5000290283 support@digiprojects.ir

ترجمه ۱۶ – دسته بندی شبکه تصویر با شبکه های عصبی عمیق کانولوشن

وب سایت دیجی پروژه | مرجع تخصصي پروژه هاي تحقیقاتی هوش مصنوعي ترجمه, شبکه عصبي ترجمه ۱۶ – دسته بندی شبکه تصویر با شبکه های عصبی عمیق کانولوشن
ترجمه ۱۶ – دسته بندی شبکه تصویر با شبکه های عصبی عمیق کانولوشن

ترجمه شبکه عصبي

ترجمه ۱۶ – دسته بندی شبکه تصویر با شبکه های عصبی عمیق کانولوشن

ارسال شده توسط مدير وب سايت

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 : ۴۸ صفحه

رعايت تمام قوانين نگارشي و داراي فهرست اشکال،جداول و محتوا

سال چاپ مقاله : ۲۰۱۲

دانلود اصل مقاله – رايگان

قيمت : ۲۹۰۰۰ تومان

290,000 ریال – خرید

اين فايل علاوه بر ترجمه به سوالات زير در باب مقاله مذکور پاسخ ميدهيد:

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

ما یک شبکه عصبی عمیق کانولوشن و بزرگ برای طبقه بندی ۱٫۲ میلیون تصویر با وضوح بالا در رقابت LSVRC-2010 شبکه تصویر به ۱۰۰۰ دسته متفاوت آموزش داده ایم. در داده های آزمایشی، ما به نرخ خطاهای بالاترین و ۵ تا بالاترین رسیدیم که به طور قابل ملاحظه ای بهتر از روشهای مطرح قبلی می باشد. شبکه عصبی، که ۶۰ میلیون پارامتر و ۶۵۰ هزار سلول عصبی دارد شامل پنج لایه کانولوشن می باشد، که برخی از آنها توسط لایه های مکس-پولینگ[۱] و سه لایه اتصالات کامل با یک تابع فعالیت سافت مکس[۲] ۱۰۰۰-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[۳] شدن در لایه­های با اتصالات کامل، ما یک روش تنظیم که به تازگی توسعه یافته را بکار می بریم که “دراپ آوت[۴]” 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 ۵ بالاترین نرخ خطای آزمایش ۱۵٫۳ درصد در مقایسه با ۲۶٫۲ بدست آمده با دومین بهترین دست یافته ایم.

[۱] max-pooling

[۲] Softmax

[۳] Overfitting

[۴] Dropout

برچسب , , ,

نوشته شده توسط مدير وب سايت

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

تمام حقوق این سایت متعلق به دیجی پروژه می باشد طراحی وب سایت توسط رنا وب صورت گرفته است