HyperAIHyperAI

Command Palette

Search for a command to run...

التمثيل الشعاعي العميق للتعلم التسلسلي البصري

Xilin Chen Xiujuan Chai Lei Lei Xiaotao Wang Yanan Li Peiqi Jiao Yuecong Min

الملخص

يُعدّ التصنيف الزمني الاتصالي (Connectionist Temporal Classification - CTC) دالة هدف شائعة في التعرف على التسلسلات، حيث يُوفّر إشرافًا على بيانات التسلسل غير المُقسَّمة من خلال محاذاة التسلسل مع التسمية المقابلة له بشكل تكراري. تلعب فئة الفراغ (blank class) في CTC دورًا محوريًا في عملية المحاذاة، وغالبًا ما تُعتبر مسؤولة عن السلوك "القمّي" (peaky behavior) الخاص بـ CTC. في هذه الدراسة، نقترح دالة هدف تُسمّى RadialCTC، التي تُقيّد ميزات التسلسل على كرة فائقة (hypersphere) مع الحفاظ على آلية المحاذاة التكرارية المميزة لـ CTC. تُوزّع الميزات المُتعلّمة لكل فئة غير فراغية على قوسٍ شعاعي ينطلق من مركز فئة الفراغ، مما يُوفّر تفسيرًا هندسيًا واضحًا ويُحسّن كفاءة عملية المحاذاة. بالإضافة إلى ذلك، يمكن لـ RadialCTC التحكّم في السلوك القمّي من خلال تعديل بسيط في القيمة اللوغاريتمية (logit) لفئة الفراغ فقط. أظهرت النتائج التجريبية الخاصة بالتعرف والتحديد فعالية RadialCTC في تطبيقي التعرف على التسلسلين.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp
التمثيل الشعاعي العميق للتعلم التسلسلي البصري | مستندات | HyperAI