دانلود و نمایش مقالات مرتبط با Visual learning::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 - Visual learning

تعداد مقالات یافته شده: 2
ردیف عنوان نوع
1 Taxonomy, state-of-the-art, challenges and applications of visual understanding: A review
طبقه بندی ، آخرین فن آوری ، چالش ها و کاربردهای درک بصری: مروری-2021
Since the dawn of Humanity, to communicate both abstract and concrete ideas, visualization through visual imagery has been an effective way. With the advancement of scientific technologies, vision has been imparted to machines like humans do. Computer vision give ability to machines, to receive and analyze visual data on its own, and then make decisions about it, hence computer vision is more than machine learning applied. So, visualization of computer models to learn without being explicitly programmed using machine learning algorithms is called Visual learning. This work aims to review the state-of-the-art in computer vision by highlighting the contributions, challenges and applications. We first provide an overview of important visual learning approaches and their recent developments, and then describes their applications in diverse vision tasks, such as image classification, object detection, object recognition, visual saliency detection, semantic and instance segmentation, human pose estimation and image retrieval. Hardware constraints are also highlighted for better understanding of model selection. Finally, some important challenges, trends and outlooks are also discussed for better design and training of learning modules, along with several directions that may be further explored in the future.© 2021 Elsevier Inc. All rights reserved.
Keywords: Computer vision | Visual learning | Developments | Applications | Trends | Challenges
مقاله انگلیسی
2 استفاده کردن از سنسور اشاره گر- زمان برای فعال نمودن فرا -یادگیری چند حالته نظارت نشده
سال انتشار: 2020 - تعداد صفحات فایل pdf انگلیسی: 9 - تعداد صفحات فایل doc فارسی: 30
همینطور داده به دست امده از IOT ( اینترنت اشیا) سنسور های قرار گرفته در همه جا, بیان آرایش صورت الگوریتم یادگیری ماشین چالش های زیادی در جهت استفاده کردن از داده سنسور دارد.برای فائق آمدن بر این چالش ها , روش هایی باید طراحی شود تا مستقیما از سنسور ها بیاموزد آن هم بدون هیچ گونه تفسیر دستی. این مقاله سنسور اشاره گر–زمانی را برای فرا-آگاهی نظارت نشده (STUM) معرفی می کند. از طریق تفاوت حاصل از رویکرد های یادگیری مبتنی بر خبر که هر دو وابستگی عمیقی به برچسب یا به ریخت و صورت غیر وابسته به زمان استخراج کردن فرضیات را انجام می دهد , همچنین خصوصیات توزیع گوسی ,سیستم STUM از رابطه زمان ورود به دفترچه راهنما ویژگی شکل گیری فضا درون و از طریق شرط استفاده می کند. این حقیقت که STUM از طریق وظایف کوچک متنوعی ممکن است این روش را در جایگاه فرا-یادگیری قرار دهد. از طریق تفاوت موجود در رویکردهای فرا –یادگیری, وظایف یادگیری STUM درون و از طریق شرط های چندگانه بر اساس نشانگر زمان که با جریان داده IOT ترکیب شده است. در یک یادگیری یا یادگیری سمعی بصری به عنوان مثال ارائه داد, زیرا چهارچوب های بصری به صورت پی در پی معمولا شامل شی مشابه است, این رویکرد یک راه واحد برای سازماندهی ریخت ها و ویژگی ها از طریق همان شی با هم تدارک می بیند.روش مشابه نیز می تواند شی بصری را با نام گذاری شی سازماندهی کند آن هم اگر نام بیان شده با شی و در محدوده زمانی مشابه ارائه شده باشد. سازمان دهی ریخت این حالت متقابل ممکن است علاوه بر کمک به سازمان دهی ریخت ها یا ترکیب های بصری که به تنهایی مشابه با اشیا است اما در مکان و زمان متفاوت به دست آمده نیز کمک کند. نتایج امیدبخش از طریق ارزیابی ها به دست آمده اند.
کلمات کلیدی: یادگیری از طریق سنسورها | AIoT | یادگیری با راهنمایی زمانی | پارادایم ها یا الگوهای یادگیری ماشین.
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 2754 :::::::: بازدید دیروز: 0 :::::::: بازدید کل: 2754 :::::::: افراد آنلاین: 55