เปรียบเทียบวิธี

	การเรียนรู้แบบถ่ายโอนด้วยโครงข่ายประสาทเทียมแบบสังวัตนาการ	Semantic Segmentation
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2010–2014	2015
ผู้ริเริ่ม	Pan, S. J. & Yang, Q. (transfer learning framework); popularized for CNNs by Yosinski et al. and Razavian et al.	Long, J., Shelhamer, E., & Darrell, T.
ประเภท	Transfer learning applied to convolutional neural networks	Dense prediction / pixel-wise classification
แหล่งต้นตำรับ	Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359.	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.
ชื่อเรียกอื่น	TL-CNN, pretrained CNN, CNN fine-tuning, feature-extracting CNN	pixel-wise classification, scene parsing, dense labeling, semantic scene segmentation
ที่เกี่ยวข้อง	4	5
สรุป	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.	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.