ترجمه فارسی مقاله وضوح فوق العاده جریان رویداد با استفاده از شبکه عصبی Sigma-Delta

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Event-Stream Super Resolution using Sigma-Delta Neural Network
عنوان مقاله به فارسی وضوح فوق العاده جریان رویداد با استفاده از شبکه عصبی Sigma-Delta
نویسندگان Waseem Shariff, Joe Lemley, Peter Corcoran
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Image and Video Processing,Computer Vision and Pattern Recognition,Machine Learning,پردازش تصویر و فیلم , دید رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 13 August, 2024; originally announced August 2024. , Comments: ECCV: The 18th European Conference on Computer Vision ECCV 2024 NeVi Workshop
توضیحات به فارسی ارسال شده در 13 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: ECCV: هجدهمین کنفرانس اروپایی در مورد رایانه دید کامپیوتر ECCV 2024 کارگاه NEVI
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

This study introduces a novel approach to enhance the spatial-temporal resolution of time-event pixels based on luminance changes captured by event cameras. These cameras present unique challenges due to their low resolution and the sparse, asynchronous nature of the data they collect. Current event super-resolution algorithms are not fully optimized for the distinct data structure produced by event cameras, resulting in inefficiencies in capturing the full dynamism and detail of visual scenes with improved computational complexity. To bridge this gap, our research proposes a method that integrates binary spikes with Sigma Delta Neural Networks (SDNNs), leveraging spatiotemporal constraint learning mechanism designed to simultaneously learn the spatial and temporal distributions of the event stream. The proposed network is evaluated using widely recognized benchmark datasets, including N-MNIST, CIFAR10-DVS, ASL-DVS, and Event-NFS. A comprehensive evaluation framework is employed, assessing both the accuracy, through root mean square error (RMSE), and the computational efficiency of our model. The findings demonstrate significant improvements over existing state-of-the-art methods, specifically, the proposed method outperforms state-of-the-art performance in computational efficiency, achieving a 17.04-fold improvement in event sparsity and a 32.28-fold increase in synaptic operation efficiency over traditional artificial neural networks, alongside a two-fold better performance over spiking neural networks.

چکیده به فارسی (ترجمه ماشینی)

این مطالعه یک رویکرد جدید برای تقویت وضوح مکانی و زمانی پیکسل های رویداد زمان بر اساس تغییرات درخشندگی ضبط شده توسط دوربین های رویداد ارائه می دهد.این دوربین ها به دلیل وضوح پایین و ماهیت پراکنده و ناهمزمان داده های جمع آوری شده ، چالش های منحصر به فردی دارند.الگوریتم های فوق العاده با وضوح رویداد فعلی برای ساختار داده مجزا تولید شده توسط دوربین های رویداد کاملاً بهینه نشده اند و در نتیجه ناکارآمدی در ضبط پویایی کامل و جزئیات صحنه های بصری با پیچیدگی محاسباتی بهبود یافته است.برای برطرف کردن این شکاف ، تحقیقات ما روشی را ارائه می دهد که سنبله های باینری را با شبکه های عصبی Sigma Delta (SDNNS) ادغام می کند ، و از مکانیسم یادگیری محدودیت مکانی مکانی که برای یادگیری همزمان توزیع های مکانی و زمانی از جریان رویداد طراحی شده است ، استفاده می کند.شبکه پیشنهادی با استفاده از مجموعه داده های معیار به طور گسترده شناخته شده ، از جمله N-MNIST ، CIFAR10-DVS ، ASL-DV و EVEST-NF ارزیابی می شود.یک چارچوب ارزیابی جامع ، با ارزیابی هم ، از طریق خطای میانگین مربع ریشه (RMSE) و راندمان محاسباتی مدل ما ، ارزیابی می شود.این یافته ها پیشرفت های قابل توجهی را نسبت به روشهای پیشرفته موجود نشان می دهد ، به طور خاص ، روش پیشنهادی از عملکرد پیشرفته در کارآیی محاسباتی فراتر می رود ، و به پیشرفت 17.04 برابر در پراکندگی رویداد و افزایش 32.28 برابر درراندمان عملکرد سیناپسی بر روی شبکه های عصبی مصنوعی سنتی ، در کنار عملکرد دو برابر بهتر نسبت به شبکه های عصبی سنبله.

📚 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.