ترجمه فارسی مقاله LAKD-تقطیر نقشه برداری فعال سازی بر اساس یادگیری محلی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی LAKD-Activation Mapping Distillation Based on Local Learning
عنوان مقاله به فارسی LAKD-تقطیر نقشه برداری فعال سازی بر اساس یادگیری محلی
نویسندگان Yaoze Zhang, Yuming Zhang, Yu Zhao, Yue Zhang, Feiyu Zhu
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
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; v1 submitted 21 August, 2024; originally announced August 2024. , Comments: 8 pages,7 figures
توضیحات به فارسی ارسال شده در 22 اوت 2024 ؛V1 ارسال شده 21 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 8 صفحه ، 7 شکل
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

Knowledge distillation is widely applied in various fundamental vision models to enhance the performance of compact models. Existing knowledge distillation methods focus on designing different distillation targets to acquire knowledge from teacher models. However, these methods often overlook the efficient utilization of distilled information, crudely coupling different types of information, making it difficult to explain how the knowledge from the teacher network aids the student network in learning. This paper proposes a novel knowledge distillation framework, Local Attention Knowledge Distillation (LAKD), which more efficiently utilizes the distilled information from teacher networks, achieving higher interpretability and competitive performance. The framework establishes an independent interactive training mechanism through a separation-decoupling mechanism and non-directional activation mapping. LAKD decouples the teacher's features and facilitates progressive interaction training from simple to complex. Specifically, the student network is divided into local modules with independent gradients to decouple the knowledge transferred from the teacher. The non-directional activation mapping helps the student network integrate knowledge from different local modules by learning coarse-grained feature knowledge. We conducted experiments on the CIFAR-10, CIFAR-100, and ImageNet datasets, and the results show that our LAKD method significantly outperforms existing methods, consistently achieving state-of-the-art performance across different datasets.

چکیده به فارسی (ترجمه ماشینی)

تقطیر دانش به طور گسترده ای در مدلهای مختلف بینایی اساسی برای افزایش عملکرد مدلهای جمع و جور استفاده می شود.روشهای تقطیر دانش موجود بر طراحی اهداف مختلف تقطیر برای به دست آوردن دانش از مدلهای معلم متمرکز است.با این حال ، این روش ها غالباً از استفاده کارآمد از اطلاعات مقطر غافل می شوند ، و به طرز ناخوشایندی از انواع مختلف اطلاعات را جفت می کنند و توضیح این مسئله را دشوار می کند که چگونه دانش شبکه معلم به شبکه دانشجویی در یادگیری کمک می کند.این مقاله یک چارچوب تقطیر دانش جدید ، تقطیر دانش محلی (LAKD) را ارائه می دهد ، که با استفاده از اطلاعات مقطر از شبکه های معلمان ، دستیابی به تفسیر بالاتر و عملکرد رقابتی ، با استفاده از اطلاعات مقطر از شبکه های معلمان استفاده می کند.این چارچوب یک مکانیسم آموزش تعاملی مستقل را از طریق مکانیسم جداسازی جداسازی و نقشه برداری فعال سازی غیر جهت گیری ایجاد می کند.LAKD ویژگی های معلم را دفع می کند و آموزش تعامل مترقی را از ساده تا پیچیده تسهیل می کند.به طور خاص ، شبکه دانشجویی برای جدا کردن دانش منتقل شده از معلم به ماژول های محلی با شیب مستقل تقسیم می شود.نقشه برداری فعال سازی غیر جهت دار به شبکه دانشجویی کمک می کند تا دانش را از ماژول های مختلف محلی با یادگیری دانش ویژگی درشت دانه ادغام کند.ما آزمایشاتی را در مورد مجموعه داده های CIFAR-10 ، CIFAR-100 و Imagenet انجام دادیم و نتایج نشان می دهد که روش LAKD ما به طور قابل توجهی از روشهای موجود بهتر عمل می کند ، و به طور مداوم به عملکرد پیشرفته در مجموعه داده های مختلف 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.