ترجمه فارسی مقاله SeA: Semantic Adversarial Augmentation برای ویژگی‌های لایه آخر از آموزش بازنمایی بدون نظارت

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 SeA: Semantic Adversarial Augmentation for Last Layer Features from Unsupervised Representation Learning
عنوان مقاله به فارسی SeA: Semantic Adversarial Augmentation برای ویژگی‌های لایه آخر از آموزش بازنمایی بدون نظارت
نویسندگان Qi Qian, Yuanhong Xu, Juhua Hu
فرمت مقاله انگلیسی PDF
تعداد صفحات 18
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 23 August, 2024; originally announced August 2024. , Comments: accepted by ECCV'24
توضیحات به فارسی ارسال شده 23 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: پذیرفته شده توسط ECCV'24
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

Deep features extracted from certain layers of a pre-trained deep model show superior performance over the conventional hand-crafted features. Compared with fine-tuning or linear probing that can explore diverse augmentations, \eg, random crop/flipping, in the original input space, the appropriate augmentations for learning with fixed deep features are more challenging and have been less investigated, which degenerates the performance. To unleash the potential of fixed deep features, we propose a novel semantic adversarial augmentation (SeA) in the feature space for optimization. Concretely, the adversarial direction implied by the gradient will be projected to a subspace spanned by other examples to preserve the semantic information. Then, deep features will be perturbed with the semantic direction, and augmented features will be applied to learn the classifier. Experiments are conducted on $11$ benchmark downstream classification tasks with $4$ popular pre-trained models. Our method is $2\%$ better than the deep features without SeA on average. Moreover, compared to the expensive fine-tuning that is expected to give good performance, SeA shows a comparable performance on $6$ out of $11$ tasks, demonstrating the effectiveness of our proposal in addition to its efficiency. Code is available at \url{https://github.com/idstcv/SeA}.

چکیده به فارسی (ترجمه ماشینی)

ویژگی های عمیق استخراج شده از لایه های خاصی از یک مدل عمیق از قبل آموزش داده شده ، عملکرد برتر نسبت به ویژگی های معمولی دست ساز را نشان می دهد.در مقایسه با تنظیم دقیق یا کاوش خطی که می تواند تقویت های متنوعی را کشف کند ، به عنوان مثال ، محصول تصادفی/چرخش تصادفی ، در فضای ورودی اصلی ، تقویت مناسب برای یادگیری با ویژگی های عمیق ثابت چالش برانگیز است و کمتر مورد بررسی قرار گرفته است ، که عملکرد را منحرف می کند.بشربرای رونمایی از پتانسیل ویژگی های عمیق ثابت ، ما یک تقویت مخالف معنایی جدید (SEA) را در فضای ویژگی برای بهینه سازی پیشنهاد می کنیم.به طور واضح ، جهت مخالف که توسط شیب حاکی از آن است ، به یک فضای فرعی که توسط مثالهای دیگر برای حفظ اطلاعات معنایی درج شده است ، پیش بینی می شود.سپس ، ویژگی های عمیق با جهت معنایی آشفته می شوند و از ویژگی های افزوده برای یادگیری طبقه بندی استفاده می شود.آزمایشات در معیار 11 دلار معیار طبقه بندی پایین دست با 4 دلار مدل از پیش آموزش محبوب 4 دلار انجام می شود.روش ما 2 دلار \ ٪ $ بهتر از ویژگی های عمیق بدون دریا است.علاوه بر این ، در مقایسه با تنظیم دقیق گران قیمت که انتظار می رود عملکرد خوبی داشته باشد ، SEA عملکرد قابل مقایسه ای را با 6 دلار از وظایف 11 دلار نشان می دهد و علاوه بر کارآیی آن ، اثربخشی پیشنهاد ما را نشان می دهد.کد در \ url {https://github.com/idstcv/sea} در دسترس است.

📚 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.