#1187 کد مقاله | زمینه: محیط زیست | ||
عنوان انگلیسی: |
Relevance Feedback in Deep Convolutional Neural Networks for Content Based Image Retrieval |
تعداد صفحات انگلیسی: |
7 صفحه |
عنوان فارسی: |
فیدبک ربط در شبکه های عصبی کانولوشنی عمیق برای بازیابی تصویر مبتنی بر محتوا |
تعداد صفحات فارسی: |
18 صفحه |
نوع فایل: |
فایل word ترجمه و pdf انگلیسی |
قیمت فروش: |
80,000 ريال |
چکیده فارسی: |
چکیده در این مقاله یک رویکرد فیدبک ربطی جدید که از شبکههای عصبی کانولوشنی عمیق (CNN) برای بازیابی تصویر استفاده میکند پیشنهاد میگردد. ما از یک مدل CNN عمیق برای اصلاح تفاسیر ویژگی لایهی عمیق تر به کار رفته برای بازیابی بر اساس فیدبک کاربر استفاده میکنیم. برای این منظور، ما مدل آموزش دیده را به کار برده و مجددا لایههای عصبی متناظر با تصاویر مرتبط و نامرتبط را آموزش دادیم، که توسط کاربر مشخص میشد. اگر فیدبک کاربران به اندازهی کافی بزرگ باشد، یک اصلاح مدل عمومی سیستم در فعالیت بازیابی برای بهبود کل بازهی سیستم پیشنهاد میشود. در این مورد ما وزنهای CNN عمیق را بر اساس فیدبک جمع آوری شده از چند کاربر اصلاح میکنیم که یک مجموعهی آموزشی جدید را تشکیل میدهد. نتایج تجربی نمایانگر اثربخشی روش پیشنهادی در تکمیل نتایج بازیابی بهتر با توجه به نیازهای اطلاعات کاربران هستند. ارزیابی رویکرد پیشنهادی در کوئریهای به کار رفته در فیدبک ربط و نیز مجموعه دادهی کوئری مشاهده نشدهی عمومی نمایانگر بهبود بازدهی بازیابی طبق نتایج تجربی بودند. مفاهیم CCS · سیستمهای اطلاعاتی – کاربران و بازیابی برهمکنشی؛ جستجوی تصاویر؛ روش محاسباتی – شبکهی عصبی. |
||
نسخه انگلیسی: |
|||
قیمت فروش: |
80,000 ريال |
||
پرداخت اینترنتی و دریافت
|