Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات
Submitted 4 September, 2024; originally announced September 2024. , Comments: 10 pages, 7 figures, 7 tables; Accepted to 2024 FUZZ-IEEE and presented at 2024 IEEE WCCI; Code available at https://github.com/hvak/Bi-MIChI
توضیحات به فارسی
ارسال شده در 4 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: 10 صفحه ، 7 شکل ، 7 جدول ؛پذیرفته شده در سال 2024 Fuzz-Ieee و در 2024 IEEE WCCI ارائه شد.کد موجود در https://github.com/hvak/bi-michi
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
Sensor fusion combines data from multiple sensor sources to improve reliability, robustness, and accuracy of data interpretation. The Fuzzy Integral (FI), in particular, the Choquet integral (ChI), is often used as a powerful nonlinear aggregator for fusion across multiple sensors. However, existing supervised ChI learning algorithms typically require precise training labels for each input data point, which can be difficult or impossible to obtain. Additionally, prior work on ChI fusion is often based only on the normalized fuzzy measures, which bounds the fuzzy measure values between [0, 1]. This can be limiting in cases where the underlying scales of input data sources are bipolar (i.e., between [-1, 1]). To address these challenges, this paper proposes a novel Choquet integral-based fusion framework, named Bi-MIChI (pronounced "bi-mi-kee"), which uses bi-capacities to represent the interactions between pairs of subsets of the input sensor sources on a bi-polar scale. This allows for extended non-linear interactions between the sensor sources and can lead to interesting fusion results. Bi-MIChI also addresses label uncertainty through Multiple Instance Learning, where training labels are applied to "bags" (sets) of data instead of per-instance. Our proposed Bi-MIChI framework shows effective classification and detection performance on both synthetic and real-world experiments for sensor fusion with label uncertainty. We also provide detailed analyses on the behavior of the fuzzy measures to demonstrate our fusion process.
چکیده به فارسی (ترجمه ماشینی)
فیوژن سنسور برای بهبود قابلیت اطمینان ، استحکام و صحت تفسیر داده ها ، داده های منابع چند سنسور را ترکیب می کند.انتگرال فازی (FI) ، به ویژه ، انتگرال Choquet (CHI) ، اغلب به عنوان یک جمع کننده قدرتمند غیرخطی برای همجوشی در چندین سنسورها استفاده می شود.با این حال ، الگوریتم های یادگیری CHI تحت نظارت موجود به طور معمول نیاز به برچسب های آموزش دقیق برای هر نقطه داده ورودی دارند ، که دستیابی به آن دشوار یا غیرممکن است.علاوه بر این ، کار قبلی در مورد فیوژن CHI اغلب فقط بر روی اقدامات فازی نرمال شده است که مقادیر اندازه گیری فازی را بین [0 ، 1] محدود می کند.این می تواند در مواردی باشد که مقیاس اصلی منابع داده ورودی دو قطبی باشد (یعنی بین [1 ، 1]).برای پرداختن به این چالش ها ، این مقاله یک چارچوب فیوژن مبتنی بر یکپارچه سازی جدید ، به نام دو میشی (تلفظ "Bi-Mi-Kee") را ارائه می دهد ، که از دویپاتیک های دوسانه ای برای نشان دادن تعامل بین جفت زیر مجموعه منابع سنسور ورودی استفاده می کند.در مقیاس دو قطبی.این امر باعث می شود تعامل گسترده غیرخطی بین منابع سنسور انجام شود و می تواند به نتایج جالب همجوشی منجر شود.Bi-Michi همچنین به عدم اطمینان برچسب از طریق یادگیری نمونه چندگانه ، که در آن برچسب های آموزشی به جای در هر حالت به "کیسه ها" (مجموعه) داده ها اعمال می شود ، می پردازد.چارچوب دو میشیگان پیشنهادی ما طبقه بندی و عملکرد مؤثر را در هر دو آزمایش مصنوعی و واقعی برای همجوشی سنسور با عدم اطمینان برچسب نشان می دهد.ما همچنین تجزیه و تحلیل مفصلی در مورد رفتار اقدامات فازی برای نشان دادن روند همجوشی خود ارائه می دهیم.
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
