| مشخصات مقاله پاورپوینت | |
| عنوان انگلیسی مقاله | Think positive: An interpretable neural network for image recognition |
| عنوان فارسی مقاله | مثبت بیندیشید: یک شبکه عصبی قابل تفسیر برای بازشناسی تصویر |
| فرمت مقاله | پاورپوینت (ppt) و pdf |
| تعداد اسلایدها | 29 اسلاید |
| تعداد صفحات دارای تصویر | 4 صفحه |
| تعداد صفحات دارای جدول | 1 صفحه |
| قابلیت ویرایش | دارد |
| قابلیت پرینت | دارد |
| رشته های مرتبط با این مقاله | مهندسی کامپیوتر – مهندسی پزشکی – پزشکی |
| گرایش های مرتبط با این مقاله | پردازش تصاویر پزشکی – هوش مصنوعی – مهندسی الگوریتم ها و محاسبات – اپیدمیولوژی |
| موضوعات مرتبط با این مقاله | شبکه عصبی |
| کد محصول | P13554 |
| وضعیت پاورپوینت | آماده دانلود |
| تصویر یک صفحه از پاورپوینت |
 |
| فهرست مطالب |
|
فصل 1: مقدمه |
| بخشی از پاورپوینت |
| در تمام این مقاله، یک الگو یا یک بخش از یک الگو، تکه ای از یک تصویر را نشان میدهد. مدل ProtoPNet میتواند قسمتهای مختلف یک تصویر ورودی را شناسایی کند که شبیه الگوهای مختلف هستند و تصویر را بر مبنای نمرات شباهت دسته بندی میکند. ترکیب توزین شده ای از نمرات شباهت برای تعیین لوجیتها برای کلاسهای مختلف استفاده میشوند و این لوجیتها با استفاده از Softmax بهنجار شده تا کلاس تصویر ورودی مشخص گردد. مدلهای سری ProtoPNet جهت طبقه بندی تصاویر از فرایند استدلال منفی همراه با فرایند استدلال مثبت استفاده میکنند در حالیکه مدل Quasi-ProtoPNet، از طریق جایگذاری اتصال صفر بین نمرات شباهت و کلاسهای غیرصحیح و با تعلیق بهینه سازی محدب آخرین لایه جهت ثابت نگهداشتن اتصالات، تنها از فرایند استدلال مثبت استفاده میکند. بر خلاف مدلهای ProtoPNet که از الگوها تنها در ابعاد 1×1 بهره میگیرند، مدل ما از آنها در تمام انواع ابعاد فضایی، مستطیلی و مربعی، استفاده میکند. ما تصاویر بدست آمده از بیماران Covid-19، افراد سالم و بیماران پنومونی را به ترتیب با سه دسته C و N و P نمایش میدهیم. ساختار مدل Quasi-ProtoPNet به ما کمک کرده است تا قضیه 3.1 را اثبات کنیم. این قضیه نه تنها برای تابع فاصله ای که ما برای مدلمان استفاده میکنیم بلکه برای هر تابع مقدار مثبتی که نامعادله مثلثی را محقق میسازد و دامنه مناسبی دارد صدق میکند. |