SOTR: Segmenting Objects with Transformers


مقاله📝 +شبیه سازی📈📉

Thermal Image Processing via Physics-Inspired Deep Networks



مقاله📝 +شبیه سازی📈📉

spectrai: a deep learning framework for spectral data




مقاله آماده 📝 +شبیه سازی📈📉

Semi_supervised deep learning

"Attitude Matters"*_

Once a Bird asked a Bee:

After constant hard-work, you prepare honey.
But a man comes & steals it. Do you not feel sad ?

Wonderful reply by Bee:

Never... Because only thing man can do is to steal 'my honey'... not the 'art of making honey'...
In this world, anyone can copy your CREATIONS but no one can copy your TALENT !!!

Temporal Ensembling

Temporal Ensembling was introduced by Timo Aila and Samuel Laine (both from NVIDIA) in 2016.
It comes from a relatively simple idea : that we can use an ensemble of the previous outputs of a neural network as an unsupervised target.
This is called self-ensembling.
In practice it means that they compare the network current outputs (post-softmax) to a weighted sum of all its previous outputs. Previous outputs are gathered during training : in an epoch, each input is seen once and its corresponding output is memorized to serve as comparison later.

Deep IR

Deep learning (also known as deep structured learning) is part of a broader family of machine learning methods based on artificial neural networks with representation learning. Learning can be supervised, semi-supervised or unsupervised.[1][2][3]
Deep-learning architectures such as deep neural networks, deep belief networks, deep reinforcement learning, recurrent neural networks and convolutional neural networks have been applied to fields including computer vision, speech recognition, natural language processing, machine translation, bioinformatics, drug design, medical image analysis, material inspection and board game programs, where they have produced results comparable to and in some cases surpassing human expert performance.
یادگیری عمیق که در زبان فارسی به یادگیری ژرف نیز ترجمه شده است، (به انگلیسی: Deep learning) (به بیانی دیگر: یادگیری ژرف ماشین، یادگیری ساختار ژرف یا یادگیری سلسله مراتبی) یک زیر شاخه از یادگیری ماشین و بر مبنای مجموعه‌ای از الگوریتم‌ها است که در تلاشند تا مفاهیم انتزاعی سطح بالا در دادگان را مدل نمایند که این فرایند را با استفاده از یک گراف عمیق که دارای چندین لایه پردازشی متشکل از چندین لایه تبدیلات خطی و غیرخطی هستند، مدل می‌کنند. به بیان دیگر پایه‌ی آن بر یادگیری نمایش دانش و ویژگی‌ها در لایه‌های مدل است.[۱]
یک نمونه آموزشی (برای نمونه: تصویر یک گربه) می‌تواند به صورت‌های گوناگون بسان یک بردار ریاضی پر شده از مقدار به ازای هر پیکسل و در دید کلی‌تر به شکل یک مجموعه از زیرشکل‌های کوچک‌تر (نظیر اعضای صورت گربه) مدل‌سازی شود. برخی از این روش‌های مدل‌سازی سبب ساده شدن فرایند یادگیری ماشین (برای نمونه: تشخیص تصویر گربه) می‌شوند. در یادگیری ژرف امید به جایگزینی استخراج این ویژگی‌های تصویر به دست بشر (مانند اعضای گربه) با روش‌های کامل‌خودکار بی‌نظارت و نیمه‌نظارتی وجود دارد.[۲]

سرور مجازی
آی پی ثابت
سرویس اشتراکی
آفر های وِیژه

@vpgateadmin خرید و پشتیبانی
@serverimir کانال
crm.serverim.ir وب سایت

امکان پرداخت ریالی و رمز ارز (Cryptocurrency)

( USDT TRC20 , TRX , XMR,... )

کد تخفیف 20 درصدی FA20
.

سرور مجازی
آی پی ثابت
سرویس اشتراکی
آفر های وِیژه

@vpgateadmin خرید و پشتیبانی
@serverimir کانال
crm.serverim.ir وب سایت

امکان پرداخت ریالی و رمز ارز (Cryptocurrency)

( USDT TRC20 , TRX , XMR,... )

کد تخفیف 20 درصدی FA20
.