เปรียบเทียบวิธี

	Semantic Segmentation	การเรียนรู้แบบถ่ายโอนด้วยโครงข่ายประสาทเทียมแบบสังวัตนาการ
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2015	2010–2014
ผู้ริเริ่ม	Long, J., Shelhamer, E., & Darrell, T.	Pan, S. J. & Yang, Q. (transfer learning framework); popularized for CNNs by Yosinski et al. and Razavian et al.
ประเภท	Dense prediction / pixel-wise classification	Transfer learning applied to convolutional neural networks
แหล่งต้นตำรับ	Long, J., Shelhamer, E., & Darrell, T. (2015). Fully convolutional networks for semantic segmentation. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 3431–3440.	Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359.
ชื่อเรียกอื่น	pixel-wise classification, scene parsing, dense labeling, semantic scene segmentation	TL-CNN, pretrained CNN, CNN fine-tuning, feature-extracting CNN
ที่เกี่ยวข้อง	5	4
สรุป	Semantic segmentation assigns a class label to every pixel in an image, producing a dense, category-annotated map of the scene. Unlike object detection, which draws bounding boxes, it delineates the exact spatial extent of each class, making it indispensable in medical imaging, autonomous driving, satellite analysis, and any task where precise region boundaries matter.	Transfer Learning with CNN reuses a convolutional neural network that has already been trained on a large dataset — most commonly ImageNet — and adapts its learned feature detectors to a new, often smaller target dataset. This lets researchers achieve strong image-recognition performance without the massive compute and data resources required to train a CNN from scratch.