::: اطلاعات
نویسندگان:
(1) Hyeongjun Kwon ، دانشگاه Yonsei ؛
(2) Jinhyun Jang ، دانشگاه Yonsei ؛
(3) جین کیم ، دانشگاه یونسی ؛
(4) Kwonyoung Kim ، دانشگاه Yonsei ؛
(5) Kwanghoon Sohn ، دانشگاه Yonsei و انستیتوی علوم و فناوری کره (KIST).
:::
جدول پیوندها
چکیده و 1 مقدمه
2. کار مرتبط
3. هندسه هایپربولیک
4 روش
4.1 نمای کلی
4.2 درخت سلسله مراتبی احتمالی
4.3 تجزیه سلسله مراتب بصری
4.4 یادگیری سلسله مراتب در فضای هایپربولیک
4.5 رمزگذاری سلسله مراتب بصری
5. آزمایشات و 5.1. طبقه بندی تصویر
5.2. تشخیص شیء و تقسیم نمونه
5.3. تقسیم معنایی
5.4. تجسم
6. مطالعات و بحث فرسایش
7. نتیجه گیری و منابع
A. معماری شبکه
ب – مبنای نظری
ج – نتایج اضافی
D. تجسم اضافی
ج – نتایج اضافی
c.1. تنظیم دقیق در مقابل آموزش کامل.
ما همچنین اثربخشی روش پیشنهادی خود را هنگام استفاده از آن برای آموزش مدل از ابتدا بررسی می کنیم. برای مقایسه عادلانه ، ما عملکرد طبقه بندی HI-Mapper را که با آموزش کامل طرح (350 دوره) و تنظیم دقیق طرح (پایه + 50 دوره) از همان اهداف یادگیری در Imagenet-1K [36]بشر همانطور که در برگه نشان داده شده است. 6 ، نتایج تجربی نشان می دهد که در حال انجام…