Överföringsinlärning med faltningsneurala nätverk
Överföringsinlärning med CNN återanvänder ett faltningsneuralt nätverk som redan har tränats på en stor datamängd – oftast ImageNet – och anpassar dess inlärda funktionsdetektorer till en ny, ofta mindre måldatamängd. Detta gör att forskare kan uppnå stark bildigenkänningsprestanda utan de massiva beräknings- och dataresurser som krävs för att träna en CNN 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.
+4 more
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Transfer Learning with Convolutional Neural Network (Feature Extraction and Fine-Tuning). ScholarGate. https://scholargate.app/sv/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.
- Finjusterad faltningsnät (CNN)Djupinlärning↔ compare
- BildklassificeringDjupinlärning↔ compare
- ObjektdetekteringDjupinlärning↔ compare
- Semantisk segmenteringDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →