نمایش سلسله مرتبه ای پراکنده با لغت نامه عمیق برای طبقه بندی چند حالته
ترجمه شده

نمایش سلسله مرتبه ای پراکنده با لغت نامه عمیق برای طبقه بندی چند حالته

عنوان فارسی مقاله: نمایش سلسله مرتبه ای پراکنده با لغت نامه عمیق برای طبقه بندی چند حالته
عنوان انگلیسی مقاله: Hierarchical sparse representation with deep dictionary for multi-modal classification
مجله/کنفرانس: محاسبات عصبی - Neurocomputing
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: مهندسی الگوریتم ها و محاسبات، هوش مصنوعی
کلمات کلیدی فارسی: نمایش پراکنده سلسله مرتبه ای، لغت نامه عمیق، ویژگی های چند نمایی
کلمات کلیدی انگلیسی: Hierarchical sparse representation - Deep dictionary - Multi-view feature
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: scopus - master journals - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.neucom.2016.11.079
دانشگاه: گروه مهندسی و علوم اطلاعات، دانشگاه چونگ کینگ جیاوتونگ، چین
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2017
ایمپکت فاکتور: 5.188 در سال 2019
شاخص H_index: 110 در سال 2020
شاخص SJR: 0.996 در سال 2019
شناسه ISSN: 0925-2312
شاخص Quartile (چارک): Q1 در سال 2019
صفحات مقاله انگلیسی: 5
صفحات ترجمه فارسی: 14 (1 صفحه رفرنس انگلیسی)
فرمت مقاله انگلیسی: pdf
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
ترجمه شده از: انگلیسی به فارسی
وضعیت ترجمه: ترجمه شده و آماده دانلود
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا منابع داخل متن درج یا ترجمه شده است: خیر
آیا توضیحات زیر تصاویر و جداول ترجمه شده است: بله
آیا متون داخل تصاویر و جداول ترجمه شده است: خیر
کد محصول: 10286
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در انتهای مقاله درج شده است
ترجمه فارسی فهرست مطالب

چکیده


مقدمه


روش


  طبقه بندی مبتنی بر نمایش پراکنده (SRC)


ساختار لغت نامه ی عمیق


 طبقه بندی مبتنی بر نمایش پراکنده ی سلسله مرتبه ای (HSRC)


الگوریتم  1 


الگوریتم حل مسئله ی 6 با استفاده از ALM


HRC در روش های مختلف


آزمایش ها


توصیف ویژگی های مختلف


تنظیمات آزمایشی و معیار ارزیابی


نتایج آزمایشی بر روی مجموعه داده ی دست نوشته MF


مباحث


جمع بندی

فهرست انگلیسی مطالب

Abstract


1. Introduction


2. Method


2.1. Sparse representation based classification (SRC)


2.2. Deep dictionary construction


2.3. Hierarchical sparse representation based on classification (HSRC)


2.4. HSRC on multiple modalities


3. Experiments


3.1. Multiple feature description


3.2. Experimental setting and evaluation criteria


3.3. Experimental results on MF handwritten dataset


3.4. Classification results on multiple modalities


3.5. Discussion


4. Conclusion

نمونه ترجمه فارسی مقاله

چکیده


روش های طبقه بندی بر اساس نمایش پراکنده (SRC) موفقیت زیادی در شناسایی الگو ها و یادگیری ماشینی به دست آورده است . در این روش ها، نمونه های تمرینی تمام دسته ها با هم ترکیب شده و یک لغت نامه را ایجاد میکنند که نمونه ی تست را بر اساس محدودیت های پراکندگی نشان میدهد. سپس، هر دسته بندی با کمترین خطای نمایش ، میتواند به عنوان نمونه ی تست در نظر گرفته شود. به صورت عمومی، SRC نسبت به بسیاری دیگر از روش های یادگیری با سرپرست، انعطاف و کارایی بیشتری دارد. اما در بعضی از موارد، این روش نمیتواند به صورت مناسب نمونه ی تست را نشان دهد و موجب کاهش صحت میشود. برای رفع این موضوع، ما یک روش طبقه بندی مبتنی بر نمایش پراکنده ی سلسله مرتبه ای را با بحث در مورد نمایش پراکنده ی تک لایه در نمایش سلسله مرتبه ای با لغت نامه ی عمیق، ارائه میکنیم. به صورت خاص، ویژگی ها از تمام نمونه های تمرینی نخست در گروه های مختلف بر اساس نام های دسته هایشان تقسیم میشوند. سپس ما از دسته بندی های سلسله ای در هر کدام از این گروه ها استفاده کرده و آن ها را با هم ترکیب میکنیم تا لغت نامه های عمیق ایجاد شود به صورتی که لایه ی ریشه ای تنها شامل مقدار مشخصی از نمونه هایی باشد که با بهترین نحو شرایط را نشان میدهند و لایهی  بعدی نیز متمرکز بر روی توصیف اطلاعات فردی باقی مانده در گروه های دیگر باشد. علاوه بر این، ما از پس ماند های لایه پس از لایه استفاده میکنیم تا الگو های تغییر بر روی افراد مختلف در مقیاس های مختلف را کد گذاری کنیم. با در نظر داشتن لغت نامه ی عمیق، یک روش طبقه بندی مبتنی بر نمایش  پراکنده ی سلسله مرتبه ای در این مطالعه بیان شده است تا نام هر کدام از تست های نمونه ، با نمایش مکرر بخش اولیه با نمونه گیر در گروه های مختلف مشخص شود اما بخش های باقی مانده ی الگو های تغییر در لایه های مختلف کد گذاری میشود. برای بهبود بیشتر صحت و  مقاومت این روش طبقه بندی، ما روش خودمان را با استفاده از داده های تکمیل در ویژگی های چند نمایی، بهبود میدهیم. آزمایش ها بر روی داده های چند ویژگی نشان میدهد که نتایج ما،  در مقایسه با جدید ترین روش های طبقه بندی، عملکرد امید بخشی را ارائه میکند.

نمونه متن انگلیسی مقاله

Abstract


Sparse representation based classification (SRC) methods have achieved many successes in pattern recognition and machine learning. In such methods, the training samples of all categories are mixed and compose a dictionary to represent the test sample via sparsity constraint. Then, the class with the minimum representation error wins for labeling the test sample. In general, SRC is more flexible and effective than many supervised learning methods. However, in some cases it is unlikely to represent the test sample accurately, which tends to undermine the classification accuracy. To alleviate this issue, we propose a hierarchical sparse representation based classification method by augmenting the single-layer sparse representation into the hierarchical representation with a deep dictionary. Specifically, the features from all training samples are first divided into several groups according to their labels. Then we employ hierarchical clustering in each group and combine them to form a deep dictionary such that the root layer includes only a certain amount of the most representative exemplars while the subsequent layers focus on characterizing the remaining individual information across different groups. Furthermore, we use the layer-after-layer residuals to encode the variation patterns across individuals in different scales. Given the deep dictionary, a hierarchical sparse representation based classification method is presented to determine the label for each test sample by iteratively representing its primary part with the exemplars in different groups but the remaining parts by the variation patterns encoded in different layers. To further improve the classification accuracy and robustness, we extend our method by taking advantage of the complementary information in multi-view features. Experiments on Multiple Features Data Set show promising results compared with the state-of-the-art classification methods.

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۱۶,۲۰۰ تومان
خرید محصول
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

نمایش سلسله مرتبه ای پراکنده با لغت نامه عمیق برای طبقه بندی چند حالته
مشاهده خریدهای قبلی
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها