اکسپرس 24
ترجمه فارسی مقاله تجسم حجم آگاه از عدم اطمینان با استفاده از بازنمایی عصبی ضمنی

ترجمه فارسی مقاله تجسم حجم آگاه از عدم اطمینان با استفاده از بازنمایی عصبی ضمنی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Uncertainty-Informed Volume Visualization using Implicit Neural Representation
عنوان مقاله به فارسی تجسم حجم آگاه از عدم اطمینان با استفاده از بازنمایی عصبی ضمنی
نویسندگان Shanu Saklani, Chitwan Goel, Shrey Bansal, Zhe Wang, Soumya Dutta, Tushar M. Athawale, David Pugmire, Christopher R. Johnson
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
دسته بندی موضوعات Graphics,Artificial Intelligence,Computer Vision and Pattern Recognition,Machine Learning,گرافیک , هوش مصنوعی , چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 12 August, 2024; originally announced August 2024. , Comments: To appear in IEEE Workshop on Uncertainty Visualization in conjunction with IEEE VIS 2024, Florida, USA
توضیحات به فارسی ارائه شده 12 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: برای حضور در کارگاه IEEE در مورد تجسم عدم اطمینان در رابطه با IEEE VIS 2024 ، فلوریدا ، ایالات متحده

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 440,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 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.

🎯 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

The increasing adoption of Deep Neural Networks (DNNs) has led to their application in many challenging scientific visualization tasks. While advanced DNNs offer impressive generalization capabilities, understanding factors such as model prediction quality, robustness, and uncertainty is crucial. These insights can enable domain scientists to make informed decisions about their data. However, DNNs inherently lack ability to estimate prediction uncertainty, necessitating new research to construct robust uncertainty-aware visualization techniques tailored for various visualization tasks. In this work, we propose uncertainty-aware implicit neural representations to model scalar field data sets effectively and comprehensively study the efficacy and benefits of estimated uncertainty information for volume visualization tasks. We evaluate the effectiveness of two principled deep uncertainty estimation techniques: (1) Deep Ensemble and (2) Monte Carlo Dropout (MCDropout). These techniques enable uncertainty-informed volume visualization in scalar field data sets. Our extensive exploration across multiple data sets demonstrates that uncertainty-aware models produce informative volume visualization results. Moreover, integrating prediction uncertainty enhances the trustworthiness of our DNN model, making it suitable for robustly analyzing and visualizing real-world scientific volumetric data sets.

چکیده به فارسی (ترجمه ماشینی)

اتخاذ روزافزون شبکه های عصبی عمیق (DNN) منجر به کاربرد آنها در بسیاری از کارهای تجسم علمی چالش برانگیز شده است.در حالی که DNN های پیشرفته قابلیت های عمومی سازی چشمگیر را ارائه می دهند ، عوامل درک مانند کیفیت پیش بینی مدل ، استحکام و عدم اطمینان بسیار مهم است.این بینش ها می تواند دانشمندان دامنه را قادر به تصمیم گیری آگاهانه در مورد داده های خود کند.با این حال ، DNN ها ذاتاً توانایی تخمین عدم اطمینان پیش بینی را ندارند ، و نیاز به تحقیقات جدید برای ساخت تکنیک های تجسم عدم اطمینان قوی متناسب با کارهای مختلف تجسم دارند.در این کار ، ما بازنمودهای عصبی ضمنی آگاه از عدم اطمینان را برای مدل سازی مجموعه داده های میدانی مقیاس به طور مؤثر و جامع مطالعه اثربخشی و مزایای اطلاعات عدم اطمینان تخمین زده شده برای کارهای تجسم حجم پیشنهاد می کنیم.ما اثربخشی دو تکنیک برآورد عدم اطمینان عمیق اصولی را ارزیابی می کنیم: (1) گروه های عمیق و (2) مونت کارلو ترک (McDropout).این تکنیک ها تجسم حجم آگاه از عدم اطمینان را در مجموعه داده های میدان مقیاس پذیر می کنند.اکتشاف گسترده ما در مجموعه های مختلف داده نشان می دهد که مدل های آگاه از عدم اطمینان نتایج تجسم حجم آموزنده را تولید می کنند.علاوه بر این ، ادغام عدم اطمینان پیش بینی باعث افزایش اعتماد به نفس مدل DNN ما می شود و آن را برای تجزیه و تحلیل محکم و تجسم مجموعه داده های حجمی علمی در دنیای واقعی مناسب می کند.

📚 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.

🎯 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.