اکسپرس 24
ترجمه فارسی مقاله کروکودیل: علیت از طریق یادگیری متقابل و غیرمتمرکز به پایداری کمک می‌کند

ترجمه فارسی مقاله کروکودیل: علیت از طریق یادگیری متقابل و غیرمتمرکز به پایداری کمک می‌کند

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 CROCODILE: Causality aids RObustness via COntrastive DIsentangled LEarning
عنوان مقاله به فارسی کروکودیل: علیت از طریق یادگیری متقابل و غیرمتمرکز به پایداری کمک می‌کند
نویسندگان Gianluca Carloni, Sotirios A Tsaftaris, Sara Colantonio
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
دسته بندی موضوعات Image and Video Processing,Artificial Intelligence,Computer Vision and Pattern Recognition,Machine Learning,پردازش تصویر و فیلم , هوش مصنوعی , دید رایانه و تشخیص الگوی , یادگیری ماشین
توضیحات Submitted 9 August, 2024; originally announced August 2024. , Comments: MICCAI 2024 UNSURE Workshop, Accepted for presentation, Submitted Manuscript Version, 10 pages , ACM Class: I.2; I.4; I.5; J.3; J.6
توضیحات به فارسی ارسال شده در 9 اوت 2024 ؛در ابتدا در اوت 2024 اعلام شد. ، نظرات: کارگاه MICCAI 2024 عدم پذیرش ، پذیرفته شده برای ارائه ، نسخه نسخه خطی ، 10 صفحه ، کلاس ACM: I.2 ؛i.4 ؛I.5 ؛J.3 ؛.6

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

Due to domain shift, deep learning image classifiers perform poorly when applied to a domain different from the training one. For instance, a classifier trained on chest X-ray (CXR) images from one hospital may not generalize to images from another hospital due to variations in scanner settings or patient characteristics. In this paper, we introduce our CROCODILE framework, showing how tools from causality can foster a model's robustness to domain shift via feature disentanglement, contrastive learning losses, and the injection of prior knowledge. This way, the model relies less on spurious correlations, learns the mechanism bringing from images to prediction better, and outperforms baselines on out-of-distribution (OOD) data. We apply our method to multi-label lung disease classification from CXRs, utilizing over 750000 images from four datasets. Our bias-mitigation method improves domain generalization and fairness, broadening the applicability and reliability of deep learning models for a safer medical image analysis. Find our code at: https://github.com/gianlucarloni/crocodile.

چکیده به فارسی (ترجمه ماشینی)

با توجه به تغییر دامنه ، طبقه بندی کننده های تصویر عمیق یادگیری در هنگام استفاده از دامنه متفاوت از آموزش ، عملکرد ضعیفی دارند.به عنوان مثال ، یک طبقه بندی کننده که روی تصاویر اشعه ایکس قفسه سینه (CXR) آموزش دیده از یک بیمارستان ممکن است به دلیل تغییر در تنظیمات اسکنر یا خصوصیات بیمار ، به تصاویر از بیمارستان دیگر تعمیم ندهد.در این مقاله ، ما چارچوب تمساح خود را معرفی می کنیم ، نشان می دهیم که چگونه ابزارهای علیت می توانند استحکام یک مدل را به تغییر دامنه از طریق جداسازی ویژگی ، ضررهای یادگیری متضاد و تزریق دانش قبلی تقویت کنند.به این ترتیب ، این مدل کمتر به همبستگی های فریبنده متکی است ، مکانیسم ناشی از تصاویر را به پیش بینی بهتر می آموزد ، و از خطوط پایه در داده های خارج از توزیع (OOD) بهتر عمل می کند.ما روش خود را برای طبقه بندی بیماری چند برچسب ریه از CXRS استفاده می کنیم ، با استفاده از بیش از 750000 تصویر از چهار مجموعه داده.روش تسکین تعصب ما باعث افزایش تعمیم و انصاف دامنه می شود و کاربرد و قابلیت اطمینان مدل های یادگیری عمیق را برای تجزیه و تحلیل تصویر پزشکی ایمن تر می کند.کد ما را در: https://github.com/gianlucarloni/crocodile پیدا کنید.

📚 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.