وبلاگ دیجی پروژه

پروژه و ترجمه های هوش مصنوعی

وبلاگ دیجی پروژه

پروژه و ترجمه های هوش مصنوعی

وبلاگ دیجی پروژه

دیجی پروژه را در کانال تلگرام دیجی پروژه دنبال نمایید
https://telegram.me/DigiProjects

آخرین نظرات

۱ مطلب با کلمه‌ی کلیدی «دسته بندی شبکه تصویر» ثبت شده است

۱۷
فروردين

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

دانلود اصل مقاله - رایگان

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؟

چکیده

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