اکسپرس 24
ترجمه فارسی مقاله یادگیری بازنمایی سازگار با خوشه‌بندی برای بهبود ویژگی‌های برجسته

ترجمه فارسی مقاله یادگیری بازنمایی سازگار با خوشه‌بندی برای بهبود ویژگی‌های برجسته

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 Clustering-friendly Representation Learning for Enhancing Salient Features
عنوان مقاله به فارسی یادگیری بازنمایی سازگار با خوشه‌بندی برای بهبود ویژگی‌های برجسته
نویسندگان Toshiyuki Oshima, Kentaro Takagi, Kouta Nakata
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 9 August, 2024; originally announced August 2024. , Comments: 12 pages, 6 figures, 28th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD2024) , Journal ref: 28th Pacific-Asia Conference on Knowledge Discovery and Data Mining, PAKDD 2024, Taipei, Taiwan, May 7-10, 2024, Proceedings, Part I, pp 209-220
توضیحات به فارسی ارسال شده در 9 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: 12 صفحه ، 6 شکل ، 28th کنفرانس کشف دانش و داده های کاوی (PAKDD2024) ، مجله Ref: 28th کنفرانس اقیانوس آرام-آسیا در مورد کشف دانش و داده های استخراج ، Pakdd 2024 ، تایپه ، تایوان، 7-10 مه ، 2024 ، مجموعه مقالات ، قسمت اول ، صص 209-220

قیمت: 19,000 تومان

سفارش

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

قیمت: 480,000 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

Recently, representation learning with contrastive learning algorithms has been successfully applied to challenging unlabeled datasets. However, these methods are unable to distinguish important features from unimportant ones under simply unsupervised settings, and definitions of importance vary according to the type of downstream task or analysis goal, such as the identification of objects or backgrounds. In this paper, we focus on unsupervised image clustering as the downstream task and propose a representation learning method that enhances features critical to the clustering task. We extend a clustering-friendly contrastive learning method and incorporate a contrastive analysis approach, which utilizes a reference dataset to separate important features from unimportant ones, into the design of loss functions. Conducting an experimental evaluation of image clustering for three datasets with characteristic backgrounds, we show that for all datasets, our method achieves higher clustering scores compared with conventional contrastive analysis and deep clustering methods.

چکیده به فارسی (ترجمه ماشینی)

به تازگی ، یادگیری بازنمایی با الگوریتم های یادگیری متضاد با موفقیت در مورد مجموعه داده های بدون برچسب به چالش کشیده شده است.با این حال ، این روش ها قادر به تشخیص ویژگی های مهم از موارد غیر مهم تحت تنظیمات صرفاً بدون نظارت نیستند ، و تعاریف اهمیت با توجه به نوع کار پایین دست یا هدف تجزیه و تحلیل ، مانند شناسایی اشیاء یا پیشینه متفاوت است.در این مقاله ، ما بر روی خوشه بندی تصویر بدون نظارت به عنوان وظیفه پایین دست تمرکز می کنیم و یک روش یادگیری بازنمایی را پیشنهاد می کنیم که ویژگی های مهم برای کار خوشه بندی را افزایش می دهد.ما یک روش یادگیری متضاد متضاد خوشه بندی را گسترش می دهیم و یک روش تجزیه و تحلیل متضاد را شامل می شویم ، که از یک مجموعه داده مرجع برای جدا کردن ویژگی های مهم از موارد مهم ، در طراحی توابع ضرر استفاده می کند.انجام یک ارزیابی تجربی از خوشه بندی تصویر برای سه مجموعه داده با پیشینه مشخصه ، ما نشان می دهیم که برای همه مجموعه داده ها ، روش ما به نمرات خوشه بندی بالاتر در مقایسه با تجزیه و تحلیل متضاد معمولی و روش های خوشه بندی عمیق می رسد.

📚 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.