اکسپرس 24
ترجمه فارسی مقاله پایان عمر: تشخیص مجموعه باز چند مرحله‌ای انتقالی با بهبود لوجیت‌های پرت

ترجمه فارسی مقاله پایان عمر: تشخیص مجموعه باز چند مرحله‌ای انتقالی با بهبود لوجیت‌های پرت

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 EOL: Transductive Few-Shot Open-Set Recognition by Enhancing Outlier Logits
عنوان مقاله به فارسی پایان عمر: تشخیص مجموعه باز چند مرحله‌ای انتقالی با بهبود لوجیت‌های پرت
نویسندگان Mateusz Ochal, Massimiliano Patacchiola, Malik Boudiaf, Sen Wang
فرمت مقاله انگلیسی PDF
تعداد صفحات 19
دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 4 August, 2024; originally announced August 2024. , Comments: 19 pages
توضیحات به فارسی ارسال شده در 4 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: 19 صفحه

قیمت: 19,000 تومان

سفارش

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

قیمت: 760,000 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

In Few-Shot Learning (FSL), models are trained to recognise unseen objects from a query set, given a few labelled examples from a support set. In standard FSL, models are evaluated on query instances sampled from the same class distribution of the support set. In this work, we explore the more nuanced and practical challenge of Open-Set Few-Shot Recognition (OSFSL). Unlike standard FSL, OSFSL incorporates unknown classes into the query set, thereby requiring the model not only to classify known classes but also to identify outliers. Building on the groundwork laid by previous studies, we define a novel transductive inference technique that leverages the InfoMax principle to exploit the unlabelled query set. We called our approach the Enhanced Outlier Logit (EOL) method. EOL refines class prototype representations through model calibration, effectively balancing the inlier-outlier ratio. This calibration enhances pseudo-label accuracy for the query set and improves the optimisation objective within the transductive inference process. We provide a comprehensive empirical evaluation demonstrating that EOL consistently surpasses traditional methods, recording performance improvements ranging from approximately $+1.3%$ to $+6.3%$ across a variety of classification and outlier detection metrics and benchmarks, even in the presence of inlier-outlier imbalance.

چکیده به فارسی (ترجمه ماشینی)

در چند یادگیری شات (FSL) ، مدل ها برای تشخیص اشیاء غیب از یک مجموعه پرس و جو ، با توجه به چند نمونه دارای برچسب از یک مجموعه پشتیبانی ، آموزش داده می شوند.در FSL استاندارد ، مدل ها در موارد پرس و جو نمونه برداری شده از همان توزیع کلاس مجموعه پشتیبانی ارزیابی می شوند.در این کار ، ما چالش ظریف تر و عملی تر از تشخیص چند شات را باز (OSFSL) بررسی می کنیم.بر خلاف FSL استاندارد ، OSFSL کلاس های ناشناخته را در مجموعه پرس و جو قرار می دهد ، در نتیجه این مدل را نه تنها برای طبقه بندی کلاس های شناخته شده بلکه برای شناسایی مسافت ها نیز نیاز دارد.با تکیه بر کار در زمینه مطالعات قبلی ، ما یک تکنیک استنتاج جدید را تعریف می کنیم که از اصل Infomax برای بهره برداری از مجموعه پرس و جو بدون نمایش استفاده می کند.ما رویکرد خود را روش پیشرفته Logit (EOL) پیشرفته خواندیم.EOL بازنمودهای نمونه اولیه کلاس را از طریق کالیبراسیون مدل ، به طور موثری نسبت بی پروا را متعادل می کند.این کالیبراسیون باعث افزایش دقت شبه برچسب برای مجموعه پرس و جو می شود و هدف بهینه سازی را در فرآیند استنتاج فراملی بهبود می بخشد.ما یک ارزیابی جامع تجربی ارائه می دهیم که نشان می دهد EOL به طور مداوم از روشهای سنتی پیشی می گیرد ، ضبط عملکرد تقریباً از 1.3 ٪ $ تا 6.3 ٪ $ $+6.3 ٪ $ در انواع مختلف طبقه بندی و معیارهای تشخیص دور ، حتی در حضور Inlier-عدم تعادل دورتر.

📚 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.