یادگیری مانده ای عمیق برای تشخیص تصویر
واتساپ:09141077352 همراه: 09141077352 ثابت: 35250068-041 سفارش سمینار و مقاله سفارش ترجمه تخصصی
 

دانلود فایل با شمار فاکتور

لطفا شماره فاکتور خود را درج نمایید


جدیدترین لغات واژه‌نامه

آمار بازدیدکنندگان

بازدید امروز :75
بازدید روز گذشته :72
بازدید این هفته :425
بازدید این ماه :2185
مجموع آمار بازدید ها :780458

عنوان محصول: یادگیری مانده ای عمیق برای تشخیص تصویر

دسته‌بندی: مقالات ترجمه شده رشته کامپیوتر
تاریخ انتشار: 17 تير 1398
یادگیری مانده ای عمیق برای تشخیص تصویر یادگیری مانده ای عمیق برای تشخیص تصویر
توضیحات مختصر: آموزش شبکه های مصنوعی عمیق تر سخت تر می باشد. در این مقاله یک چارچوب یادگیری مانده ای برای سهولت آموزش شبکه هایی که اساسا عمیق تر از شبکه های قبلا استفاده شده هستند، ارائه می کنیم. با صراحت به فرموله سازی مجدد لایه ها به صورت توابع مانده ای یادگیری با ارجاع به ورودی های لایه، بجای توابع بدون مرجع یا...
یادگیری مانده ای عمیق برای تشخیص تصویر یادگیری مانده ای عمیق برای تشخیص تصویر


قیمت قیمت : 33000 تومان
تخفیف تخفیف: 3000 تومان
تخفیف تخفیف ویژه : 10 درصد
قیمت نهایی قیمت نهایی: 26700 تومان
326 بازدید
کد مقاله: TTC- 3775
نوع فایل : docx
لینک دانلود فایل خریداری شده بلافاصله بعد از خرید موفق فعال خواهد شد.
Journal: IEEE 2016,

Deep Residual Learning for Image Recognition
Abstract
Deeper neural networks are more difficult to train. We present a residual learning framework to ease the training of networks that are substantially deeper than those used previously. We explicitly reformulate the layers as learning residual functions with reference to the layer inputs, instead of learning unreferenced functions. We provide comprehensive empirical evidence showing that these residual networks are easier to optimize, and can gain accuracy from considerably increased depth. On the ImageNet dataset we evaluate residual nets with a depth of up to 152 layers—8× deeper than VGG nets [40] but still having lower complexity. An ensemble of these residual nets achieves 3.57% error on the ImageNet test set. This result won the 1st place on the ILSVRC 2015 classification task. We also present analysis on CIFAR-10 with 100 and 1000 layers. The depth of representations is of central importance for many visual recognition tasks. Solely due to our extremely deep representations, we obtain a 28% relative improvement on the COCO object detection dataset. Deep residual nets are foundations of our submissions to ILSVRC & COCO 2015 competitions1, where we also won the 1st places on the tasks of ImageNet detection, ImageNet localization, COCO detection, and COCO segmentation.

چکیده
آموزش شبکه های مصنوعی عمیق تر سخت تر می باشد. در این مقاله یک چارچوب یادگیری مانده ای برای سهولت آموزش شبکه هایی که اساسا عمیق تر از شبکه های قبلا استفاده شده هستند، ارائه می کنیم. با صراحت به فرموله سازی مجدد لایه ها به صورت توابع مانده ای یادگیری با ارجاع به ورودی های لایه، بجای توابع بدون مرجع یادگیری می پردازیم. شواهد تجربی جامعی را ارائه می کنیم که نشان می دهند که بهینه سازی این شبکه های مانده ای آسان تر است و می توانند از عمق به شدت افزایش یافته به صحت دست یابند. شبکه های مانده ای را با عمق حداکثر 152 لایه روی مجموعه داده ImageNet ارزیابی می کنیم – 8 برابر عمیق تر از شبکه های VGG، در حالیکه هنوز از پیچیدگی پایین تری برخوردار هستند. مجموعه ی این شبکه های مانده ای به 3.57% خطا بر روی مجموعه تست ImageNet دست می یابد. این نتیجه برنده رتبه اول در طبقه بندی ILSVRC 2015 شده است. همچنین آنالیز را بر روی CIFAR-10 با 100 و 1000 لایه ارائه می کنیم. عمق نمایش ها از اهمیت خاصی برای اکثر عملیات تشخیص بصری (ویژوال) برخوردار است. تنها به دلیل نمایش های به شدت عمیق مان، به 28% بهبود نسبی بر روی مجموعه داده تشخیص شی COCO دست می یابیم. شبکه های مانده ای عمیق، اساس عملیات ما در رقابت های ILSVRC & COCO 2015 می باشند، جاییکه ما نیز برنده رتبه اول در عملیات تشخیص ImageNet ، مکان یابی ImageNet ، تشخیص COCO و قطعه بندی COCO شدیم.
تعداد صفحات انگلیسی تعداد صفحات انگلیسی:9 صفحه
تعداد صفحات فارسی تعداد صفحات فـارسـی:20 صفحه

  • آدرس: تبریز، آبرسان، مهرگان چهارم
  • تلفن  تماس: 09016347107
  • تلفن  ثابت : 35250068-041
  •  Mailttcenterاین آدرس ایمیل توسط spambots حفاظت می شود. برای دیدن شما نیاز به جاوا اسکریپت دارید : آدرس  ایمیل
  • @zoodyab :آدرس تلگرام
مرکز  تخصصی  تلاش ترجمه از  سال  1385 شروع به کار نموده است  و تا کنون بیش از ده هزار ترجمه در رشته ها و زمینه های مختلف توسط متخصصین این مرکز انجام  شده  است.

تمامی ترجمه‌های انجام شده توسط موسسه تخصصی تلاش ترجمه، به صورت دستی (غیرماشینی) بوده و توسط مترجمین با سابقه انجام می‌شوند. ترجمه‌های انجام شده توسط موسسه تلاش ترجمه در قالب فایل Word و به صورت کاملا روان و بازخوانی شده و با ضمانت بازگشت وجه 72 ساعته (در صورت عدم رضایت از ترجمه) خدمت مشتریان محترم ارائه می‌شود.