دانلود ترجمه مقاله شبکه های هشینگ عمیق محدود باینری برای بازیابی تصاویر بدون یادآوری دستی

خرید ترجمه فارسی مقاله شبکه های هشینگ عمیق محدود باینری برای بازیابی تصاویر بدون یادآوری دستی 

بر اساس دانش ما، هیچ کدام از روش های تحقیقاتی تمام این چالش ها را به صورت کامل در یک قالب کاری یکنواخت بررسی نکرده است. در این کار، ما یک روش یادگیری نقطه به نقطه جدید را ارائه می کنیم که برای این وظیفه مورد استفاده قرار می گیرد. که در این روش، شبکه به صورتی تمرین داده می شود که بتواند کد های باینری را به صورت مستقیم از پیکسل های تصاویر به دست بیاورد بدون این که نیاز به تفسیر دستی تصاویر وجود داشته باشد.

به صورت خاص، باری کار با محدودیت های باینری غیر روان، ما یک تابع هدررفت محدود جفتی را ارائه می کنیم که به صورت همزمان فاصله بین جفت های کد های ترکیبی را اندازه گیری کرده و خطای کمی سازی باینری را هم محاسبه می کند. برای تمرین دادن شبکه ها با تابع ضرر پیشنهاد شده، ما یک برنامه موثر را به عنوان الگوریتم یادگیری ارائه می کنیم.

به علاوه، برای ایجاد کردن تصاویر تمرین مشابه یا غیر مشابه برای تمرین دادن شبکه، ما از مدل های سه بعدی بازسازی شده از تصاویر بدون نام برای تولید خودکار جفت تصاویر تمرینی به صورت گسترده، استفاده می کنیم. آزمایش های گسترده بر روی مجموعه داده های معیار بازیابی تصاویر، نشان داده است که این روش نسبت به جدید ترین روش های ارائه فشرده تصاویر در رابطه با مسئله بازیابی تصاویر، بهبود یافته است.

بخشی از مقاله انگلیسی : 

Binary Constrained Deep Hashing Network for Image Retrieval without Manual Annotation 

To the best of our knowledge, none of the existing methods has tackled all of these challenges completely in a unified framework. In this work, we propose a novel end-to-end deep learning approach for the task, in which the network is trained to produce binary codes directly from image pixels without the need o f manual annotation.

In particular, to deal with the non-smoothness of binary constraints, we propose a novel pairwise constrained loss function, which simultaneously encodes the distances between pairs of hash codes, and the binary quantization error. In order to train the network with the proposed loss function, we propose an efficient parameter learning algorithm.

In addition, to provide similar / dissimilar training images to train the network, we exploit 3D models reconstructed from unlabelled images for automatic generation of enormous training image pairs. The extensive experiments on image retrieval benchmark datasets demonstrate the improvements of the proposed method over the state-of-the-art compact representation methods on the image retrieval problem.

دانلود مقالات کامپیوتر با ترجمه فارسی

دانلود رایگان مقاله انگلیسی با ترجمه فارسی

پشتیبانی و تیکت

سوالات متداول

پیگیری خرید

telegram.me/IranArze