Computer Vision and Pattern Recognition,Artificial Intelligence,Computation and Language,Machine Learning,Multimedia,چشم انداز رایانه و تشخیص الگوی , هوش مصنوعی , محاسبات و زبان , یادگیری ماشین , چندرسانه ای ,
توضیحات
Submitted 12 September, 2024; originally announced September 2024.
توضیحات به فارسی
ارسال شده 12 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Vision-language models (VLMs) like CLIP have been adapted for Multi-Label Recognition (MLR) with partial annotations by leveraging prompt-learning, where positive and negative prompts are learned for each class to associate their embeddings with class presence or absence in the shared vision-text feature space. While this approach improves MLR performance by relying on VLM priors, we hypothesize that learning negative prompts may be suboptimal, as the datasets used to train VLMs lack image-caption pairs explicitly focusing on class absence. To analyze the impact of positive and negative prompt learning on MLR, we introduce PositiveCoOp and NegativeCoOp, where only one prompt is learned with VLM guidance while the other is replaced by an embedding vector learned directly in the shared feature space without relying on the text encoder. Through empirical analysis, we observe that negative prompts degrade MLR performance, and learning only positive prompts, combined with learned negative embeddings (PositiveCoOp), outperforms dual prompt learning approaches. Moreover, we quantify the performance benefits that prompt-learning offers over a simple vision-features-only baseline, observing that the baseline displays strong performance comparable to dual prompt learning approach (DualCoOp), when the proportion of missing labels is low, while requiring half the training compute and 16 times fewer parameters
چکیده به فارسی (ترجمه ماشینی)
مدل های بینایی-زبان (VLMS) مانند کلیپ برای تشخیص چند برچسب (MLR) با یادداشت های جزئی با استفاده از یادگیری سریع ، جایی که برای هر کلاس آموخته می شود تا تعبیهات خود را با حضور کلاس یا عدم حضور در حضور کلاس یا عدم حضور در حضور کلاس یا عدم حضور در آن یاد بگیرند ، اقتباس شده اند.فضای ویژگی ویژگی دید.در حالی که این رویکرد با تکیه بر Priors VLM ، عملکرد MLR را بهبود می بخشد ، ما فرض می کنیم که یادگیری سوابق منفی ممکن است زیر حد مطلوب باشد ، زیرا مجموعه داده های مورد استفاده برای آموزش VLM ها فاقد جفت فضای تصویر هستند که صریحاً روی عدم حضور کلاس تمرکز می کنند.برای تجزیه و تحلیل تأثیر یادگیری سریع مثبت و منفی بر MLR ، ما PositiveCoop و NegativeCoop را معرفی می کنیم ، جایی که تنها یک سریع با راهنمایی VLM آموخته می شود در حالی که دیگری توسط یک بردار تعبیه شده که مستقیماً در فضای ویژگی مشترک آموخته می شود بدون تکیه بر رمزگذار متن جایگزین می شود.بشراز طریق تجزیه و تحلیل تجربی ، ما مشاهده می کنیم که عملکرد منفی عملکرد MLR را تخریب می کند ، و یادگیری فقط سوابق مثبت ، همراه با تعبیه های منفی آموخته شده (PositiveCoop) ، از رویکردهای یادگیری سریع دوگانه استفاده می کند.علاوه بر این ، ما مزایای عملکردی را که یادگیری سریع در مورد یک پایه ساده و بینایی ساده ارائه می دهد ، کمیت می کنیم ، مشاهده می کنیم که این پایه عملکرد قوی قابل مقایسه با رویکرد یادگیری سریع دوگانه (DualCoop) را نشان می دهد ، در حالی که نسبت برچسب های گمشده کم است ، در حالی که نیاز بهنیمی از محاسبه آموزش و 16 برابر پارامترهای کمتر
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
