دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Visual cortex and deep networks : learning invariant representations
دانلود کتاب قشر بینایی و شبکه های عمیق: یادگیری بازنمایی های ثابت
مشخصات کتاب
Visual cortex and deep networks : learning invariant representations
ویرایش: نویسندگان: Anselmi. Fabio, Poggio. Tomaso سری: Computational Neuroscience. ISBN (شابک) : 9780262034722, 0262034727 ناشر: The MIT Press سال نشر: 2016 تعداد صفحات: 118 [135] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 Mb
قیمت کتاب (تومان) : 29,000
در صورت تبدیل فایل کتاب Visual cortex and deep networks : learning invariant representations به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب قشر بینایی و شبکه های عمیق: یادگیری بازنمایی های ثابت نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب قشر بینایی و شبکه های عمیق: یادگیری بازنمایی های ثابت
یک چارچوب ریاضی که یادگیری بازنمودهای ثابت در جریان شکمی را توصیف می کند و هم توسعه نظری و هم کاربردها را ارائه می دهد. اعتقاد بر این است که جریان بصری شکمی زیربنای تشخیص شی در نخستی‌ها است. در طول پنجاه سال گذشته، محققان مجموعه‌ای از مدل‌های کمی را توسعه داده‌اند که به طور فزاینده‌ای به معماری بیولوژیکی وفادار هستند. اخیراً، شبکه‌های کانولوشن یادگیری عمیق - که چندین ویژگی مهم معماری جریان شکمی و فیزیولوژی را منعکس نمی‌کنند - با مجموعه داده‌های بسیار بزرگ آموزش داده شده‌اند که در نتیجه نورون‌های مدلی ایجاد می‌شود که تشخیص اشیا را تقلید می‌کنند، اما ماهیت محاسبات انجام شده را توضیح نمی‌دهند. جریان شکمی این کتاب یک چارچوب ریاضی ایجاد می‌کند که یادگیری بازنمایی‌های ثابت جریان شکمی را توصیف می‌کند و به‌ویژه به شبکه‌های یادگیری کانولوشنی عمیق مرتبط است. نویسندگان نظریه‌ای را بر اساس این فرضیه پیشنهاد می‌کنند که هدف محاسباتی اصلی جریان شکمی، محاسبه بازنمایی‌های عصبی تصاویری است که نسبت به دگرگونی‌هایی که معمولاً در محیط بصری با آن مواجه می‌شوند تغییر ناپذیرند و از تجربه بدون نظارت آموخته می‌شوند. آنها یک چارچوب نظری کلی از یک نظریه محاسباتی تغییر ناپذیری را توصیف می کنند (با جزئیات و شواهد ارائه شده در ضمیمه ها) و سپس کاربرد این نظریه را در مسیر پیشروی جریان شکمی در قشر بینایی نخستی ها بررسی می کنند.
توضیحاتی درمورد کتاب به خارجی
A mathematical framework that describes learning of invariant representations in the ventral stream, offering both theoretical development and applications. The ventral visual stream is believed to underlie object recognition in primates. Over the past fifty years, researchers have developed a series of quantitative models that are increasingly faithful to the biological architecture. Recently, deep learning convolution networks—which do not reflect several important features of the ventral stream architecture and physiology—have been trained with extremely large datasets, resulting in model neurons that mimic object recognition but do not explain the nature of the computations carried out in the ventral stream. This book develops a mathematical framework that describes learning of invariant representations of the ventral stream and is particularly relevant to deep convolutional learning networks. The authors propose a theory based on the hypothesis that the main computational goal of the ventral stream is to compute neural representations of images that are invariant to transformations commonly encountered in the visual environment and are learned from unsupervised experience. They describe a general theoretical framework of a computational theory of invariance (with details and proofs offered in appendixes) and then review the application of the theory to the feedforward path of the ventral stream in the primate visual cortex.
