تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله یادگیری مادام العمر اعمال انسانی با استفاده از خود سازمان دهی شبکه عصبی عمیق – نشریه الزویر

عنوان فارسی: یادگیری مادام العمر اعمال انسانی با استفاده از خود سازمان دهی شبکه عصبی عمیق
عنوان انگلیسی: Lifelong learning of human actions with deep neural network self-organization
تعداد صفحات مقاله انگلیسی : 13 تعداد صفحات ترجمه فارسی : 38 (2 صفحه رفرنس انگلیسی)
سال انتشار : 2017 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : pdf و ورد تایپ شده با قابلیت ویرایش فرمت ترجمه مقاله : pdf و ورد تایپ شده با قابلیت ویرایش
فونت ترجمه مقاله : بی نازنین سایز ترجمه مقاله : 14
نوع مقاله : ISI نوع نگارش : مقالات پژوهشی (تحقیقاتی)
پایگاه : اسکوپوس نوع ارائه مقاله : ژورنال
ایمپکت فاکتور(IF) مجله : 6.596 در سال 2018 شاخص H_index مجله : 128 در سال 2019
شاخص SJR مجله : 1.970 در سال 2018 شناسه ISSN مجله : 0893-6080
شاخص Q یا Quartile (چارک) : Q1 در سال 2018 کد محصول : 10363
محتوای فایل : zip حجم فایل : 4.64Mb
رشته و گرایش های مرتبط با این مقاله: مهندسی کامپیوتر، هوش مصنوعی
مجله: شبکه های عصبی - Neural Networks
دانشگاه: موسسه فناوری دانش، گروه انفورماتیک، دانشگاه هامبورگ، آلمان
کلمات کلیدی: یادگیری مادام العمر، تشخیص عمل، یادگیری عمیق نظارت نشده (غیر نظارتی)، شبکه های عصبی خود سازمان ده
کلمات کلیدی انگلیسی: Lifelong learning - Action recognition - Unsupervised deep learning - Self-organizing neural networks
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است ✓
وضعیت ترجمه منابع داخل متن: به صورت انگلیسی درج شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است ✓
بیس: نیست ☓
مدل مفهومی: ندارد ☓
پرسشنامه: ندارد ☓
متغیر: ندارد ☓
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است
doi یا شناسه دیجیتال: https://doi.org/10.1016/j.neunet.2017.09.001
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1. مقدمه

2. کارهای مرتبط

1. 2. مدلهای محاسباتی خود سازمان دهنده عصبی

2. 2 شبکه های خود سازمان دهنده بازگشتی

3. 2 یادگیری مادام العمر

3. روش پیشنهادی

1. 3 خود سازمان دهنده عصبی سلسله مراتبی

2. 3 شبکه Gamma-GWR

3. 3 یادگیری مادام العمر

4. 3 لایه های پولینگ

5. 3. یادگیری انجمنی و طبقه بندی

4. آزمایشات و نتایج

1. 4 پارامترهای آموزشی

2. 4. صحت طبقه بندی با یادگیری دسته ای

3. 4. طبقه بندی با برچسب های گم شده یا خراب

4. 4 . پویایی یادگیری

5. 4. تداخل فجیع و جبران ناپذیر

5. بحث

1. 5. خلاصه

2. 5. خود سازمان دهنده عصبی عمیق

3. 5. یادگیری مادام العمر نمایش های عمل

6. نتیجه گیری

نمونه متن انگلیسی

Abstract

Lifelong learning is fundamental in autonomous robotics for the acquisition and fine-tuning of knowledge through experience. However, conventional deep neural models for action recognition from videos do not account for lifelong learning but rather learn a batch of training data with a predefined number of action classes and samples. Thus, there is the need to develop learning systems with the ability to incrementally process available perceptual cues and to adapt their responses over time. We propose a self-organizing neural architecture for incrementally learning to classify human actions from video sequences. The architecture comprises growing self-organizing networks equipped with recurrent neurons for processing time-varying patterns. We use a set of hierarchically arranged recurrent networks for the unsupervised learning of action representations with increasingly large spatiotemporal receptive fields. Lifelong learning is achieved in terms of prediction-driven neural dynamics in which the growth and the adaptation of the recurrent networks are driven by their capability to reconstruct temporally ordered input sequences. Experimental results on a classification task using two action benchmark datasets show that our model is competitive with state-of-the-art methods for batch learning also when a significant number of sample labels are missing or corrupted during training sessions. Additional experiments show the ability of our model to adapt to non-stationary input avoiding catastrophic interference.

نمونه متن ترجمه

چکیده

یادگیری مادام العمر در حوزه رباتیک مستقل برای دستیابی و تنظیم مناسب دانش با کسب تجربه نقش بنیادین دارد. با این حال، مدل های متداول شبکه های عصبی عمیق برای تشخیص عمل از روی ویدیو یادگیری مادام العمر را در نظر نمی گیرند اما در عوض مجموعه، داده های آموزش را همراه با تعداد پیش تعریف شده از دسته ها و نمونه های عمل یاد می گیرد. بنابراین، نیاز به توسعه سیستم های یادگیری همراه با توانایی پردازش تدریجی نشانه های ادراکی و تنظیم پاسخ های آن ها در طی زمان وجود دارد. ما معماری شبکه عصبی خود سازمان دهی را برای یادگیری تدریجی به منظور طبقه بندی اقدامات انسان براساس دنباله های ویدیویی پیشنهاد می دهیم. این معماری شامل شبکه های در حال رشد خود سازمانی است که با نرون های بازگشتی برای پردازش الگوهای متغیر با زمان تجهیز شده است. ما از مجموعه شبکه های بازگشت مجدد با ساختار سلسله مراتبی استفاده می کنیم که برای یادگیری غیر نظارتی نمایش های اقدام همراه با حوزه های پذیرش فاصله زمانی به طور فزاینده بزرگ ترتیب داده شده است. یادگیری مادام العمر براساس پویایی عصبی مبتنی بر پیش بینی به دست می آید به طوری که رشد و پذیرش شبکه های بازگشتی توسط قابلیت آن ها در بازسازی موقت دنباله های ورودی راه اندازی می شود. نتایج تجربی براساس یک کار دسته بندی با استفاده از دو مجموعه داده (دیتاست) معیار عمل نشان می دهد که مدل پیشنهادی با بهترین روش های موجود برای یادگیری گروهی قابل رقابت است، حتی زمانی که تعداد قابل توجهی از برچسب های نمونه در طی جلسات آموزش گم شده یا خراب و معیوب شده است. آزمایش های بیشتر توانایی مدل پیشنهادی در سازگاری با ورودی غیر ساکن با اجتناب از تداخل فاجعه بار را نشان می دهد.