ScholarGate
Assistent
Machine learningDeep learning / NLP / CV

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.

Öppna i MethodMindSnartVideoSnartDownload slides

Läs hela metoden

Endast för medlemmar

Logga in med ett kostnadsfritt konto för att läsa avsnittet.

Logga in

Method map

The neighbourhood of related methods — select a node to explore.

+4 more

Källor

  1. 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
  2. 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.

Compare side by side

Refereras av

ScholarGateTransfer Learning with Convolutional Neural Network (Transfer Learning with Convolutional Neural Network (Feature Extraction and Fine-Tuning)). Hämtad 2026-06-15 från https://scholargate.app/sv/deep-learning/transfer-learning-with-convolutional-neural-network · Datamängd: https://doi.org/10.5281/zenodo.20539026