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

۴ مطلب با کلمه‌ی کلیدی «شبکه های عصبی کانولوشن» ثبت شده است

۲۸
فروردين

C o n v o l u t i o n a l  N e u r a l  N e t w o r k s  f o r  P 3 0 0  D e t e c t i o n  w i t h  A p p l i c a t i o n  t o  B r a i n

 C o m p u t e r  I n t e r f a c e s

شبکه های عصبی کانولوشنی برای آشکارسازی p300 با عملیات ارتباطی مغز- کامپیوتر

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله به همراه پاسخ به سوالات : 32 صفحه

رعایت تمام قوانین نگارشی و دارای فهرست اشکال،جداول و محتوا

سال چاپ مقاله : 2011

دانلود اصل مقاله – رایگان

قیمت : ۱۲۰۰۰ تومان


چکیده

ارتباط کامپیوتر – مغز (BCI) یک نوع از ارتباطات انسان – کامپیوتر است که ارتباط مستقیم بین انسان و کامپیوتر را توسط آنالیز اندازهگیری های مغز ممکن می سازد. نمونه های توپ فرد در BCI برای تولید پتانسیل های مرتبط با حادثه (ERP)،مانند موج p300 ،بر روی هدف انتخاب شده توسط کاربر استفاده شد.یک درست کننده p300 بر اصولی  استوار است که آشکارسازی موج های p300 به کاربر اجازه می دهد که کاراکتر ها را بنویسد.درست کننده p300 از دو مساله کلاس بندی تشکیل شده است.اولین کلاس بندی ، اشکار سازی وجود p300 در نوار مغزی (EEG) است. دومین معادل است با ترکیبات پاسخ های مختلف p300 برای تعیین کاراکتر درست است.یک روش جدید برای آشکارسازی موج های p300 ارائه شده است.این مدل بر یک شبکه عصبی کانولوشن CNN استوار است.توپولوژی این شبکه برای آشکارسازی موج های p300در حوزه زمان انتخاب شده است.7 دسته بندی کننده بر اساس CNN ارائه شده است:4 سیگنال دسته بندی کننده با دسته های ویژگی مختلف و 3 مولتی طبقه بندی گر.این مدل ها آزمایش شدند و مقایسه شدند برای دسته داده II از سومین رقابت BCI.اولین نتیجه با یک راه حل مولتی طبقه بندی گر با نرخ بازسازی 95.5% و بدون انتخاب کانال قبا از طبقه بندی بدست آمد.دستاورد ارائه شده یک روش جدید را برای آنالیز فعالیت های مغز مهیا می کند به علت شاخه های پذیرا از مدل های CNN.

کلمات کلیدی :

شبکه عصبی  پیچیدگی  یادگیری مبتنی بر گرادیان- فیلتر های فضایی - رابط مغز و کامپیوتر(BCI)  موج نگار مغز (EEG)P300

۲۱
فروردين

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

دانلود اصل مقاله – رایگان

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

۲۰
فروردين

 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

دانلود اصل مقاله – رایگان

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؟

چکیده

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.

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