Deep learning 使用主干架构和迁移学习之间有什么区别？

嗨，我是这个领域的新手（深度学习、计算机视觉） 所以这个问题听起来可能很愚蠢

在这个链接（）中，有一些预先训练过的模型（例如ResNet101），称为前端模型。它们用于特征提取。我发现这些模型通常被称为主干模型/架构。该链接还说，一些主要型号（如DeepLabV3、PSPNet）依赖于预先培训过的ResNet。
此外，迁移学习是将在大型数据集上训练的模型，并将其知识转移到较小的数据集，对吗

那么我的问题是，
1.依赖预先培训过的ResNet的模型基本上进行迁移学习吗？
2.如果我使用预训练网络（如ResNet101）作为主要模型（如U-Net、SegNet）的主干架构进行图像分割，是否将其视为转移学习

---

对不起，我的英语不好，如果你能回答这个问题，我将不胜感激。谢谢。

1。除非它只用于resnet，那么是的。尝试使用另一个数据集/任务，在类似任务中利用已经训练过的网络，这就是迁移学习。2.是的，与其他可能只更改最后一层或两层的情况不同，这里您添加了更多，但其概念相同。这个问题与编程无关。请到。谢谢。@juvian谢谢你的回复！我能问一个关于问题1的问题吗？我读过一篇PSPNet的论文，里面没有“迁移学习”这个词。那么，这些依赖预先训练模型的模型是否被视为“广义”的迁移学习？我的意思是，我觉得“迁移学习”这个词没有严格的定义。谢谢你！他们提到他们使用预先训练过的ResNet，所以他们正在应用迁移学习。它只是没有被提到，因为它暗示了预先训练的部分。我推荐阅读@juvian，非常感谢！！！我很感激你：）