یادگیری مادام العمر اعمال انسانی با استفاده از خود سازمان دهی شبکه عصبی عمیق
ترجمه شده

یادگیری مادام العمر اعمال انسانی با استفاده از خود سازمان دهی شبکه عصبی عمیق

عنوان فارسی مقاله: یادگیری مادام العمر اعمال انسانی با استفاده از خود سازمان دهی شبکه عصبی عمیق
عنوان انگلیسی مقاله: Lifelong learning of human actions with deep neural network self-organization
مجله/کنفرانس: شبکه های عصبی - Neural Networks
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: هوش مصنوعی
کلمات کلیدی فارسی: 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
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: scopus - master journals - JCR - MedLine
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.neunet.2017.09.001
دانشگاه: موسسه فناوری دانش، گروه انفورماتیک، دانشگاه هامبورگ، آلمان
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2017
ایمپکت فاکتور: 6.596 در سال 2018
شاخص H_index: 128 در سال 2019
شاخص SJR: 1.970 در سال 2018
شناسه ISSN: 0893-6080
شاخص Quartile (چارک): Q1 در سال 2018
صفحات مقاله انگلیسی: 13
صفحات ترجمه فارسی: 38 (2 صفحه رفرنس انگلیسی)
فرمت مقاله انگلیسی: pdf و ورد تایپ شده با قابلیت ویرایش
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: بله
آیا توضیحات زیر تصاویر و جداول ترجمه شده است: بله
آیا متون داخل تصاویر و جداول ترجمه شده است: بله
کد محصول: 10363
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است
ترجمه فارسی 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 

فهرست انگلیسی مطالب

Abstract


1. Introduction


2. Related work


2.1. Computational models of neural self-organization


2.2. Recurrent self-organizing networks


2.3. Lifelong learning


3. Proposed method


3.1. Hierarchical neural self-organization


3.2. Gamma-GWR network


3.3. Lifelong learning


3.4. Pooling layers


3.5. Associative learning and classification


4. Experiments and results


4.1. Training parameters


4.2. Classification accuracy with batch learning


4.3. Classification with missing or corrupted labels


4.4. Learning dynamics


4.5. Catastrophic interference


5. Discussion


5.1. Summary


5.2. Deep neural self-organization


5.3. Lifelong learning of action representations


6. Conclusion

نمونه ترجمه فارسی مقاله

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.


1. مقدمه 


تشخیص استوار اعمال افراد، مولفه ای حیاتی می باشد که به عنوان زیربنای شناخت اجتماعی شناخته می شود. مطالعات نوروفیزیولوژیکی یک حوزه تخصصی برای کدگذاری دیداری حرکت مفصلی در مغز پستانداران شناسایی کرده (Perrett، Rolls و Caan، 1982)، که از نورونهای انتخابی برای حرکت بیولوژیکی (زیستی) از لحاظ الگوهای متغیر برحسب زمان ویژگیهای شکل و حرکت با افزایش پیچیدگی نمایش (بازنمایی) تشکیل می شود (Giese و Rizzolatti، 2015). سازمان سلسله مراتبی قشر دیداری، الهام بخش مدلهای محاسباتی برای تشخیص عمل از ویدیوها بوده و معماریهای شبکه عصبی عمیق، برروی مجموعه داده های محک، نتایج پیشرفته ای حاصل می کنند (مثلاً، Baccouche،  Mamalet، Wolf، Garcia و Baskurt، 2011؛ Jain، Tompson، LeCun، و Bregler، 2015؛ Jung، Hwang و Tani، 2015). 

نمونه متن انگلیسی مقاله

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.


1. Introduction


The robust recognition of other people’s actions represents a crucial component underlying social cognition. Neurophysiological studies have identified a specialized area for the visual coding of articulated motion in the mammalian brain (Perrett, Rolls, & Caan, 1982), comprising neurons selective to biological motion in terms of time-varying patterns of form and motion features with increasing complexity of representation (Giese & Rizzolatti, 2015). The hierarchical organization of the visual cortex has inspired computational models for action recognition from videos, with deep neural network architectures producing state-of-the-art results on a set of benchmark datasets (e.g. Baccouche, Mamalet, Wolf, Garcia, & Baskurt, 2011; Jain, Tompson, LeCun, & Bregler, 2015; Jung, Hwang, & Tani, 2015).

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- اصل مقاله انگلیسی با فرمت ورد (word) با قابلیت ویرایش
- 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: ۴۰,۲۰۰ تومان
خرید محصول
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

یادگیری مادام العمر اعمال انسانی با استفاده از خود سازمان دهی شبکه عصبی عمیق
مشاهده خریدهای قبلی
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی
پیوندها