دانلود مقاله و خرید ترجمه:یک شبکه هاپ‌فیلد بازگشتی آموزش دیده بر روی تصاویر طبیعی که فشرده‌سازی تصویر مطابق با آخرین پیشرفت‌های علمی را انجام می‌دهد
28 صفر

کارابرن عزیز، مقالات سایت ( همگی جزو مقالات isi می باشند) بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (حتی محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi مانند IEEE، Sciencedirect، Springer، Emerald و ... انتخاب گردیده اند.

ورود اعضا
توجه توجه توجه !!!!
نرم افزار winrar
پیشنهادات ویژه
پیوندهای کاربردی
پیوندهای مرتبط
مقالات ترجمه شده شبکه های عصبی
  • یک شبکه هاپ‌فیلد بازگشتی آموزش دیده بر روی تصاویر طبیعی که فشرده‌سازی تصویر مطابق با آخرین پیشرفت‌های علمی را انجام می‌دهد

    سال انتشار:

    2014


    ترجمه فارسی عنوان مقاله:

    یک شبکه هاپ‌فیلد بازگشتی آموزش دیده بر روی تصاویر طبیعی که فشرده‌سازی تصویر مطابق با آخرین پیشرفت‌های علمی را انجام می‌دهد


    عنوان انگلیسی مقاله:

    A HOPFIELD RECURRENT NEURAL NETWORK TRAINED ON NATURAL IMAGES PERFORMS STATE-OF-THE-ART IMAGE COMPRESSION


    منبع:

    Sciencedirect - Elsevier - Food Control, 60 (2016) 31-43. doi:10.1016/j.foodcont.2015.07.002IEEE, ICIP 2014


    نویسنده:

    Christopher Hillar, Ram Mehta, Kilian Koepsell


    چکیده انگلیسی:

    The Hopfield network is a well-known model of memory and collective processing in networks of abstract neurons, but it has been dismissed for use in signal processing because of its small pattern capacity, difficulty to train, and lack of practical applications. In the last few years, however, it has been demonstrated that exponential storage is possible for special classes of patterns and network connectivity structures. Over the same time period, advances in training large-scale networks have also appeared. Here, we train Hopfield networks on discretizations of grayscale digital photographs using a learning technique called minimum probability flow (MPF). After training, we demonstrate that these networks have exponential memory capacity, allowing them to perform stateof-the-art image compression in the high quality regime. Our findings suggest that the local structure of images is remarkably well-modeled by a binary recurrent neural network.
    Index Terms: image compression | Hopfield network | Ising model | recurrent neural network | probability flow | JPEG


    چکیده فارسی:

    شبکه هاپ‌فیلد یک مدل شناخته شده از حافظه و پردازش دسته‌جمعی در شبکه‌های انتزاعی نورون‌های عصبی است، ولی استفاده از آن در پردازش سیگنال به دلیل ظرفیت الگوی کوچک، سخت بودن آموزش، و عدم وجود کاربردهای عملی در این شبکه، رد شده است. اما در چند سال اخیر، ثابت شده است که ذخیره‌سازی نمایی برای کلاس‌های خاصی از الگوها و ساختارهای اتصال‌پذیری شبکه، امکان‌پذیر است. در همین بازه زمانی، پیشرفت‌هایی در زمینه آموزش شبکه‌هایی با مقیاس بزرگ نیز پدید آمد. در اینجا، ما شبکه‌های هاپ‌فیلد را بر روی گسسته‌سازی‌هایی از عکس‌های دیجیتال سیاه و سفید با استفاده از تکنیک یادگیری با نام جریان کم‌ترین احتمال (MPF) آموزش می‌دهیم. بعد از آموزش، ثابت می‌کنیم که این شبکه‌ها دارای ظرفیت حافظه بالقوه‌ای هستند که امکان فشرده‌سازی تصویر مطابق با آخرین پیشرفت‌های علمی و با کیفیت بالا را برای آن‌ها فراهم می‌کند. یافته‌های ما نشان می‌دهند که ساختار محلی تصاویر توسط یک شبکه عصبی بازگشتی دودویی بخوبی قابل ملاحظه‌ای مدل می‌شود.
    کلمات کلیدی: فشرده‌سازی تصویر | شبکه هاپ‌فیلد | مدل Ising | شبکه عصبی بازگشتی | جریان احتمال | JPEG.


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 5
    تعداد صفحات فایل doc فارسی: 17

    وضعیت ترجمه عناوین تصاویر و جداول: به صورت کامل ترجمه شده است

    وضعیت ترجمه متون داخل تصاویر و جداول: به صورت کامل ترجمه شده است

    حجم فایل: 578 کیلوبایت


    قیمت: 20000 تومان  18000 تومان(10% تخفیف)


    توضیحات اضافی:




تعداد نظرات : 0

الزامی
الزامی
الزامی
شبکه-های-عصبی
موضوعات