Finjusterad faltningsnät (CNN)
Att finjustera ett CNN innebär att man utgår från ett nätverk som redan tränats på en stor datamängd – typiskt ImageNet – och fortsätter träningen på en mindre målgruppsdatamängd så att modellen anpassar sina inlärda visuella drag till en ny uppgift. Detta tillvägagångssätt minskar dramatiskt den data och beräkningskraft som krävs för att uppnå stark prestanda jämfört med att träna från grunden.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
+6 more
Källor
- Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How transferable are features in deep neural networks? Advances in Neural Information Processing Systems, 27. link ↗
- Tajbakhsh, N., Shin, J. Y., Gurudu, S. R., Hurst, R. T., Kendall, C. B., Gotway, M. B., & Liang, J. (2016). Convolutional neural networks for medical image analysis: Full training or fine tuning? IEEE Transactions on Medical Imaging, 35(5), 1299–1312. DOI: 10.1109/TMI.2016.2535302 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Fine-Tuned Convolutional Neural Network (CNN Fine-Tuning via Transfer Learning). ScholarGate. https://scholargate.app/sv/deep-learning/fine-tuned-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.
- Finjusterat återkommande neuralt nätverkDjupinlärning↔ compare
- Finjusterad Vision TransformerDjupinlärning↔ compare
- BildklassificeringDjupinlärning↔ compare
- ObjektdetekteringDjupinlärning↔ compare
- Överföringsinlärning med faltningsneurala nätverkDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →