьГлубокое обучение↔ compare
- Дообученный Vision TransformerГлубокое обучение↔ compare
- Сегментация экземпляровГлубокое обучение↔ compare
- Семантическая сегментацияГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →