اکسپرس 24
ترجمه فارسی مقاله TinyChirp: تشخیص آواز پرندگان با استفاده از مدل‌های TinyML روی حسگرهای صوتی بی‌سیم کم‌مصرف

ترجمه فارسی مقاله TinyChirp: تشخیص آواز پرندگان با استفاده از مدل‌های TinyML روی حسگرهای صوتی بی‌سیم کم‌مصرف

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 TinyChirp: Bird Song Recognition Using TinyML Models on Low-power Wireless Acoustic Sensors
عنوان مقاله به فارسی TinyChirp: تشخیص آواز پرندگان با استفاده از مدل‌های TinyML روی حسگرهای صوتی بی‌سیم کم‌مصرف
نویسندگان Zhaolan Huang, Adrien Tousnakhoff, Polina Kozyr, Roman Rehausen, Felix Bießmann, Robert Lachlan, Cedric Adjih, Emmanuel Baccelli
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Sound,Audio and Speech Processing,Signal Processing,یادگیری ماشین , هوش مصنوعی , صدا , پردازش صوتی و گفتار , پردازش سیگنال ,
توضیحات Submitted 11 September, 2024; v1 submitted 31 July, 2024; originally announced July 2024.
توضیحات به فارسی ارسال شده در 11 سپتامبر 2024 ؛V1 ارسال شده 31 ژوئیه 2024 ؛در ابتدا ژوئیه 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 400,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 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

Monitoring biodiversity at scale is challenging. Detecting and identifying species in fine grained taxonomies requires highly accurate machine learning (ML) methods. Training such models requires large high quality data sets. And deploying these models to low power devices requires novel compression techniques and model architectures. While species classification methods have profited from novel data sets and advances in ML methods, in particular neural networks, deploying these state of the art models to low power devices remains difficult. Here we present a comprehensive empirical comparison of various tinyML neural network architectures and compression techniques for species classification. We focus on the example of bird song detection, more concretely a data set curated for studying the corn bunting bird species. The data set is released along with all code and experiments of this study. In our experiments we compare predictive performance, memory and time complexity of classical spectrogram based methods and recent approaches operating on raw audio signal. Our results indicate that individual bird species can be robustly detected with relatively simple architectures that can be readily deployed to low power devices.

چکیده به فارسی (ترجمه ماشینی)

نظارت بر تنوع زیستی در مقیاس چالش برانگیز است.تشخیص و شناسایی گونه ها در طبقه بندی های ریز دانه نیاز به روشهای بسیار دقیق یادگیری ماشین (ML) دارد.آموزش چنین مدلهایی به مجموعه داده های با کیفیت بالا نیاز دارد.و استقرار این مدل ها در دستگاه های کم مصرف نیاز به تکنیک های فشرده سازی جدید و معماری های مدل دارد.در حالی که روش های طبقه بندی گونه ها از مجموعه داده ها و پیشرفت های جدید در روش های ML سود می برند ، به ویژه در شبکه های عصبی ، استقرار این مدل های مدل ART در دستگاه های کم مصرف دشوار است.در اینجا ما یک مقایسه جامع تجربی از معماری های مختلف شبکه عصبی tinyml و تکنیک های فشرده سازی برای طبقه بندی گونه ها ارائه می دهیم.ما بر روی مثال تشخیص آهنگ پرندگان تمرکز می کنیم ، به طور مشخص ، یک مجموعه داده برای مطالعه گونه های پرنده ذرت ذرت.مجموعه داده ها به همراه کلیه کد و آزمایش های این مطالعه منتشر می شود.در آزمایشات ما عملکرد پیش بینی کننده ، حافظه و پیچیدگی زمان روشهای مبتنی بر طیف سنجی کلاسیک و رویکردهای اخیر که بر روی سیگنال صوتی خام کار می کنند ، مقایسه می کنیم.نتایج ما نشان می دهد که گونه های پرنده انفرادی را می توان با معماری های نسبتاً ساده که می توانند به راحتی در دستگاه های کم برق مستقر شوند ، به طور محکم تشخیص دهند.

📚 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.