اکسپرس 24
ترجمه فارسی مقاله خودبرچسب‌گذاری مبتنی بر خوشه‌بندی چندوجهی برای طبقه‌بندی داده‌های چندوجهی

ترجمه فارسی مقاله خودبرچسب‌گذاری مبتنی بر خوشه‌بندی چندوجهی برای طبقه‌بندی داده‌های چندوجهی

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-Modality Clustering-based Self-Labeling for Multimodal Data Classification
عنوان مقاله به فارسی خودبرچسب‌گذاری مبتنی بر خوشه‌بندی چندوجهی برای طبقه‌بندی داده‌های چندوجهی
نویسندگان Paweł Zyblewski, Leandro L. Minku
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
دسته بندی موضوعات Machine Learning,Computer Vision and Pattern Recognition,یادگیری ماشین , دید رایانه و تشخیص الگوی ,
توضیحات Submitted 5 August, 2024; originally announced August 2024. , Comments: 10 pages, 5 figures, 9 tables
توضیحات به فارسی ارسال شده در 5 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 10 صفحه ، 5 شکل ، 9 جدول

قیمت: 19,000 تومان

سفارش

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

قیمت: 400,000 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

Technological advances facilitate the ability to acquire multimodal data, posing a challenge for recognition systems while also providing an opportunity to use the heterogeneous nature of the information to increase the generalization capability of models. An often overlooked issue is the cost of the labeling process, which is typically high due to the need for a significant investment in time and money associated with human experts. Existing semi-supervised learning methods often focus on operating in the feature space created by the fusion of available modalities, neglecting the potential for cross-utilizing complementary information available in each modality. To address this problem, we propose Cross-Modality Clustering-based Self-Labeling (CMCSL). Based on a small set of pre-labeled data, CMCSL groups instances belonging to each modality in the deep feature space and then propagates known labels within the resulting clusters. Next, information about the instances' class membership in each modality is exchanged based on the Euclidean distance to ensure more accurate labeling. Experimental evaluation conducted on 20 datasets derived from the MM-IMDb dataset indicates that cross-propagation of labels between modalities -- especially when the number of pre-labeled instances is small -- can allow for more reliable labeling and thus increase the classification performance in each modality.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های تکنولوژیکی توانایی دستیابی به داده های چند مدلی را تسهیل می کند و یک چالش برای سیستم های شناخت ایجاد می کند و در عین حال فرصتی برای استفاده از ماهیت ناهمگن اطلاعات برای افزایش توانایی تعمیم مدل ها فراهم می کند.مسئله اغلب نادیده گرفته شده هزینه فرآیند برچسب زدن است که به دلیل نیاز به یک سرمایه گذاری قابل توجه در زمان و پول مرتبط با متخصصان انسانی ، معمولاً زیاد است.روشهای یادگیری نیمه تحت نظارت موجود اغلب بر عملکرد در فضای ویژگی ایجاد شده توسط ادغام روشهای موجود متمرکز است و از پتانسیل استفاده از اطلاعات مکمل متقابل موجود در هر روش غافل می شود.برای پرداختن به این مشکل ، ما به خود بخشیدن به خوشه بندی مبتنی بر خوشه بندی (CMCSL) پیشنهاد می کنیم.بر اساس مجموعه کوچکی از داده های پیش از برچسب ، گروه های CMCSL متعلق به هر روش در فضای ویژگی های عمیق و سپس برچسب های شناخته شده را در خوشه های حاصل پخش می کند.در مرحله بعد ، اطلاعات مربوط به عضویت در کلاس نمونه ها در هر روش بر اساس فاصله اقلیدسی برای اطمینان از برچسب زدن دقیق تر رد و بدل می شود.ارزیابی تجربی انجام شده بر روی 20 مجموعه داده حاصل از مجموعه داده MM-IMDB نشان می دهد که تولید متقابل برچسب ها بین روشها-به ویژه هنگامی که تعداد نمونه های از پیش برچسب کوچک باشد-می تواند برچسب زدن قابل اطمینان تر را فراهم کند و در نتیجه عملکرد طبقه بندی را افزایش دهدهر روش

📚 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.