دانلود و نمایش مقالات مرتبط با مقاله یادگیری عمیق 2020::صفحه 1
بلافاصله پس از پرداخت دانلود کنید
نتیجه جستجو - مقاله یادگیری عمیق 2020

تعداد مقالات یافته شده: 3
ردیف عنوان نوع
1 سرمایه گذاری مالی بلاکچین برمبنای الگوریتم شبکه یادگیری عمیق
سال انتشار: 2020 - تعداد صفحات فایل pdf انگلیسی: 11 - تعداد صفحات فایل doc فارسی: 30
به منظور مطالعه استفاده از یادگیری عمیق برای پردازش داده های مالی، پیشنهاد می شود که می توان از فناوری مرتبط با شبکه عصبی و یادگیری عمیق برای داده های مالی استفاده کرد و از شاخص واقعی سهام و داده های آتی برای بررسی تاثیر کاربرد شبکه عصبی و یادگیری عمیق استفاده کرد. درابتدا نظریه و مدل یادگیری عمیق و شبکه عصبی با جزئیات معرفی می شوند. سپس از یک شبکه عصبی ساده و مدل یادگیری عمیق در شاخص سهام و پیش بینی قیمت آتی استفاده می شود. داده های استفاده شده در داده های ورودی به مدل شامل قیمت یک سهام در معامله جاری و برخی شاخص های داده ای و قیمت بسته شدن یک سهام در زمان بعدی می شود. کاهش قیمت در خروجی منعکس خواهد شد. اگر خروجی برای 1 بالا و برای صفر پایین باشد، داده های جدید پس از راه اندازی مدل وارد خواهند شد. نهایتا" جهت قضاوت روی تاثیر کاربرد مدل، می توان پس از مقایسه e و تحلیل تاثیر کاربرد مدل، داده های خروجی را با داده های واقعی مقایسه کرد. نتایج نشان می دهند که تحقیق انجام شده در این مطالعه می تواند به سرمایه گذاران کمک کند تا یک مدل سرمایه گذاری خودکار و راهبرد سرمایه گذاری در بازار سهام بسازند. از این سازه می توان برای ارجاع جهت بهبود راهبرد سرمایه گذاری سرمایه گذاران و نرخ بازگشت استفاده کرد.
کلیدواژه ها: یادگیری عمیق | سرمایه گذاری در بازار بورس | شبکه عصبی | سرمایه گذاری مالی
مقاله ترجمه شده
2 کمترین از دست دادن حاشیه برای تشخیص چهره عمیق
سال انتشار: 2020 - تعداد صفحات فایل pdf انگلیسی: 9 - تعداد صفحات فایل doc فارسی: 24
تشخیص چهره موفقیت بزرگی به دست آورده است که دلیل اصلی آن توسعه سریع شبکه های عصبی عمیق (DNN) در سال های اخیر است. کارکردهای مختلف ازدست دادن (اتلاف) در یک شبکه عصبی عمیق قابل استفاده است که منجر به عملکرد متفاوتی می شود. اخیراً برخی از کارکردهای تلفات پیشنهاد داده شده است. با این حال، آن ها نمی توانند مساله جهت گیری حاشیه ای را که در مجموعه داده های غیر متعادل وجود دارد حل کنند. در این مقاله حل مساله تمایل حاشیه ای را با تعیین یک حاشیه حداقلی برای تمامی زوج کلاس ها پیشنهاد می دهیم. ما تابع اتلاف جدیدی به نام حداقل اتلاف حاشیه ای (MML) پیشنهاد می دهیم که هدف آن گسترش محدوده آن هایی است که به زوج های مرکزی دسته بیش از حد نزدیک می شوند تا قابلیت متمایز کننده ویژگی های عمیق را ارتقاء دهد. تابع MML همراه با توابع Softmax Loss و Centre Loss بر فرآیند آموزش نظارت می کنند تا حاشیه های تمامی دسته ها را صرف نظر از توزیع دسته آن ها مورد نظارت قرار دهند. ما تابع MML را در پلتفورم Inception-ResNet-v1 پیاده سازی می کنیم و آزمایش های گسترده ای را بر روی هفت مجموعه داده تشخیص چهره انجام می دهیم که شامل MegaFace، FaceScrub، LFW، SLLFW، YTF، IJB-B و IJB-C است. نتایج تجربی نشان می دهد که تابع از دست دادن MML پیشنهادی منجر به حالت جدیدی در تشخیص چهره می شود و اثر منفی جهت گیری حاشیه ای را کاهش می دهد.
کلید واژه ها :یادگیری عمیق | شبکه های عصبی باز رخدادگر (CNN) | تشخیص چهره| کمترین از دست دادن حاشیه ای (MML)
مقاله ترجمه شده
3 روش یادگیری متخاصم عمیق و چند مرحله ای ، برای باز شناسی شخص مبتنی بر ویدئو
سال انتشار: 2020 - تعداد صفحات فایل pdf انگلیسی: 13 - تعداد صفحات فایل doc فارسی: 42
بازشناسی شخص (re-ID) بر مبنای ویدئو را میتوان به عنوان فرآیند تطبیق تصویر یک فرد از طریق دیدهای مختلف دوربین که به وسیله ی تصاویر ویدئویی ناهم راستا گرفته شده است، در نظر گرفت. روش هایی که برای اینکار وجود دارند، از سیگنال های نظارتی برای بهینه سازی فضای پیش روی دوربین استفاده نموده که تحت این شرایط، فاصله ی بین ویدئوها بیشینه سازی/کمینه سازی میشود. البته این کار باعث شده تا برچسب گذاری افراد در سطح دید های ویدئو بسیار زیاد شده و باعث شده تا نتوان آنها را به خوبی بر روی دوربین های شبکه بندی شده ی بزرگ مقیاس بندی کرد. همچنین خاطر نشان شده است که یادگیری نمایش های مختلف ویدئویی و آنهم به وسیله ی عدم تغییر دید دوربین را نمیتوان انجام داد چرا که ویژگی های تصویر، هر کدام دارای توزیع های مختلف مختص به خود میباشند. بنابراین تطبیق ویدئوها برای باز شناسی افراد، نیاز به مدل هایی انعطاف پذیر برای بدست آوردن پویایی های موجود در مشاهدات ویدئویی و یادگیری دیدهای ثابت از طریق دسترسی به نمونه های آموزشی برچسب دار و محدود دارد. در این مقاله قصد داریم یک روش مبتنی بر یادگیری عمیق چند مرحله ای را برای باز شناسی یک فرد بر مبنای ویدئو ارائه دهیم و بتوانیم به یادگیری دیدهای قابل قیاسی از این فرد که متمایز هستند بپردازیم. روش پیشنهادی را بر روی شبکه های عصبی باز رخداد گر متغیر (VRNN) توسعه داده ایم و آنرا به منظور ایجاد متغیر های پنهان با وابستگی های موقت که بسیار متمایز بوده ولی در تطبیق تصاویر فرد از نظر دید ثابت میباشد، مورد یادگیری قرار داده ایم. آزمایش های وسیعی را بر روی سه مجموعه ی داده ای بنچ مارک انجام داده ایم و به صورت تجربی به اثبات قابلیت روش پیشنهادی مان در ایجاد ویژگی های موقتی و با یک دید ثابت و کارائی بالایی که به وسیله ی آن بدست آمده است خواهیم پرداخت.
کلمات کلیدی: باز شناسی شخص مبتنی بر ویدئو | شبکه های عصبی باز رخدادگر متغیر | یادگیری متخاصم
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi