نقشه سایت

یادگیری مانده ای عمیق برای تشخیص تصویر

آموزش شبکه های مصنوعی عمیق تر سخت تر می باشد. در این مقاله یک چارچوب یادگیری مانده ای برای سهولت آموزش شبکه هایی که اساسا عمیق تر از شبکه های قبلا استفاده شده هستند، ارائه می کنیم. با صراحت به فرموله سازی مجدد لایه ها به صورت توابع مانده ای یادگیری با ارجاع به ورودی های لایه، بجای توابع بدون مرجع یادگیری می پردازیم. شواهد تجربی جامعی را ارائه می کنیم که نشان می دهند که بهینه سازی این شبکه های مانده ای آسان تر است و می توانند از عمق به شدت افزایش یافته به صحت دست یابند. شبکه های مانده ای را با عمق حداکثر 152 لایه روی مجموعه داده ImageNet ارزیابی می کنیم – 8 برابر عمیق تر از شبکه های VGG، در حالیکه هنوز از پیچیدگی پایین تری برخوردار هستند. مجموعه ی این شبکه های مانده ای به 3.57% خطا بر روی مجموعه تست ImageNet دست می یابد. این نتیجه برنده رتبه اول در طبقه بندی ILSVRC 2015 شده است. همچنین آنالیز را بر روی CIFAR-10 با 100 و 1000 لایه ارائه می کنیم. عمق نمایش ها از اهمیت خاصی برای اکثر عملیات تشخیص بصری (ویژوال) برخوردار است. تنها به دلیل نمایش های به شدت عمیق مان، به 28% بهبود نسبی بر روی مجموعه داده تشخیص شی COCO دست می یابیم. شبکه های مانده ای عمیق، اساس عملیات ما در رقابت های ILSVRC & COCO 2015 می باشند، جاییکه ما نیز برنده رتبه اول در عملیات تشخیص ImageNet ، مکان یابی ImageNet ، تشخیص COCO و قطعه بندی COCO شدیم.

 

Deep Residual Learning for Image Recognition

2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)

Deeper neural networks are more difficult to train. We present a residual learning framework to ease the training of networks that are substantially deeper than those used previously. We explicitly reformulate the layers as learning residual functions with reference to the layer inputs, instead of learning unreferenced functions. We provide comprehensive empirical evidence showing that these residual networks are easier to optimize, and can gain accuracy from considerably increased depth. On the ImageNet dataset we evaluate residual nets with a depth of up to 152 layers—8× deeper than VGG nets [40] but still having lower complexity. An ensemble of these residual nets achieves 3.57% error on the ImageNet test set. This result won the 1st place on the ILSVRC 2015 classification task. We also present analysis on CIFAR-10 with 100 and 1000 layers. The depth of representations is of central importance for many visual recognition tasks. Solely due to our extremely deep representations, we obtain a 28% relative improvement on the COCO object detection dataset. Deep residual nets are foundations of our submissions to ILSVRC & COCO 2015 competitions1, where we also won the 1st places on the tasks of ImageNet detection, ImageNet localization, COCO detection, and COCO segmentation.

 

تماس با ما

  • آدرس: تبریز، میدان دانشسرا، خایابان خاقانی، پاساژ خاقانی، پلاک 119
  • تلفن تماس: 35250068-041
  • فکس: 35250069-041
  • این آدرس ایمیل توسط spambots حفاظت می شود. برای دیدن شما نیاز به جاوا اسکریپت دارید
  • موبایل: 09141077352

طلا ترجمه

وب سایت طلا ترجمه از  سال  1385 شروع به کار نموده است  و تا کنون بیش از ده هزار ترجمه در رشته ها و زمینه های مختلف توسط متخصصین این مرکز انجام  شده  است.طلا ترجمه اولین وب‌سایت ایرانی است که امکان محاسبه آنلاین مبلغ ترجمه را به دو روش مختلف فراهم نموده است تا بتواند گامی موثر در راحتی شما مشتریان عزیز بردارد.

دیکشنری تصویری

ارسال سریع پیام

  1. لطفا نام و نام خانوادگی خود را وارد نمایید.
  2. لطفا آدرس پست الکترونیکی خود را صحیح وارد نمایید.
  3. لطفا موضوع پیام ارسالی خود را بنویسید.
  4. لطفا متن پیام خود را تکمیل نمایید.
Top
We use cookies to improve our website. By continuing to use this website, you are giving consent to cookies being used. Cookie policy. I accept cookies from this site. Agree