اکسپرس 24
ترجمه فارسی مقاله پیشرفت در پاسخگویی به سوالات نموداری با تشخیص قوی اجزای نمودار

ترجمه فارسی مقاله پیشرفت در پاسخگویی به سوالات نموداری با تشخیص قوی اجزای نمودار

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 Advancing Chart Question Answering with Robust Chart Component Recognition
عنوان مقاله به فارسی پیشرفت در پاسخگویی به سوالات نموداری با تشخیص قوی اجزای نمودار
نویسندگان Hanwen Zheng, Sijia Wang, Chris Thomas, Lifu Huang
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
دسته بندی موضوعات Computation and Language,Artificial Intelligence,Information Retrieval,محاسبه و زبان , هوش مصنوعی , بازیابی اطلاعات ,
توضیحات Submitted 19 July, 2024; originally announced July 2024.
توضیحات به فارسی ارسال شده در 19 ژوئیه 2024 ؛در ابتدا ژوئیه 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 600,000 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

Chart comprehension presents significant challenges for machine learning models due to the diverse and intricate shapes of charts. Existing multimodal methods often overlook these visual features or fail to integrate them effectively for chart question answering (ChartQA). To address this, we introduce Chartformer, a unified framework that enhances chart component recognition by accurately identifying and classifying components such as bars, lines, pies, titles, legends, and axes. Additionally, we propose a novel Question-guided Deformable Co-Attention (QDCAt) mechanism, which fuses chart features encoded by Chartformer with the given question, leveraging the question's guidance to ground the correct answer. Extensive experiments demonstrate that the proposed approaches significantly outperform baseline models in chart component recognition and ChartQA tasks, achieving improvements of 3.2% in mAP and 15.4% in accuracy, respectively. These results underscore the robustness of our solution for detailed visual data interpretation across various applications.

چکیده به فارسی (ترجمه ماشینی)

درک نمودار چالش های مهمی را برای مدل های یادگیری ماشین به دلیل شکل های متنوع و پیچیده نمودارها ارائه می دهد.روشهای چند حالته موجود غالباً از این ویژگی های بصری غافل می شوند یا در پاسخ به سؤال نمودار (ChartQA) به طور مؤثر در ادغام آنها ناکام هستند.برای پرداختن به این موضوع ، ما ChartFormer را معرفی می کنیم ، یک چارچوب یکپارچه که با شناسایی دقیق و طبقه بندی مؤلفه هایی مانند میله ، خط ، کیک ، عناوین ، افسانه ها و محورها ، تشخیص مؤلفه نمودار را تقویت می کند.علاوه بر این ، ما یک مکانیسم جدید با تغییر قابل تغییر در سؤال (QDCAT) جدید را پیشنهاد می کنیم ، که ویژگی های نمودار را رمزگذاری شده توسط ChartFormer با سؤال داده شده ، از راهنمایی سوال برای پاسخ دادن به پاسخ صحیح استفاده می کند.آزمایش های گسترده نشان می دهد که رویکردهای پیشنهادی به طور قابل توجهی از مدل های پایه در شناخت مؤلفه نمودار و وظایف ChartQA بهتر عمل می کنند ، و به ترتیب به پیشرفت 3.2 ٪ در MAP و 15.4 ٪ در دقت رسیده اند.این نتایج بر استحکام راه حل ما برای تفسیر دقیق داده های بصری در برنامه های مختلف تأکید 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.