การเรียนรู้แบบถ่ายโอน (Transfer Learning) ด้วยการแบ่งส่วนภาพระดับวัตถุ (Instance Segmentation)
การเรียนรู้แบบถ่ายโอนด้วยการแบ่งส่วนภาพระดับวัตถุ เป็นการนำโครงข่ายประสาทเทียมแบบสังวัตนาการ (convolutional network) ที่ได้รับการฝึกฝนล่วงหน้า (pretrained) บนชุดข้อมูลภาพขนาดใหญ่ (โดยทั่วไปคือ ImageNet หรือ COCO) มาใช้เป็นตัวสกัดคุณลักษณะ (feature extractor) สำหรับโมเดลการแบ่งส่วนภาพระดับวัตถุ เช่น Mask R-CNN จากนั้นจึงทำการปรับละเอียด (fine-tunes) กระบวนการทั้งหมดบนชุดข้อมูลเป้าหมายที่มีขนาดเล็กกว่า วิธีการนี้ให้ความแม่นยำของมาสก์ระดับวัตถุที่ล้ำสมัย (state-of-the-art) โดยใช้ข้อมูลที่ติดป้ายกำกับ (labeled data) และทรัพยากรการประมวลผลเพียงเศษเสี้ยวเมื่อเทียบกับการฝึกฝนตั้งแต่ต้น
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- He, K., Gkioxari, G., Dollar, P., & Girshick, R. (2017). Mask R-CNN. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2961–2969. DOI: 10.1109/ICCV.2017.322 ↗
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Transfer Learning Applied to Instance Segmentation Networks. ScholarGate. https://scholargate.app/th/deep-learning/transfer-learning-with-instance-segmentation
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.
- การแบ่งส่วนอินสแตนซ์ (Instance Segmentation)การเรียนรู้เชิงลึก↔ compare
- Semantic Segmentationการเรียนรู้เชิงลึก↔ compare
- การเรียนรู้แบบถ่ายโอนสำหรับการจำแนกประเภทรูปภาพการเรียนรู้เชิงลึก↔ compare
- การเรียนรู้แบบถ่ายโอนกับการตรวจจับวัตถุการเรียนรู้เชิงลึก↔ compare