دانلود مقاله طبقه بندی تصاویر به کمک یادگیری انتقالی و استفاده از مجموعه داده های سفارشی

قیمت خرید این محصول

۳۱۲,۰۰۰ تومان

عنوان فارسی

طبقه بندی تصاویر به کمک یادگیری انتقالی و استفاده از مجموعه داده های سفارشی: مطالعه تطبیقی

عنوان انگلیسی

Image Classification with Transfer Learning Using a Custom Dataset: Comparative Study

صفحات مقاله فارسی

11

صفحات مقاله انگلیسی

7

سال انتشار

2023

رفرنس

دارای رفرنس در داخل متن و انتهای مقاله

زبان متن خلاصه

فارسی

سایز ترجمه مقاله

14

سایز متن خلاصه

14

فرمت ترجمه مقاله

pdf و ورد تایپ شده با قابلیت ویرایش

فرمت مقاله انگلیسی

pdf و ورد تایپ شده با قابلیت ویرایش

فونت ترجمه مقاله

بی نازنین

فونت متن خلاصه

بی نازنین

نشریه

الزویر - Elsevier

نوع ارائه مقاله

ژورنال/کنفرانس

نوع مقاله

ISI

نوع نگارش

مقالات پژوهشی (تحقیقاتی)

ایمپکت فاکتور(IF) مجله

2.562 در سال 2022

پایگاه

اسکوپوس

تعداد کلمات متن خلاصه

900

شاخص H_index مجله

109 در سال 2024

شاخص SJR مجله

0.507 در سال 2022

شناسه ISSN مجله

1877-0509

کد محصول

14174

بیس

نیست ☓

پرسشنامه

ندارد ☓

رفرنس در ترجمه

در داخل متن و در انتهای مقاله درج شده است

ضمیمه

ندارد ☓

فرضیه

ندارد ☓

متغیر

ندارد ☓

مدل مفهومی

ندارد ☓

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 انگلیسی درج شده است ✓

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس درج شده است

doi یا شناسه دیجیتال

https://doi.org/10.1016/j.procs.2023.03.009

رشته و گرایش های مرتبط با این مقاله

مهندسی کامپیوتر - هوش مصنوعی - مهندسی الگوریتم ها و محاسبات - مهندسی نرم افزار

کلمات کلیدی

بینایی رایانه - یادگیری عمیق - یادگیری انتقالی - MobileNet V2 - VGG19- ResNet50

کلمات کلیدی انگلیسی

Computer vision - Deep learning - Transfer learning - MobileNet V2 - VGG19 - ResNet50

مجله

Procedia Computer Science

با خرید این کالا; ترجمه فارسی مقاله، مقاله انگلیسی، پاورپوینت و ترجمه خلاصه قابل دانلود خواهد بود. بلافاصله پس از خرید، دکمه دانلود ظاهر شده و محصول به ایمیل شما نیز ارسال خواهد گردید.

۰.۰ (بدون امتیاز)

امتیاز دهید

فهرست

چکیده
1. مقدمه
2. مدل‌های پیش‌آموزش دیده شده
3. مجموعه داده (Dataset)
4. پیش‌پردازش و معیارهای ارزیابی
5. بحث و نتایج
6. نتیجه گیری
منابع و ماخذ

فایل پاورپوینت این مقاله

در کنار ترجمه مقاله، فایل پاورپوینت این مقاله نیز ایجاد شده و در این محصول قرار داده شده است که پس از خریداری به همراه ترجمه قابل دانلود خواهد بود. تعداد اسلایدهای این پاورپوینت 14 می باشد و آماده ارائه در دانشگاه یا سایر سمینارها است.

فایل خلاصه ترجمه

در صورتی که نیاز به خلاصه ای از متن ترجمه این مقاله دارید، می توانید از فایل خلاصه ترجمه استفاده نمایید که به این محصول اضافه شده است. خلاصه ترجمه این مقاله در 5 صفحه در فایل word انجام شده و داخل بسته قرار گرفته است.

نمونه چکیده ترجمه متن فارسی

چکیده

آموزش شبکه های عصبی عمیق کار بسیار پرهزینه ای می باشد، که نه تنها فرایندی بسیار زمان بر خواهد بود، بلکه نیازمند توان محاسباتی بالایی نیز می باشد که عموماً هم به مجموعه داده های زیادی برای آموزش نیاز دارد و ازین حیث ممکن است همیشه در دسترس نباشد. با این وجود می توان از راه حل های جایگزین دیگری همچون مدل های پیش آموزش دیده شده که در مجموعه داده‌های استاندارد تصویربرداری کامپیوتری توسعه یافته‌اند کمک گرفت تا به رفع این چالش ها بیانجامد. در روش یادگیری انتقالی، ما اساساً سعی می‌کنیم از آنچه در یک وظیفه (Task) یاد گرفته شده است، برای بهبود تعمیم در وظیفه دیگر استفاده نماییم. در واقع ارزش گذاری داده هایی که یک شبکه در 'وظیفه الف' با مقدار زیادی از آن آموزش برچسب گذاری شده است را به یک 'وظیفه ب' جدید که داده های زیادی ندارد، منتقل می نماییم. به بیان دیگر، دانشِ یک مدل از قبل آموزش دیده شده به یک مسئله متفاوت، اما با ارتباط نزدیک از طریق یادگیری انتقالی منتقل خواهد شد. به عنوان نمونه، اگر ما یک طبقه بندی ساده برای پیش بینی اینکه آیا تصویری حاوی غذا است آموزش دهیم، می توانیم از دانش آموخته های مدل، برای شناسایی اشیای دیگری همچون نوشیدنی ها استفاده کنیم. این دانش می تواند به صورت های مختلفی به وجود آید که وابسته به مسئله و داده ها خواهد بود. در اینجا مدل‌های برتر می‌توانند به‌طور مستقیم دانلود و استفاده شوند، یا حتی در یک مدل جدید که وظیفه تشخیص مشکلات مربوط به شناسایی اشیا در کامپیوترها را بر عهده دارند ادغام گردند. بنابراین، ما با سرعت بخشیدن به مرحله آموزش و عملکرد مدل یادگیری عمیق، حتی کار با مجموعه داده کوچک را نیز بهبود می‌بخشیم. در این کار، ما پیشنهاد می‌کنیم تا وظیفه طبقه‌بندی را با استفاده از سه مدل از پیش آموزش دیده که عبارتند از: MobileNet V2 ، Resnet50 و VGG19 انجام دهیم و نتایج را با استفاده از چهار معیار ارزیابی کلیدی مورد بحث قرار بدهیم. مجموعه داده ها، متشکل از یک شی خاص است تا بتواند عملکرد مدل‌ها را مقایسه کند.

مدل‌های پیش‌آموزش دیده شده

موبایل نت V1

مدل MobileNet V1 از دسته مدل های CNN (شبکه عصبی کانولوشنال) است که برای استفاده در کاربردهای پردازش تصویر در تلفن همراه و سامانه های سیار طراحی شده است. ایده اصلی پشت MobileNet V1 این است که لایه های کانولوشنال، که برای وظایف بینایی رایانه ای ضروری هستند اما محاسبه آنها بسیار گران است، می توانند توسط کانولوشن‌های جداپذیر عمقی جایگزین شوند که در مقایسه با شبکه با کانولوشن‌های عادی با همان عمق در شبکه تعداد پارامترها را به طور قابل توجهی کاهش می‌دهد.

یک کانولوشن جداپذیر عمقی متشکل از دو کارکرد مختلف می باشد: کانولوشن عمقی و کانولوشن نقطه‌ای. کانولوشن عمقی ورودی را فیلتر می‌کند، در حالی که کانولوشن نقطه‌ای این مقادیر فیلتر شده را ترکیب نموده تا ویژگی‌های جدید ایجاد شود (کانولوشن نقطه‌ای لایه‌ای 1×1 است). ساختار بدنه MobileNet V1 در تصویر شماره 1 نشان داده شده است.