دانلود و نمایش مقالات مرتبط با Temporal sequences::صفحه 1
بلافاصله پس از پرداخت دانلود کنید

با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد). 

نتیجه جستجو - Temporal sequences

تعداد مقالات یافته شده: 2
ردیف عنوان نوع
1 Adaptive early classification of temporal sequences using deep reinforcement learning
طبقه بندی اولیه انطباقی توالی های زمانی با استفاده از یادگیری تقویتی عمیق-2020
In this article, we address the problem of early classification (EC) of temporal sequences with adaptive prediction times. We frame EC as a sequential decision making problem and we define a partially observable Markov decision process (POMDP) fitting the competitive objectives of classification earliness and accuracy. We solve the POMDP by training an agent for EC with deep reinforcement learning (DRL). The agent learns to make adaptive decisions between classifying incomplete sequences now or delaying its prediction to gather more measurements. We adapt an existing DRL algorithm for batch and online learning of the agent’s action value function with a deep neural network. We propose strategies of prioritized sampling, prioritized storing and random episode initialization to address the fact that the agent’s memory is unbalanced due to (1): all but one of its actions terminate the process and thus (2): actions of classification are less frequent than the action of delay. In experiments, we show improvements in accuracy induced by our specific adaptation of the algorithm used for online learning of the agent’s action value function. Moreover, we compare two definitions of the POMDP based on delay reward shaping against reward discounting. Finally, we demonstrate that a static naive deep neural network, i.e. trained to classify at static times, is less efficient in terms of accuracy against speed than the equivalent network trained with adaptive decision making capabilities
Keywords: Early classification | Adaptive prediction time | Deep reinforcement learning | Temporal sequences | Double DQN | Trade-off between accuracy vs. speed
مقاله انگلیسی
2 یک چارچوب حجمی کارآمد برای ردیابی شکل
سال انتشار: 2015 - تعداد صفحات فایل pdf انگلیسی: 9 - تعداد صفحات فایل doc فارسی: 22
بازیابی حرکت شکل 3D با استفاده از اطلاعات بصری مسئله ای مهم در بسیاری از کاربردها در بینایی کامپیوتری و گرافیک کامپیوتری، در میان حوزه های دیگر است. بیشتر روش های موجود در استراتژی های مبتنی بر سطح تکیه دارند، که در آن مدل های سطح برای مشاهدات سطح بصری مناسب است. در زمان عددی قابل قبول، این الگوی این واقعیت را نادیده می گیرد که سطوح مشاهده شده اغلب شکل های حجمی را محدود می کنند، که در آن تغییر شکل ها توسط حجم در داخل شکل محدود می شود. در نتیجه، استراتژی های مبتنی بر سطح شکست می خورند در حالی که مشاهدات چندین سطح احتمالی را تعریف می کنند، چون ملاحظات حجمی با توجه به راه حل های قابل قبول بسیار محدود هستند. در این اثر، پارامتری کردن شکل حجمی جدید را به منظور ردیابی شکل ها بر روی توالی های زمانی بررسی می-کنیم. در مقابل گسسته سازی های شبکه اویلری از فضای مشاهده، همچون واکسل ها، تسلیشن های شکل اصلی با ایجاد توالی بیشتر از تجزیه های سلولی، بخصوص تسلیشن وورونی مدور را در نظر می گیریم. با این نمایش شکل، یک روش ردیابی را طراحی می کنیم که اطلاعات حجمی را هم برای انطباق حجمی و هم برای بیان محدودیت های تغییر شکل که فرضیات قبلی در حرکت را اجرا می کردند استخراج می کنیم. آزمایش ها در چندین مجموعه داده دقت های مشابه یا بهبود یافته بر روی روش های حالت هنر، یک مسئله مهم در زمان ردیابی متوالی بر روی قاب های زمان و همچنین استحکام بهبود یافته را نشان می-دهند.
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 4871 :::::::: بازدید دیروز: 0 :::::::: بازدید کل: 4871 :::::::: افراد آنلاین: 66