Трансферное обучение для детектирования объектов
Трансферное обучение для детектирования объектов начинается с глубокой нейронной сети, предварительно обученной на большом наборе данных изображений — как правило, ImageNet для основы (backbone) или COCO для полного детектора — и адаптирует ее для обнаружения объектов в новой области. Повторно используя изученные визуальные представления, оно достигает высокой точности детектирования при гораздо меньшем количестве аннотированных изображений, чем потребовалось бы для обучения с нуля.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Transfer Learning Applied to Object Detection. ScholarGate. https://scholargate.app/ru/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.
- Дообученная (fine-tuned) свёрточная нейронная сетьГлубокое обучение↔ compare
- Обнаружение объектовГлубокое обучение↔ compare
- Обучение с переносом для классификации изображенийГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →