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
Side-scan sonar (SSS) imagery presents unique challenges in the classification of man-made objects on the seafloor due to the complex and varied underwater environments. Historically, experts have manually interpreted SSS images, relying on conventional machine learning techniques with hand-crafted features. While Convolutional Neural Networks (CNNs) significantly advanced automated classification in this domain, they often fall short when dealing with diverse seafloor textures, such as rocky or ripple sand bottoms, where false positive rates may increase. Recently, Vision Transformers (ViTs) have shown potential in addressing these limitations by utilizing a self-attention mechanism to capture global information in image patches, offering more flexibility in processing spatial hierarchies. This paper rigorously compares the performance of ViT models alongside commonly used CNN architectures, such as ResNet and ConvNext, for binary classification tasks in SSS imagery. The dataset encompasses diverse geographical seafloor types and is balanced between the presence and absence of man-made objects. ViT-based models exhibit superior classification performance across f1-score, precision, recall, and accuracy metrics, although at the cost of greater computational resources. CNNs, with their inductive biases, demonstrate better computational efficiency, making them suitable for deployment in resource-constrained environments like underwater vehicles. Future research directions include exploring self-supervised learning for ViTs and multi-modal fusion to further enhance performance in challenging underwater environments.
چکیده به فارسی (ترجمه ماشینی)
تصاویر Sonar Sonar (SSS) به دلیل محیط های پیچیده و متنوع زیر آب ، چالش های منحصر به فردی را در طبقه بندی اشیاء ساخته شده توسط انسان در کف دریا ارائه می دهد.از نظر تاریخی ، متخصصان با تکیه بر تکنیک های یادگیری ماشین معمولی با ویژگی های دست ساز ، به صورت دستی تصاویر SSS را تفسیر کرده اند.در حالی که شبکه های عصبی حلقوی (CNN) به طور قابل توجهی طبقه بندی خودکار را در این دامنه پیشرفته می کنند ، آنها اغلب هنگام برخورد با بافت های متنوع کف دریا ، مانند پایین ماسه های صخره ای یا موج دار ، که در آن ممکن است نرخ مثبت کاذب افزایش یابد ، کوتاه می آیند.به تازگی ، ترانسفورماتورهای بینایی (VITS) با استفاده از مکانیسم خودآگاهی برای گرفتن اطلاعات جهانی در تکه های تصویر ، پتانسیل در پرداختن به این محدودیت ها را نشان داده اند و انعطاف پذیری بیشتری را در پردازش سلسله مراتب مکانی ارائه می دهند.این مقاله به طور دقیق عملکرد مدل های VIT را در کنار معماری های CNN که معمولاً استفاده می شود ، مانند RESNET و CONVNEXT ، برای کارهای طبقه بندی باینری در تصاویر SSS مقایسه می کند.این مجموعه داده ها شامل انواع مختلف جغرافیایی دریا است و بین حضور و عدم وجود اشیاء ساخته شده توسط انسان متعادل است.مدلهای مبتنی بر VIT عملکرد طبقه بندی برتر را در معیارهای F1 ، دقت ، فراخوان و دقت نشان می دهند ، اگرچه به هزینه منابع محاسباتی بیشتر.CNN ها با تعصبات القایی خود ، بهره وری محاسباتی بهتری را نشان می دهند و آنها را برای استقرار در محیط های محدود شده منابع مانند وسایل نقلیه زیر آب مناسب می کند.مسیرهای تحقیقاتی آینده شامل کاوش در یادگیری خودسور برای VITS و فیوژن چند مدلی برای افزایش بیشتر عملکرد در محیط های زیر آب است.
📚 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
