دانلود و نمایش مقالات مرتبط با مقاله ترجمه شده یادگیری عمیق 2017::صفحه 1
دانلود بهترین مقالات isi همراه با ترجمه فارسی 2

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 - مقاله ترجمه شده یادگیری عمیق 2017

تعداد مقالات یافته شده: 3
ردیف عنوان نوع
1 یادگیری عمیق(ژرف) در تجزیه و تحلیل کلان داده ( داده های بزرگ): یک مطالعه تطبیقی
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 13 - تعداد صفحات فایل doc فارسی: 31
روش های فراگیری عمیق به طور گسترده ای در زمینه های مختلف علوم و مهندسی مانند تشخیص گفتار، طبقه بندی تصویر و روش های یادگیری در پردازش زبان مورد استفاده قرار می گیرد. به طور مشابه، تکنیک های پردازش داده های سنتی محدودیت های زیادی برای پردازش مقدار زیادی داده ها دارند. علاوه بر این، تجزیه و تحلیل داده های بزرگ نیاز به الگوریتم های جدید و پیچیده بر اساس تکنیک های یادگیری ماشین و عمیق برای پردازش داده ها در زمان واقعی با دقت و کارایی بالا دارد . با این حال، به تازگی، تحقیقات مختلف تکنیک های یادگیری عمیق با استفاده از یادگیری ترکیبی و مکانیسم های آموزش پردازش داده ها با سرعت بالا تلفیق شده است. بنابراین بیشتر این تکنیک ها به سناریوها اختصاص دارد و براساس فضای بردار، عملکرد ضعیف در سناریوهای عمومی و ویژگی های یادگیری را در داده های بزرگ نشان می دهد. علاوه بر این، یکی از دلایل چنین ضعف، دخالت زیاد انسانها در طراحی الگوریتم های پیچیده و بهینه شده بر اساس تکنیک های یادگیری ماشین و عمیق است. در این مقاله، ما روشی را برای مقایسه روش های مختلف یادگیری عمیق برای پردازش داده های عظیم با تعداد زیادی از نورون ها و لایه های پنهان ارائه می دهیم. مطالعه تطبیقی نشان می دهد که تکنیک های یادگیری عمیق می تواند با معرفی چندین روش در ترکیب با تکنیک های آموزش تحت نظارت و بدون نظارت ایجاد شود.
کلمات کلیدی: داده های بزرگ | یادگیری عمیق | شبکه های اعتقاد عمیق | شبکه های عصبی تکاملی
مقاله ترجمه شده
2 یک مرور بر روی یادگیری عمیق در تحلیل تصویر پزشکی
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 38 - تعداد صفحات فایل doc فارسی: 74
الگوریتم های یادگیری عمیق، به ویژه در شبکه های حلقه ای، به سرعت درحال تبدیل شدن به یک روش انتخاب برای تحلیل تصاویر پزشکی هستند. این مقاله مفاهیم اصلی یادگیری عمیق مربوط به تحلیل تصویر پزشکی را بررسی کرده و بیش از 300 کار سهیم در این رشته را که اکثر آنها در سال گذشته ظهور یافته اند خلاصه می کند. ما استفاده از یادگیری عمیق را برای دسته بندی تصویر، تشخیص عضو، بخش بندی، ثبت، و سایر کارها بررسی می کنیم. مرورهای اجمالی روی مطالعات موجود در هر حوزه کاربردی مثل عصب، شبکیه، ریه، آسیب شناسی دیجیتال، سینه، قلبی، شکمی و عضلانی ارائه می شود. ما این مقاله را با ارائه خلاصه ای از جدیدترین فناوری ها، یک بحث اساسی روی چالش های باز و مسیرهایی برای تحقیقات آتی به پایان می رسانیم.
کلیدواژه ها: یادگیری عمیق | شبکه های عصبی حلقه ای | تصویربرداری پزشکی | مرور
مقاله ترجمه شده
3 تشخیص و بازیابی تصویر 3 بعدی مبتنی بر یادگیری عمیق چندمنظوره
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 17 - تعداد صفحات فایل doc فارسی: 34
ویژگی مؤثر و کارآمد تجزیه‌وتحلیل تصویر 3 بعدی، کلید تعمیم کاربردهای آن در حوزه 3 بعدی است که در آن چالش اصلی مربوط به طراحی یک ویژگی مؤثر سطح بالا است. شکل سه‌بعدی حاوی اطلاعات مفید مختلفی ازجمله اطلاعات بصری، روابط هندسی و سایر ویژگی‌های مربوط به نوع است. بنابراین استراتژی کشف این خصوصیات، هسته غیرقابل استخراج ویژگی‌های مؤثر شکل 3 بعدی است. در این مقاله، ما یک چارچوب جدید از یادگیری ویژگی سه‌بعدی ارائه می‌دهیم که با استفاده از یادگیری عمیق، اطلاعات حالات مختلف را به‌طور مؤثر برای ترویج ویژگی‌های تفکیک‌کنندگی تک مدی ارائه می‌دهد. اطلاعات هندسی و اطلاعات بصری به ترتیب توسط شبکه‌های عصبی کانولوشنی (CNNs) و شبکه‌های باور عمیق کانولوشنی (CDBNs) استخراج می‌شوند و سپس دو شبکه باور عمیق (DBNs) مستقل برای یادگیری ویژگی‌های سطح بالا از ویژگی‌های هندسی و بصری استفاده می‌شوند. درنهایت، یک ماشین بولتزمن محصور (RBM) برای استخراج همبستگی عمیق بین حالت‌های مختلف استفاده می‌شود. آزمایش‌های گسترده نشان می‌دهد که چارچوب پیشنهادی عملکرد بهتری را به دست می‌دهد.
کلیدواژه‌ها: شکل سه‌بعدی | تشخيص | بازيابي | آموزش عميق | چندمنظوره‌ای
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 7679 :::::::: بازدید دیروز: 0 :::::::: بازدید کل: 7679 :::::::: افراد آنلاین: 76