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 داده­ های بصری» ثبت شده است

۱۸
فروردين

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

دانلود اصل مقاله – رایگان

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؟

چکیده

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