ترجمه فارسی مقاله تخمین نگاه متقابل داده‌ها توسط Evidential Inter-Intra Fusion

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 Cross-Dataset Gaze Estimation by Evidential Inter-intra Fusion
عنوان مقاله به فارسی تخمین نگاه متقابل داده‌ها توسط Evidential Inter-Intra Fusion
نویسندگان Shijing Wang, Yaping Huang, Jun Xie, YiTian, Feng Chen, Zhepeng Wang
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 7 September, 2024; originally announced September 2024. , Comments: This paper was previously submitted to ACM MM 2024
توضیحات به فارسی ارسال 7 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: این مقاله قبلاً به ACM MM 2024 ارسال شده بود
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

Achieving accurate and reliable gaze predictions in complex and diverse environments remains challenging. Fortunately, it is straightforward to access diverse gaze datasets in real-world applications. We discover that training these datasets jointly can significantly improve the generalization of gaze estimation, which is overlooked in previous works. However, due to the inherent distribution shift across different datasets, simply mixing multiple dataset decreases the performance in the original domain despite gaining better generalization abilities. To address the problem of ``cross-dataset gaze estimation'', we propose a novel Evidential Inter-intra Fusion EIF framework, for training a cross-dataset model that performs well across all source and unseen domains. Specifically, we build independent single-dataset branches for various datasets where the data space is partitioned into overlapping subspaces within each dataset for local regression, and further create a cross-dataset branch to integrate the generalizable features from single-dataset branches. Furthermore, evidential regressors based on the Normal and Inverse-Gamma (NIG) distribution are designed to additionally provide uncertainty estimation apart from predicting gaze. Building upon this foundation, our proposed framework achieves both intra-evidential fusion among multiple local regressors within each dataset and inter-evidential fusion among multiple branches by Mixture \textbfof Normal Inverse-Gamma (MoNIG distribution. Experiments demonstrate that our method consistently achieves notable improvements in both source domains and unseen domains.

چکیده به فارسی (ترجمه ماشینی)

دستیابی به پیش بینی های دقیق و قابل اعتماد در محیط های پیچیده و متنوع همچنان چالش برانگیز است.خوشبختانه ، دسترسی به مجموعه داده های متنوع در برنامه های دنیای واقعی ساده است.ما می دانیم که آموزش این مجموعه داده ها به طور مشترک می تواند تعمیم تخمین نگاه را که در کارهای قبلی نادیده گرفته می شود ، به طور قابل توجهی بهبود بخشد.با این حال ، با توجه به تغییر توزیع ذاتی در مجموعه داده های مختلف ، صرفاً مخلوط کردن مجموعه داده های مختلف با وجود به دست آوردن توانایی های تعمیم بهتر ، عملکرد را در دامنه اصلی کاهش می دهد.برای پرداختن به مشکل "تخمین نگاه بین داده های متقابل" ، ما یک چارچوب جدید فیوژن بین Intra EIF را ارائه می دهیم ، برای آموزش یک مدل داده های متقابل که عملکرد خوبی در تمام حوزه های منبع و غیب دارد.به طور خاص ، ما شاخه های تک بخش مستقل را برای مجموعه داده های مختلف ایجاد می کنیم که در آن فضای داده به فضای زیر مجموعه در هر مجموعه داده برای رگرسیون محلی تقسیم می شود ، و بیشتر یک شاخه داده متقابل برای ادغام ویژگی های قابل تعمیم از شاخه های تک بخش ایجاد می کنیم.علاوه بر این ، رگرسیون های مشهود بر اساس توزیع طبیعی و معکوس-گاما (NIG) به گونه ای طراحی شده اند که علاوه بر این تخمین عدم اطمینان را جدا از پیش بینی نگاه ارائه دهند.با تکیه بر این بنیاد ، چارچوب پیشنهادی ما به هر دو همجوشی داخل یکدست در بین چندین رگرسیون محلی محلی در هر مجموعه داده و همجوشی بین مشهود در بین شاخه های مختلف توسط مخلوط \ textBFOF طبیعی گاما طبیعی دست می یابد (توزیع مونیگ.در هر دو حوزه منبع و حوزه های غیب.

📚 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.