ترجمه فارسی مقاله یافتن بسته شدن: نگاهی دقیق تر به قانون گشتالت بسته شدن در شبکه های عصبی کانولوشنال

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 Finding Closure: A Closer Look at the Gestalt Law of Closure in Convolutional Neural Networks
عنوان مقاله به فارسی یافتن بسته شدن: نگاهی دقیق تر به قانون گشتالت بسته شدن در شبکه های عصبی کانولوشنال
نویسندگان Yuyan Zhang, Derya Soydaner, Lisa Koßmann, Fatemeh Behrad, Johan Wagemans
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
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 22 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 22 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

The human brain has an inherent ability to fill in gaps to perceive figures as complete wholes, even when parts are missing or fragmented. This phenomenon is known as Closure in psychology, one of the Gestalt laws of perceptual organization, explaining how the human brain interprets visual stimuli. Given the importance of Closure for human object recognition, we investigate whether neural networks rely on a similar mechanism. Exploring this crucial human visual skill in neural networks has the potential to highlight their comparability to humans. Recent studies have examined the Closure effect in neural networks. However, they typically focus on a limited selection of Convolutional Neural Networks (CNNs) and have not reached a consensus on their capability to perform Closure. To address these gaps, we present a systematic framework for investigating the Closure principle in neural networks. We introduce well-curated datasets designed to test for Closure effects, including both modal and amodal completion. We then conduct experiments on various CNNs employing different measurements. Our comprehensive analysis reveals that VGG16 and DenseNet-121 exhibit the Closure effect, while other CNNs show variable results. We interpret these findings by blending insights from psychology and neural network research, offering a unique perspective that enhances transparency in understanding neural networks. Our code and dataset will be made available on GitHub.

چکیده به فارسی (ترجمه ماشینی)

مغز انسان توانایی ذاتی در پر کردن شکاف ها را دارد تا چهره ها را به عنوان کل کامل درک کند ، حتی اگر قطعات از دست رفته یا تکه تکه شوند.این پدیده به عنوان بسته شدن در روانشناسی شناخته می شود ، یکی از قوانین گشتالت سازمان ادراکی ، توضیح می دهد که چگونه مغز انسان محرک های بینایی را تفسیر می کند.با توجه به اهمیت بسته شدن برای تشخیص شیء انسان ، ما بررسی می کنیم که آیا شبکه های عصبی به یک مکانیسم مشابه متکی هستند یا خیر.کاوش در این مهارت مهم بصری انسانی در شبکه های عصبی این پتانسیل را دارد که مقایسه آنها با انسان را برجسته کند.مطالعات اخیر تأثیر بسته شدن در شبکه های عصبی را بررسی کرده است.با این حال ، آنها به طور معمول روی انتخاب محدودی از شبکه های عصبی حلقوی (CNN) تمرکز می کنند و در مورد توانایی آنها برای انجام بسته شدن به اجماع نرسیده اند.برای پرداختن به این شکاف ها ، ما یک چارچوب سیستماتیک برای بررسی اصل بسته شدن در شبکه های عصبی ارائه می دهیم.ما مجموعه داده های به خوبی با کیفیت را معرفی می کنیم که برای آزمایش اثرات بسته شدن ، از جمله تکمیل معین و آمودال طراحی شده است.سپس ما آزمایشاتی را در مورد CNN های مختلف با استفاده از اندازه گیری های مختلف انجام می دهیم.تجزیه و تحلیل جامع ما نشان می دهد که VGG16 و DENSENET-121 اثر بسته شدن را نشان می دهند ، در حالی که سایر CNN ها نتایج متغیر را نشان می دهند.ما این یافته ها را با آمیختن بینش از روانشناسی و تحقیقات شبکه عصبی تفسیر می کنیم و یک دیدگاه منحصر به فرد را ارائه می دهیم که شفافیت را در درک شبکه های عصبی تقویت می کند.کد و مجموعه داده ما در GitHub در دسترس خواهد بود.

📚 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.