مشخصات مقاله:
عنوان فارسی مقاله:
عنوان انگلیسی مقاله:
کلمات کلیدی مقاله:
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
مهندسی الگوریتم ها و محاسبات و هوش مصنوعی
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. تحقیقات مرتبط
3. روش تحقیق
3.1 معماری چند عنوانی
3.2تقسیم گروه با دسته بندی هرمی
3.3یادگیری برنامه درسی چند تمرینی
4.تحقیقات تجربی
4.1مجموعه داده ها
4.2 نتایج SoBiR
4.3 نتایج بدست آمده برای VIPeR
4.4 نتایج مربوط به PETA
5.تحقیقات جدا سازی اعضا و تحلیل عملکرد
5.1آیادسته بندی هرمی مفید است؟
5.2چرا انتقال دانش عامل مهمی است؟
5.3 چرا از همبستگی به عنوان معیاری برای تقسیم گروه استفاده می شود؟
5.4 چرا برنامه درسی مطرح شده مناسب است؟
5.5 تحلیل عملکرد و محدودیت ها
6.نتیجه گیری
منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
Visual attributes, from simple objects (e.g., backpacks, hats) to soft-biometrics (e.g., gender, height, clothing) have proven to be a powerful representational approach for many applications such as image description and human identification. In this paper, we introduce a novel method to combine the advantages of both multi-task and curriculum learning in a visual attribute classification framework. Individual tasks are grouped after performing hierarchical clustering based on their correlation. The clusters of tasks are learned in a curriculum learning setup by transferring knowledge between clusters. The learning process within each cluster is performed in a multi-task classification setup. By leveraging the acquired knowledge, we speed-up the process and improve performance. We demonstrate the effectiveness of our method via ablation studies and a detailed analysis of the covariates, on a variety of publicly available datasets of humans standing with their full-body visible. Extensive experimentation has proven that the proposed approach boosts the performance by 4%–10%.
چکیده
نمادهای دیداری – از یک شی (مثل کوله پشتی و یا کلاه) تا ویژگی های زیستی نرم (مثل جنسیت، طول و پوشش) می توانند روش های نمایشی قوی در کاربردهای مختلف مثل توصیف تصویر و شناسایی انسان باشند. در این تحقیق، ما روش جدیدی را برای ترکیب مزایای یادگیری چند تمرینی و برنامه ای در چارچوب دسته بندی نمادهای دیداری معرفی کرده ایم. وظایف فردی بعد از اجرای دسته بندی هرمی و بر اساس همبستگی ها گروه بندی می شوند. دسته بندی تکالیق در یک موقعیت برنامه ریزی یادگیری و از طریق انتقال دانش بین دو دسته ها انجام می شود. با افزایش دانش کسب شده، فرآیند و عملکرد یادگیری را می توان ارتقا داد. ما در این تحقیق، کارایی روش مطرح شده را از طریق تحقیقات قبلی و تحلیل کامل کو واریانس برای مجموعه اطلاعات مختلف انسانی قابل مشاهده بررسی کرده ایم. تجارب گسترده اثبات کرده اند که روش مطرح شده از لحاظ عملکرد تا حدود 4 تا 10 درصد افزایش می یابد.