دانلود و نمایش مقالات مرتبط با مقاله یادگیری عمیق 2018::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 - مقاله یادگیری عمیق 2018

تعداد مقالات یافته شده: 3
ردیف عنوان نوع
1 یادگیری عمیق برای تشخیص و ردیابی شیء متحرک از یک دوربین مجزا در وسایل نقلیه هوایی بدون سرنشین
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 30
وسایل نقلیه هوایی بدون سرنشین در یک گستره وسیعی از کاربردهای شهری و نظامی به عمومیت و محبوبیت دست یافته اند. چنین علاقه نوظهور، توسعه سیستمهای اجتناب از برخورد موثر را که به ویژه در شرایط شلوغ هوایی مهم و اساسی هستند موجب می شود. به دلیل محدودیت های هزینه ای و وزنی موجود در بار مفید وسایل نقلیه هوایی بدون سرنشین، حسگرهای نوری، دوربین های ساده دیجیتال به صورت گسترده ای برای سیستمهای اجتناب از برخورد در وسایل نقلیه هوایی بدون سرنشین استفاده می شوند. این امر مستلزم تشخیص حرکت شیء و الگوریتمهای ردیابی از یک ویدیو می باشد که می تواند به صورت کارآمد به صورت آنبورد (در – صفحه) اجرا شود. در این مقاله، ما یک دیدگاه جدیدی برای تشخیص و ردیابی وسایل نقلیه هوایی از یک دوربین مجزای نصب شده روی یک وسیله نقلیه بدون سرنشین متفاوت ارائه می کنیم. در ابتدا ما حرکات زمینه ای را از طریق یک مدل تبدیل نمایی تخمین می زنیم و سپس شیء متحرک را در یک تصویر زمینه ای ازطریق دسته بندی کننده یادگیری عمیق که روی سری های داده ای برچسب گذاری شده به صورت دستی راه اندازی شده است شناسایی می کنیم. برای هر شیء متحرک، ما مشخصه مکانی – زمانی را ازطریق انطباق جریان نوری پیدا می کنیم و سپس آنها را برمبنای الگوهای حرکتی شان درمقایسه با پس زمینه پالایش می کنیم. از فیلتر کالمن روی اشیای متحرک پالایش شده جهت بهبود سازگاری زمانی دربین تشخیص های موردنظر استفاده می شود. این الگوریتم روی سری های داده ای ویدیویی گرفته شده از یک وسیله نقلیه هوایی بدون سرنشین اعتبارسنجی می شود. نتایج نشان می دهند که الگوریتم ما می تواند به صورت موثری وسایل نقلیه هوایی بدون سرنشین کوچک را با منابع محاسباتی محدود تشخیص داده و ردیابی کند.
مقاله ترجمه شده
2 مروری بر یادگیری عمیق برای داده های بزرگ
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 12 - تعداد صفحات فایل doc فارسی: 44
یادگیری عمیق، به عنوان یکی از مهم ترین تکنیک های یادگیری ماشینی، موفقیت های زیادی در بسیاری از برنامه های کاربردی مانند تحلیل تصویر، تشخیص گفتار و درک متن بدست اورده است . انها از استراتژی های نظارت شده و بی نظیر برای یادگیری چندین سطح و ویژگی های معماری سلسله مراتبی برای وظایف طبقه بندی و تشخیص الگو استفاده می کنند. پیشرفت های اخیر در شبکه های حسگر و فناوری های ارتباطی، قادر به جمع آوری داده های بزرگ می باشد. اگر چه داده های بزرگ فرصت های خوبی برای بسیاری از زمینه ها از جمله تجارت الکترونیک، کنترل صنعتی و پزشکی هوشمند فراهم می اورند، اما در زمینه داده کاوی و پردازش اطلاعات به دلیل ویژگی های حجم زیاد، انواع مختلف، سرعت زیاد و حقیقت بزرگ، چالش های فراوانی را به همراه خواهند داشت. در چند سال گذشته، یادگیری عمیق در راه حل های تحلیلی داده های بزرگ نقش مهمی را ایفا کرده است. در این مقاله، تحقیقات انجام شده درباره مدل های یادگیری عمیق برای یادگیری ویژگی های بزرگ داده ها در اینده را مرور می کنیم. علاوه بر این، ما با توجه به چالش های باقیمانده به یادگیری عمیق داده های بزرگ و بحث در مورد موضوعات آینده اشاره می کنیم. Furthermore, we point out the remaining challenges of big data deep learning and discuss the future topics.
کلمات کلیدی: یادگیری عمیق | داده های بزرگ | رمزگذاران خودکار انباشته شده | شبکه های اعتقادی عمیق | شبکه های عصبی کانولوشن | شبکه عصبی مرتب
مقاله ترجمه شده
3 روش های یادگیری عمیق برای تشخیص و تقطیع خودکار چندساختاری قلبی MRI: آیا مشکل حل شده است؟
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 12 - تعداد صفحات فایل doc فارسی: 39
تفسیر بطن چپ، میوکارد و بطن راست از تصاویر تشدید مغناطیسی قلب (MRI cine 2D چندبخشی (چندبرشی)) روش بالینی رایجی برای رسیدن به تشخیص می باشد. به همین دلیل اتوماسیون امور مربوطه طی چند دهه ی اخیر مورد موضوع پژوهش های بسیاری بوده است. ما در این مقاله مجموعه داده ی «چالش تشخیص قلبی خودکار» (ACDC)، بزرگرترین مجموعه داده ی عمومی و تفسیرشده به منظور ارزیابی MRI قلبی (CMR) را ارائه می کنیم. این مجموعه داده شامل داده هایی از ۱۵۰ داده خوانی چنددستگاهی CMRI مبتنی بر اندازه گیری های مرجع و دسته بندی های صورت گرفته توسط دو متخصص پزشکی می باشد. هدف اصلی این مقاله، اندازه گیری توانایی روش های یادگیری عمیق نوین در ارزیابی CMRI، یعنی تقطیع میوکارد و دو بطن و نیز دسته بندی پاتولوژی هاست. ما پیرو چالش 2017 MICCAI-ACDC، نتایجی را از روش-های یادگیری عمیق ارائه شده توسط نه گروه پژوهشی در خصوص امر تقطیع و چهار گروه در خصوص امر دسته بندی ارائه می کنیم. نتایج نشان می دهند که بهترین روش ها قادرند تحلیل تخصیص را بازتولید (تکرار) کرده و به تبع آن به مقدار متوسط 0.97 برای امتیاز همبستگی استخراج خودکار شاخص های بالینی و دقت 0.96 برای تشخیص خودکار دست پیدا کنند. این نتایج به وضوح راه گشای تحلیل کاملاْ خودکار و بسیار دقیق CMRI قلبی خواهند بود. ما هم چنین سناریوهایی را نشان می دهیم که روش های یادگیری عمیق در آنها ناموفق هستند. نتایج دقیق و مفصل و نیز مجموعه داده، هر دو به صورت آنلاین در دسترس عموم قرار دارند، و پلتفرم برای ارائه ی نتایج جدید باز می باشد.
اصطلاحات تخصصی: تقطیع و تشخیص قلبی | یادگیری عمیق | MRI | بطن های چپ و راست | میوکارد.
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 1733 :::::::: بازدید دیروز: 0 :::::::: بازدید کل: 1733 :::::::: افراد آنلاین: 44