Je voert transfer learning uit voor voertuigmerk- en modelclassificatie met behulp van een vooraf getraind model dat is getraind op algemene afbeeldingen. Je hebt een grote gelabelde dataset met voertuigafbeeldingen. Hoe moet je het model initialiseren voordat je het opnieuw traint op je voertuigdataset?

Bij transfer learning is het doel om de kennis van een model dat is getraind op een grote, algemene dataset (zoals ImageNet) te benutten voor een gerelateerde, specifieke taak. Door de convolutionele lagen te initialiseren met de vooraf getrainde gewichten, profiteert het model van de geleerde feature-extractors (randen, texturen, vormen) die relevant zijn voor algemene beeldherkenning. De laatste volledig verbonden laag (de classificatielaag) moet worden vervangen en willekeurig geïnitialiseerd omdat deze specifiek is voor de oorspronkelijke klassen van het vooraf getrainde model en niet voor de nieuwe voertuigmerk- en modelklassen. Het trainen van alle lagen met willekeurige gewichten (opties 1 en 3) negeert de voordelen van transfer learning en vereist veel meer data en trainingstijd. Het behouden van de laatste laag met vooraf getrainde gewichten (optie 4) zou leiden tot een model dat probeert te classificeren in de oorspronkelijke klassen, wat onjuist is voor de nieuwe taak.