این مقاله انگلیسی در نشریه آی تریپل ای در ۸ صفحه در سال ۲۰۰۹ منتشر شده و ترجمه آن ۲۰ صفحه بوده و آماده دانلود رایگان می باشد.
دانلود رایگان مقاله انگلیسی (pdf) و ترجمه فارسی (pdf + word) | |
عنوان فارسی مقاله: |
انتقال میانگین سریع از طریق نمایش چگالی تراکم |
عنوان انگلیسی مقاله: |
Fast Mean Shift by Compact Density Representation |
دانلود رایگان مقاله انگلیسی | |
دانلود رایگان ترجمه با فرمت pdf | |
دانلود رایگان ترجمه با فرمت ورد |
مشخصات مقاله انگلیسی و ترجمه فارسی | |
فرمت مقاله انگلیسی | |
سال انتشار | ۲۰۰۹ |
تعداد صفحات مقاله انگلیسی | ۸ صفحه با فرمت pdf |
نوع نگارش | مقاله پژوهشی (Research article) |
نوع ارائه مقاله | کنفرانس |
رشته های مرتبط با این مقاله | مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله | مهندسی الگوریتم ها و محاسبات – علوم داده |
چاپ شده در مجله (ژورنال)/کنفرانس | کنفرانس بینایی کامپیوتری و تشخیص الگو (CVPR) |
کلمات کلیدی | تقویت – یادگیری نیمه نظارت – سیستمهای مقیاس بزرگ – پیچیدگی محاسباتی – یادگیری تحت نظارت – الگوریتمهای خوشهبندی – گرافیک کامپیوتری – یادگیری ماشینی – الگوریتمهای یادگیری ماشین – هسته |
کلمات کلیدی انگلیسی | Boosting – Semisupervised learning – Large-scale systems – Computational complexity – Supervised learning – Clustering algorithms – Computer graphics – Machine learning – Machine learning algorithms – Kernel |
ارائه شده از دانشگاه | آزمایشگاه هیولت پاکارد، حیفا، اسرائیل |
شناسه دیجیتال – doi | https://doi.org/10.1109/CVPR.2009.5206716 |
لینک سایت مرجع | https://ieeexplore.ieee.org/document/5206716 |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
نشریه | آی تریپل ای – IEEE |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | ۲۰ صفحه با فونت ۱۴ B Nazanin |
فرمت ترجمه مقاله | pdf و ورد تایپ شده با قابلیت ویرایش |
وضعیت ترجمه | انجام شده و آماده دانلود رایگان |
کیفیت ترجمه |
مبتدی (مناسب برای درک مفهوم کلی مطلب) |
کد محصول | F2456 |
بخشی از ترجمه |
الگوریتم انتقال میانگین اساساً یک الگوریتم تپهنوردی است؛ یعنی الگوریتم انتقال میانگین که از هر نقطه x شروع میشود، یک الگوی توالی ضروری است که را به بالای تپه KDE برده و در نهایت در بیشینه (یا مد) موضعی KDE متوقف میشود که حوزه مطلوب x در آن واقع شده است. برای تعیین توالی انتقال میانگین، شکل کرنل را به وصرت صریح ساده نموده و شکل تقارن شعاعی K(x)=ck(‖z‖^۲ ) را بدست میآوریم که k در آن، پروفایلی یک بعدی همانند پروفایلهای گاوسین یک بعدی، یکنواخت یا اپانچنیکوف بوده و c یک بهنجارش میباشد. با قرار دادن علامت g=k’، توالی انتقال میانگین به صورت زیر در میآید برای آوردن x به مدی که حوزه مطلوب در آن واقع میباشد، فرایند تکرار تعدادی نامتناهی از زمانها تضمین شده است. مزیت این روش بر روش صعود گرادیانی عادی، عدم نیاز به مجموعه پارامتر گام زمانی است (شایان ذکر است که چنین پارامتری در عبارت بالا وجود ندراد)؛ از لحاظ عملی، انتقال میانگین در تعداد گامهای بسیار کوچک که معمولاً در حدود ۵ میباشد، همگرا میگردد. ۲٫ ۲٫ KDE متراکمتر: مسئله گزینههای طبیعی مختلفی برای مقیاس فاصله D، از فواصل L_p گونه گرفته تا مقیاسهای نظری با اطلاعات بیشتری همچون واگرایی کولبک- لیبلر وجود دارند. در تمامی این حالتها، به طور کلی حل مسئله بهینهسازی حاصل کار دشواری است؛ این موضوع ناشی از این حقیقت است که x ̂_j در کرنل K ظاهر میگردد که به بهینهسازی غیرمحدب منجر شده و راهحلهای کلی موثری را نمیتوان برای آن یافت. با این وجود f و f ̂ چیزی بیشتر از تابع میباشند؛ هر دو آنها چگالی بوده و این حقیقت، ابزاری برای یافتن راهحلی موثر جهت مسئله نمایش تراکم را برای ما فراهم میآورد. ۳٫ ۲٫ KDE متراکمتر از طریق نمونهبرداری که در آن A، B و V ثابتهایی هستند که به h ̂ یا m بستگی ندارند. ۲٫۴٫ انتقال میانگین سریع ۲٫۵٫ تحلیل پیچیدگی الگوریتم پیشنهادی ما چقدر سریعتر است؟ به بخش ۲٫ ۴ برگشته و پیچیدگی مربوط به هر مرحله را تفکیک میکنیم. مرحله ۱، مرحله نمونهبرداری، O(m)، است. قبلاً پیچیدگی مرحله ۲، مرحله انتقال میانگین، را محاسبه نمودهایم؛ که دارای عبارت ساده بالا است اما این کار را به جای n نمونه برای m نمونه انجام میدهیم یعنی O(p(m)+mq(m)). در مرحله ۳، باید نگاشت رو به عقب را به اجرا درآوریم؛ یعنی برای هر n نمونه اصلی باید نزدیکترین نقاط موجود m نمونه جدید را بیابیم. برای استفاده از ساختار دادههای خود (که زمان پیشپردازش را قبلاً برای آن در مرحله ۲ به حساب آوردهایم)، به O(nq(m)) نیاز داریم. بنابراین مجموع موردنظر به صورت زیر میباشد |