فایل ورد کامل یک شبکه هاپ‌فیلد بازگشتی آموزش دیده بر روی تصاویر طبیعی که فشرده‌سازی تصویر مطابق با آخرین پیشرفت‌های علمی را انجام می‌دهد

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل یک شبکه هاپ‌فیلد بازگشتی آموزش دیده بر روی تصاویر طبیعی که فشرده‌سازی تصویر مطابق با آخرین پیشرفت‌های علمی را انجام می‌دهد،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۲ صفحه

شبکه هاپ‌فیلد یک مدل شناخته شده از حافظه و پردازش دسته‌جمعی در شبکه‌های انتزاعی نورون‌های عصبی است، ولی استفاده از آن در پردازش سیگنال به دلیل ظرفیت الگوی کوچک، سخت بودن آموزش، و عدم وجود کاربردهای عملی در این شبکه، رد شده است. اما در چند سال اخیر، ثابت شده است که ذخیره‌سازی نمایی برای کلاس‌های خاصی از الگوها و ساختارهای اتصال‌پذیری شبکه، امکان‌پذیر است. در همین بازه زمانی، پیشرفت‌هایی در زمینه آموزش شبکه‌هایی با مقیاس بزرگ نیز پدید آمد. در اینجا، ما شبکه‌های هاپ‌فیلد را بر روی گسسته‌سازی‌هایی از عکس‌های دیجیتال سیاه و سفید با استفاده از تکنیک یادگیری با نام جریان کم‌ترین احتمال (MPF) آموزش می‌دهیم. بعد از آموزش، ثابت می‌کنیم که این شبکه‌ها دارای ظرفیت حافظه بالقوه‌ای هستند که امکان فشرده‌سازی تصویر مطابق با آخرین پیشرفت‌های علمی و با کیفیت بالا را برای آن‌ها فراهم می‌کند. یافته‌های ما نشان می‌دهند که ساختار محلی تصاویر توسط یک شبکه عصبی بازگشتی دودویی بخوبی قابل ملاحظه‌ای مدل می‌شود.

کلمات کلیدی: فشرده‌سازی تصویر | شبکه هاپ‌فیلد | مدل Ising | شبکه عصبی بازگشتی | جریان احتمال | JPEG.

عنوان انگلیسی:

A HOPFIELD RECURRENT NEURAL NETWORK TRAINED ON NATURAL IMAGES PERFORMS STATE-OF-THE-ART IMAGE COMPRESSION

~~en~~ writers :

Christopher Hillar, Ram Mehta, Kilian Koepsell

The Hopfield network is a well-known model of memory and
collective processing in networks of abstract neurons, but it
has been dismissed for use in signal processing because of its
small pattern capacity, difficulty to train, and lack of practical applications. In the last few years, however, it has been
demonstrated that exponential storage is possible for special
classes of patterns and network connectivity structures. Over
the same time period, advances in training large-scale networks have also appeared. Here, we train Hopfield networks
on discretizations of grayscale digital photographs using a
learning technique called minimum probability flow (MPF).
After training, we demonstrate that these networks have exponential memory capacity, allowing them to perform stateof-the-art image compression in the high quality regime. Our
findings suggest that the local structure of images is remarkably well-modeled by a binary recurrent neural network.

Index Terms: image compression | Hopfield network | Ising model | recurrent neural network | probability flow | JPEG

$$en!!