Towards Abstractive Speech Summarization Exploring Unsupervised
and Supervised Approaches for Spoken Utterance Compression
خلاصهسازی تجردی گفتار: کاوش روشهای نظارتی و بدون نظارت
برای فشردهسازی نطق بیان شده
فرمت ترجمه مقاله : word – قابل ویرایش
تعداد صفحات ترجمه مقاله به همراه پاسخ به سوالات : 35 صفحه
رعایت تمام قوانین نگارشی و دارای فهرست اشکال،جداول و محتوا
سال چاپ مقاله : 2013
قیمت : 12000 تومان
چکیده
اکثر مطالعات قبلی در زمینهی خلاصهسازی گفتار، روی روشهای تجردی تمرکز کردهاند. الحاق نطقهای گفتاری استخراجی هنوز، شکل خوبی از خلاصه را به دلیل وجود عدم روانیها و افزونگیها در گفتار محاورهای بدون برنامه ایجاد نمیکند. در این مقاله، ما تولید خلاصههای گفتاری فشرده را با جفت کردن فشردهسازی سطح جملهای و روشهای خلاصهسازی به عنوان یک گام مناسب در تولید خلاصههای تجردی پیشنهاد میکنیم. ما دو روش فشردهسازی نطق را مقایسه کردیم: یک روش بدون نظارت مبتنی بر چارچوب برنامهنویسی خطی صحیح[1] (ILP) و یک روش نظارتی با استفاده از فیلدهای تصادفی شرطی[2] (CRF) که مسئلهی فشردهسازی نطق را به صورت یک عمل برچسبزنی دنبالهای تنظیم میکند. ما کارایی فشردهسازی را با استفاده از آوانویسیهای انسانی و ASR از جلسات ICSI ارزیابی کرده و هر دو ارزیابی انسانی و اتوماتیک را انجام دادیم. نتایج ما نشان میدهد که میتوانیم به کارایی فشردهسازی نطق قابل قبولی دست یابیم و اینکه روش مبتنی بر CRF به طور کلی بهتر عمل میکند. با ترکیب روشهای فشردهسازی و خلاصهسازی، میتوانیم خلاصههای گفتاری فشرده که اطلاعات بیشتری در محدوده طول معین پوشش میدهد را تولید کنیم و کارایی مطلق 5٪ را در آوانویسیهای انسانی و اتوماتیک ارزیابی شده توسط رتبههای ROUGE-1 بدست آوریم.
[1] Integer Linear Programming
[2] conditional random fileds
فیلم فراماشینی یا اکسمَکینا ( Ex Machina 2015 ) اینبار با تلفیق موضوع مهم آیندهی تکنولوژی هوش مصنوعی و یک رمانتیسم قوی گیشهها را فتح کرد و افتخاراتی نیز بدست آورد. با گجت نیوز و نگاهی مختصر به این فیلم همراه باشید.
زمانی که رباتها وارد زندگی انسان ها خواهند شد و به آنها وابسته میشوند. فیلمهایی که معمولا آیندهی تکنولوژیک دنیا را نمایش میدهند، استقبال بسیار خوبی شاهد هستند؛ مثلا سهگانه بازگشت به آینده ( Back to future )، که توسط دو کارگردان بزرگ سینما استیون اسپیلبرگ (قسمت اول) و رابرت زمئیکس (قسمت دوم و سوم) ساخته شد، مورد توجه بسیاری از منتقدان قرار گرفت و اکنون نیز میتوان آثار این اثر سینمایی را دید؛ فیلم فراماشینی ( EX Machina ) نیز دقیقا از این دسته از فیلم های بحث برانگیز است.
Human Tracking Using Convolutional Neural Networks
ردیابی انسان با استفاده از شبکه های عصبی کانولوشن
فرمت ترجمه مقاله : word – قابل ویرایش
تعداد صفحات ترجمه مقاله به همراه پاسخ به سوالات : 43 صفحه
رعایت تمام قوانین نگارشی و دارای فهرست اشکال،جداول و محتوا
سال چاپ مقاله : 2010
قیمت : 24000 تومان
چکیده
در این مقاله، ما ردیابی را به عنوان شناخت مساله تخمین مکان ومقیاس شی با در نظر گفتن مکان و مقیاس قبلی اش و همچنین فریم (تک تصویر)های تصویر قبلی و جاری مورد بررسی قرار می دهیم. با ارائه مجموعه از مثالها، شبکه های عصبی کانولوشن (CNNs) را برای انجام وظایف تخمینی بالا، آموزش می دهیم. متفاوت از دیگر روش های تخمینی، شبکه های عصبی کانولوشن (CNNs)، به طور مشترک، ویژگیهای مکانی و زمانی را از جفت تصاویر دو فریم( تک تصاویر) مجاور می شناسد. ما روشهای چندگانه در شبکه عصبی کانولوشن (CNNs)، را برای آمیختن بهتر اطلاعات سراسری و محلی، معرفی می کنیم. ساختمان متغیر تبدیل خلاقانه شبکه های عصبی کانولوشن (CNNs)، گویی برای کاهش مشکل تبدیل، زمانی که اشیای مزاحم مشابه هدف در محیط شلوغ هستند، طراحی شده است. به علاوه، ما شبکه های عصبی کانولوشن (CNNs) را برای تخمین مقیاس از طریق مکان یابی دقیق برخی نقاط کلیدی، به کار می گیریم. این روشها وابسته به شی هستند، به گونه ای که روش پیشنهادی می تواند برای ردیابی انواع دیگر شی به کار گرفته شود. قابلیت ردیابی مدیریت موقعیت پیچیده ،در سکانس های آزمایشی بسیاری بیان شده است.
اصطلاحات راهنما- شبکه های عصبی کانولوشن، یادگیری ماشینی، ردیابی بصری
A Dynamically Configurable Coprocessor for Convolutional Neural Networks
پردازنده کمکی پویای قابل تنظیم برای شبکه های عصبی کانولوشن
فرمت ترجمه مقاله : word – قابل ویرایش
تعداد صفحات ترجمه مقاله به همراه پاسخ به سوالات : 47 صفحه
رعایت تمام قوانین نگارشی و دارای فهرست اشکال،جداول و محتوا
سال چاپ مقاله : 2013
قیمت : 29000 تومان
این فایل علاوه بر ترجمه به سوالات زیر در باب مقاله مذکور پاسخ میدهید:
۸-۱ مقاله دقیقا چی مساله ای را میخواهد حل کند؟
۸-۲ چه جنبه این مساله جنبه مهمی است؟ چرا؟
۸-۳ راه حل های قبلی چه هستند؟
۸-۴ مشکلات راه حلهای قبلی چیست و چرا ناکافی هستند؟
۸-۵ راه حل پشنهادی چیست؟
۸-۶ چگونه راه حل طراحی و پیاده سازی شده است؟
۸-۷ چرا این راه حل کار خواهد کرد و بهتر از راه حل های قبلی خواهد بود؟
۸-۸ فرضیات بکار رفته چه هستند؟ این فرضیات چقدر واقع گرایانه هستند؟
۸-۹ روش پشنهادی چگونه ارزیابی شده است؟
۸-۱۰ ارزش راه حل چگونه اثبات شده است؟
۸-۱۱ نتایج اصلی مقاله چه هستند؟
۸-۱۲ نتایج چقدر نسبت به فرضیات حساس هستند؟
۸-۱۳ روندهای آتی این کار تحقیقاتی از نظر نویسندگان چیست؟
۸-۱۴ در نگاه کلی، این مقاله چه چیزی به ما میدهد؟
۸-۱۵ نقاط قوت کار از نظر شما کدامند؟در ایده اولیه، در راه حل، و در ارزیابی؟
۸-۱۶ نقاط ضعف کار از نظر شما کدامند؟
۸-۱۷ شما چه جهت هایی برای ادامه کار می بینید؟
۸-۱۸ چه سوالاتی در مورد مقاله به ذهن شما می آید؟
برنامه های کاربردی شبکههای عصبی کانولوشن (CNN) برنامه هایی هستند که از شناسایی و استدلال (مانند شناسایی دست خط، شناسایی حالت چهره و نظارت فیلمها) تا برنامه های هوشمند متنی مثل تحلیل فنی شماتیک و برنامه های پردازش زبان طبیعی را شامل میشوند. دو مشاهده کلیدی باعث ساختن طرحی جدید برای CNN شد؛ اول، بارِ کاری CNN، مخلوطی وسیع از سه نوع موازیسازی را ارائه داده است: موازی سازی درون یک عملیات کانولوشن، موازی سازی در داخل-خروجی که در آن چندین منابع ورودی (ویژگیها) ترکیب میشوند تا یک خروجی واحد بسازند، و موازی سازی بین-خروجی که در آن چندین خروجی (ویژگی) مستقل، همزمان محاسبه میشوند. بارهای کاری در برنامه های مختلف CNN و لایه های متفاوت CNN، تفاوت چشمگیری دارند. دوما، تعداد المانهای محاسبه در یک معماری، نسبت به پهنای باند خارج از حافظه (pin-count) با نسبت بسیار بیشتری (همانند قانون مور[1]) افزایش می یابد. بر اساس این دو مشاهده، ما نشان میدهیم که در ازای مقدار مشخصی المان محاسبه و پهنای باند خارج از حافظه، یک معماری سخت افزاری جدید CNN که برای رسیدن به مقدار مشخصی از موازیسازی در یک بارِکاری مشخص، سخت افزار را به طور پویا و درجا تنظیم میکند و بهترین توان عملیاتی را میدهد. کامپایلر CNN ما، مشخصات خلاصه شده شبکه را به طور خودکار به یک ریزبرنامه (دستهای از دستورات سطح پایین VLIW) ترجمه میکند که توسط یک Coprocessor، برنامه ریزی، زمانبندی و اجرا میشود. به نسبت یک 4.3GHz quad-core dual socket Intel Zenon، 1.35 GHz C910 GPU و یک 1200MHz FPGA، معماری قابل تنظیم 120 مگاهرتز، حدود 4 تا 8 برابر سریعتر است. این اولین معماری CNN است که توانسته شناسایی اشیای زیادی را در یک فیلم برداری (25 تا30 فریم بر ثانیه) به طور همزمان انجام دهد.
گروهها و توضیح دهندههای موضوعات
c.1.3 (حالت های دیگر معماری): معماری های سازگار شونده، شبکه های عصبی، پردازنده های پاپ لاین[2]
واژههای عمومی
طرح، آزمایش، کارایی
کلمههای کلیدی
شبکه های عصبی کانولوشن، تنظیم دوباره پویا، معماری رایانه موازی
[1] Moore
[2] Pipeline processors.
Convolutional Deep Networks for Visual Data Classification
شبکه های عمیق کانولوشن برای دسته بندی دادههای بصری
فرمت ترجمه مقاله : word – قابل ویرایش
تعداد صفحات ترجمه مقاله به همراه پاسخ به سوالات : 34 صفحه
رعایت تمام قوانین نگارشی و دارای فهرست اشکال،جداول و محتوا
سال چاپ مقاله : ۲۰۱۲
قیمت : 24000 تومان
این فایل علاوه بر ترجمه به سوالات زیر در باب مقاله مذکور پاسخ میدهید:
۸-۱ مقاله دقیقا چی مساله ای را میخواهد حل کند؟
۸-۲ چه جنبه این مساله جنبه مهمی است؟ چرا؟
۸-۳ راه حل های قبلی چه هستند؟
۸-۴ مشکلات راه حلهای قبلی چیست و چرا ناکافی هستند؟
۸-۵ راه حل پشنهادی چیست؟
۸-۶ چگونه راه حل طراحی و پیاده سازی شده است؟
۸-۷ چرا این راه حل کار خواهد کرد و بهتر از راه حل های قبلی خواهد بود؟
۸-۸ فرضیات بکار رفته چه هستند؟ این فرضیات چقدر واقع گرایانه هستند؟
۸-۹ روش پشنهادی چگونه ارزیابی شده است؟
۸-۱۰ ارزش راه حل چگونه اثبات شده است؟
۸-۱۱ نتایج اصلی مقاله چه هستند؟
۸-۱۲ نتایج چقدر نسبت به فرضیات حساس هستند؟
۸-۱۳ روندهای آتی این کار تحقیقاتی از نظر نویسندگان چیست؟
۸-۱۴ در نگاه کلی، این مقاله چه چیزی به ما میدهد؟
۸-۱۵ نقاط قوت کار از نظر شما کدامند؟در ایده اولیه، در راه حل، و در ارزیابی؟
۸-۱۶ نقاط ضعف کار از نظر شما کدامند؟
۸-۱۷ شما چه جهت هایی برای ادامه کار می بینید؟
۸-۱۸ چه سوالاتی در مورد مقاله به ذهن شما می آید؟
این مقاله یک الگوریتم یادگیری نیمه نظارتی را به نام شبکه های عمیق پیچیدگی (CDN) در بر گرفته است، که این شبکه ها برای نشان دادن مشکل دستهبندی تصاویر توسط یادگیری عمیق به کار می روند. ابتدا، ما چندین لایه پنهان قبلی را با استفاده از ماشین های بلتزمن می سازیم که به طور مؤثر قادر به کاهش اندازه و چکیده اطلاعات تصاویر می باشند. دوم، لایه های پنهان بعدی را با استفاده از ماشین های بلتزمن، می سازیم که به سرعت اطلاعات تصاویر را خلاصه می کنند. سوم، این معماری عمیق ایجاد شده، به خوبی توسط نزول در امتداد گرادیان، تنظیم شده است و بر پایه یادگیری نظارتی با یک تابع ضرر نمایی می باشد. CDN، می تواند ابعاد و چکیده اطلاعات تصویر را در یک زمان بطور موثری کاهش دهد. مهمتر آنکه روند خلاصه سازی و دسته بندی شبکه های CDN، از معماری عمیق یکسانی برای بهینه سازی پارامترهای مشابه در مراحل متفاوت استفاده می کند، که به طور مؤثر توانایی یادگیری را بهبود می بخشد. ما چندین آزمایش روی دو مجموعه دادگان تصاویر استاندارد انجام دادیم و نتایج نشان داده بود که CDN با هر دو دسته بندی کننده های نیمه نظارتی و تکنیکهای یادگیری عمیق موجود در رقابت است.
کلمات کلیدی:
یادگیری نیمه نظارتی، یادگیری عمیق، شبکه های عصبی کانولوشن، دسته بندی داده های بصری
ImageNet Classification with Deep Convolutional Neural Networks
دسته بندی شبکه تصویر با شبکه های عصبی عمیق کانولوشن
فرمت ترجمه مقاله : word – قابل ویرایش
تعداد صفحات ترجمه مقاله به همراه پاسخ به سوالات : 48 صفحه
رعایت تمام قوانین نگارشی و دارای فهرست اشکال،جداول و محتوا
سال چاپ مقاله : 2012
قیمت : 29000 تومان
این فایل علاوه بر ترجمه به سوالات زیر در باب مقاله مذکور پاسخ میدهید:
8-1 مقاله دقیقا چی مساله ای را میخواهد حل کند؟
8-2 چه جنبه این مساله جنبه مهمی است؟ چرا؟
8-3 راه حل های قبلی چه هستند؟
8-4 مشکلات راه حلهای قبلی چیست و چرا ناکافی هستند؟
8-5 راه حل پشنهادی چیست؟
8-6 چگونه راه حل طراحی و پیاده سازی شده است؟
8-7 چرا این راه حل کار خواهد کرد و بهتر از راه حل های قبلی خواهد بود؟
8-8 فرضیات بکار رفته چه هستند؟ این فرضیات چقدر واقع گرایانه هستند؟
8-9 روش پشنهادی چگونه ارزیابی شده است؟
8-10 ارزش راه حل چگونه اثبات شده است؟
8-11 نتایج اصلی مقاله چه هستند؟
8-12 نتایج چقدر نسبت به فرضیات حساس هستند؟
8-13 روندهای آتی این کار تحقیقاتی از نظر نویسندگان چیست؟
8-14 در نگاه کلی، این مقاله چه چیزی به ما میدهد؟
8-15 نقاط قوت کار از نظر شما کدامند؟در ایده اولیه، در راه حل، و در ارزیابی؟
8-16 نقاط ضعف کار از نظر شما کدامند؟
8-17 شما چه جهت هایی برای ادامه کار می بینید؟
8-18 چه سوالاتی در مورد مقاله به ذهن شما می آید؟
ما یک شبکه عصبی عمیق کانولوشن و بزرگ برای طبقه بندی 1.2 میلیون تصویر با وضوح بالا در رقابت LSVRC-2010 شبکه تصویر به 1000 دسته متفاوت آموزش داده ایم. در داده های آزمایشی، ما به نرخ خطاهای بالاترین و 5 تا بالاترین رسیدیم که به طور قابل ملاحظه ای بهتر از روشهای مطرح قبلی می باشد. شبکه عصبی، که 60 میلیون پارامتر و 650 هزار سلول عصبی دارد شامل پنج لایه کانولوشن می باشد، که برخی از آنها توسط لایه های مکس-پولینگ[1] و سه لایه اتصالات کامل با یک تابع فعالیت سافت مکس[2] 1000-مسیره همراه شده اند. برای سریع بخشیدن به مرحله آموزش، ما از سلول عصبی های غیر اشباع و پیاده سازی واحد پردازنده گرافیکی بسیار کارآمد از عملکرد کانولوشن استفاده کردیم. برای کاهش اوورفیت[3] شدن در لایههای با اتصالات کامل، ما یک روش تنظیم که به تازگی توسعه یافته را بکار می بریم که "دراپ آوت[4]" نامیده شده و ثابت کرده است بسیار موثر می باشد. ما همچنین انواع مختلفی از این مدل را در رقابت ILSVRC-2012 وارد کرده ایم و به 5 بالاترین نرخ خطای آزمایش 15.3 درصد در مقایسه با 26.2 بدست آمده با دومین بهترین دست یافته ایم.
[1] max-pooling
[2] Softmax
[3] Overfitting
[4] Dropout
Feature Extraction & Clustering
این پروژه و تمرین مربوط به درس شناسایی آماری الگو می باشد سوالات مربوط به این تمرین و پروژه در ذیل مشاهده میکنید.
برای خرید پاسخ سوالات ّبصورت PDF و همچنین کدهای Matlab مربوط به سوالات میتوانید از لینک ذیل استفاده نمایید:
قیمت : ۵۰۰۰ تومان
نوشته های زیر برای افزایش سئو در سایت می باشد و به تمرین فوق ارتباطی ندارد.
Prove the following statement:
The pattern matrix of X is:
Use the following methods to cluster the pattern matrix and draw the
dendrogram in each case:
a) Single link algorithm (Min method)
b) Maximum link algorithm
c) Average link algorithm
d) Ward’s method
Find the linear orthonormal transformation from an n-dimensional X to an mdimensional Y by maximizing tr{Sh}.
find the linear orthonormal transformation from an n-dimensional X to an m-dimensional Y which maximizes
Feature Selection & Linear Classification
این پروژه و تمرین مربوط به درس شناسایی آماری الگو می باشد سوالات مربوط به این تمرین و پروژه در ذیل مشاهده میکنید.
برای خرید پاسخ سوالات ّبصورت PDF و همچنین کدهای Matlab مربوط به سوالات میتوانید از لینک ذیل استفاده نمایید:
قیمت : 5000 تومان
نوشته های زیر برای افزایش سئو در سایت می باشد و به تمرین فوق ارتباطی ندارد.
Given the following objective function, use SFS, SBS and “Plus-2 Minus-1 Selection” (LRS) to select 3 features
The density function of a two-dimensional random vector X consists of four
Let () and () be samples from and respectively. The between-class scatter
an n-dimensional X to an m-dimensional Y which maximizes
Design a linear classifier by minimizing the mean-square error for the data given in the following Table, assuming P1 = P2 = 0.5.
Design a Perceptron linear classifier for the data given below