ترجمه فارسی مقاله فیلترهای آستانه تطبیقی ​​وزنی توصیفگرهای محلی برای یادگیری چند شات

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 Local Descriptors Weighted Adaptive Threshold Filtering For Few-Shot Learning
عنوان مقاله به فارسی فیلترهای آستانه تطبیقی ​​وزنی توصیفگرهای محلی برای یادگیری چند شات
نویسندگان Bingchen Yan
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Artificial Intelligence,چشم انداز رایانه و تشخیص الگوی , هوش مصنوعی ,
توضیحات Submitted 28 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 28 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

Few-shot image classification is a challenging task in the field of machine learning, involving the identification of new categories using a limited number of labeled samples. In recent years, methods based on local descriptors have made significant progress in this area. However, the key to improving classification accuracy lies in effectively filtering background noise and accurately selecting critical local descriptors highly relevant to image category information. To address this challenge, we propose an innovative weighted adaptive threshold filtering (WATF) strategy for local descriptors. This strategy can dynamically adjust based on the current task and image context, thereby selecting local descriptors most relevant to the image category. This enables the model to better focus on category-related information while effectively mitigating interference from irrelevant background regions. To evaluate the effectiveness of our method, we adopted the N-way K-shot experimental framework. Experimental results show that our method not only improves the clustering effect of selected local descriptors but also significantly enhances the discriminative ability between image categories. Notably, our method maintains a simple and lightweight design philosophy without introducing additional learnable parameters. This feature ensures consistency in filtering capability during both training and testing phases, further enhancing the reliability and practicality of the method.

چکیده به فارسی (ترجمه ماشینی)

طبقه بندی تصویر چند شات یک کار چالش برانگیز در زمینه یادگیری ماشین است که شامل شناسایی دسته های جدید با استفاده از تعداد محدودی از نمونه های دارای برچسب است.در سالهای اخیر ، روشهای مبتنی بر توصیف کننده های محلی پیشرفت چشمگیری در این زمینه داشته اند.با این حال ، کلید بهبود دقت طبقه بندی در فیلتر کردن موثر نویز پس زمینه و انتخاب دقیق توصیف کننده های مهم محلی بسیار مرتبط با اطلاعات دسته تصویر است.برای پرداختن به این چالش ، ما یک استراتژی نوآورانه تطبیقی ​​آستانه تطبیقی ​​(WATF) برای توصیف کنندگان محلی پیشنهاد می کنیم.این استراتژی می تواند به صورت پویا بر اساس زمینه فعلی و متن تصویر تنظیم شود ، در نتیجه توصیف کننده های محلی را که بیشتر مربوط به دسته تصویر هستند ، انتخاب می کنند.این مدل را قادر می سازد تا در حالی که به طور مؤثر تداخل در مناطق پس زمینه بی ربط را کاهش می دهد ، روی اطلاعات مربوط به طبقه بندی بیشتر تمرکز کند.برای ارزیابی اثربخشی روش خود ، ما چارچوب تجربی N-Way K-Shot را اتخاذ کردیم.نتایج تجربی نشان می دهد که روش ما نه تنها اثر خوشه بندی توصیف کننده های محلی انتخاب شده را بهبود می بخشد بلکه توانایی تبعیض آمیز بین دسته های تصویر را نیز به طور قابل توجهی افزایش می دهد.نکته قابل توجه ، روش ما یک فلسفه طراحی ساده و سبک وزن را بدون معرفی پارامترهای قابل یادگیری اضافی حفظ می کند.این ویژگی سازگاری در قابلیت فیلتر کردن در هر دو مرحله آموزش و آزمایش را تضمین می کند ، باعث افزایش بیشتر قابلیت اطمینان و عملی روش می شود.

📚 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.