Deep Network StructureConvolution neural networks can be regarded as t的简体中文翻译

Deep Network StructureConvolution n

Deep Network Structure

Convolution neural networks can be regarded as trainable feed-forward multi-layered artificial neural networks that comprise of multiple feature extraction stages [36,45]. Each of the feature extraction stage was consist of convolutional layers with learnable filters, pooling layers and activation functions or non-linearity layers [36].

Our proposed fully convolutional neural networks (F-CNNs) consist of three convolutional layers. The training samples from Landsat images and their corresponding label image samples were uploaded to the proposed model network to train the model. Each layer applies a convolutional operation on the input image using learnable filters and passing the output feature maps to the next convolutional layer [36]. The first two convolutional layers (L1,L2) are designed using kernels (a set of learnable filters) of size 3 × 3. The dimensions of each filter allows the network to slide across the entire width and height of the local region and generates pixel-wise probabilities for each class based on the contextual information. The network takes pixel-patches (target pixel is at the centre of each patch) as input instead of single pixel. Filters of the last convolutional layers help the convolutional layer to learn patterns of the input training data of different class types. Each kernel gave the weight for each class label. Therefore, to keep the number of output feature maps of the last convolutional layer equal to the number of classes, the size of the filters in the last layer matched to the height and width of the input feature maps. The size (

length×height

length×height

) of the output feature maps generated by convolutional layers depends on the number of pooling and strides and the size of convolutional filters [46]. Assuming Y and X be the heights and width of the inputs to the convolutional layer, S be the stride and P be the padding, Equations (1) and (2) explain how the height and width of the outputs of each convolutional layer is determined.
0/5000
源语言: -
目标语言: -
结果 (简体中文) 1: [复制]
复制成功!
深网络结构<br><br>卷积神经网络可被视为包含多个特征提取阶段[36,45]的可训练的前馈多层神经网络。每个特征提取阶段的是由具有可学习过滤器,池层和激活函数或非线性层[36]的卷积层。<br><br>我们提出的完全卷积神经网络(F-细胞神经网络)由三个卷积层。从陆地卫星图像及其相应的标签图像样本的训练样本被上传到该模型的网络模型进行训练。每一层施加卷积运算在输入图像上使用可学习过滤器和使所述输出要素映射到下一卷积层[36]。前两个卷积层(L1,L2)是使用尺寸的内核(一套可学习过滤器)3×3每个过滤器的尺寸允许网络在整个局部区域的整个宽度和高度上滑动,并产生像素设计-wise概率基于上下文信息的每个类。网络采用像素贴片(目标像素是在每个贴片的中心)作为输入,而不是单个像素。最后卷积层的过滤器帮助卷积层学习不同的类类型的输入训练数据的模式。每个内核给的权重为每个类的标签。因此,为了保留最后卷积层等于类的数量,将过滤器在匹配于输入特征图的高度和宽度的最后一层的大小的输出特征图的数量。尺寸 (<br><br>长度×高度<br><br>长度×高度<br><br>由卷积层产生的输出特征图的)取决于池和步幅数和卷积滤波器[46]的大小。假设Y和X是高度和输入到卷积层宽度,S是步幅和P是填充,等式(1)和(2)解释每个卷积层的输出的高度和宽度是如何确定的。
正在翻译中..
结果 (简体中文) 2:[复制]
复制成功!
深度网络结构<br><br>卷积神经网络可视为可训练的正向多层人工神经网络,由多个特征提取阶段组成[36,45]。每个特征提取阶段都由卷积层组成,具有可学习的滤波器、池层和激活函数或非线性层 [36]。<br><br>我们提出的完全卷积神经网络(F-CNN)由三个卷积层组成。从Landsat图像的训练样本及其相应的标签图像样本上传到建议的模型网络,以训练模型。每个图层使用可学习的滤镜对输入图像应用卷积运运,并将输出要素贴图传递到下一个卷积层 [36]。前两个卷积层 (L1,L2) 使用大小为 3 和 3 的内核(一组可学习的滤波器)进行设计。每个筛选器的尺寸允许网络在局部区域的整个宽度和高度上滑动,并根据上下文信息为每个类生成按像素化的概率。网络以像素补丁(目标像素位于每个补丁的中心)作为输入,而不是单个像素。最后卷积层的滤波器帮助卷积层了解不同类类型的输入训练数据的模式。每个内核都给出了每个类标签的权重。因此,为了保持最后一个卷积图层的输出要素映射数等于类数,最后一个图层中的滤镜大小与输入要素贴图的高度和宽度相匹配。大小 (<br><br>长度=高度<br><br>长度=高度<br><br>)卷积层生成的输出要素图取决于池数和步长数以及卷积滤波器的大小 [46]。假设 Y 和 X 是卷积层输入的高度和宽度,S 是步长,P 是填充,方程 (1) 和 (2) 解释如何确定每个卷积层输出的高度和宽度。
正在翻译中..
结果 (简体中文) 3:[复制]
复制成功!
深层网络结构<br>卷积神经网络可以看作是由多个特征提取阶段组成的可训练的前馈多层神经网络[36,45]。每个特征提取阶段都由带可学习滤波器的卷积层、池层和激活函数或非线性层组成[36]。<br>我们提出的全卷积神经网络(f-cnns)由三个卷积层组成。将来自landsat图像的训练样本及其对应的标签图像样本上传到所提出的模型网络中进行模型训练。每一层使用可学习滤波器对输入图像应用卷积操作,并将输出特征映射传递到下一卷积层[36]。前两个卷积层(l1,l2)使用大小为3×3的核(一组可学习滤波器)设计。每个滤波器的维数允许网络在局部区域的整个宽度和高度上滑动,并基于上下文信息为每个类生成逐像素的概率。该网络以像素块(目标像素位于每个块的中心)作为输入,而不是单个像素。最后一个卷积层的滤波器帮助卷积层学习不同类类型的输入训练数据的模式。每个内核为每个类标签赋予权重。因此,为了使最后一个卷积层的输出特征映射的数目与类的数目相等,最后一层的滤波器的大小与输入特征映射的高度和宽度相匹配。大小(<br>长×高<br>长×高<br>)由卷积层生成的输出特征映射的数量取决于池和步数以及卷积滤波器的大小[46]。假设y和x是卷积层输入的高度和宽度,s是跨距,p是填充,方程(1)和(2)解释了如何确定每个卷积层输出的高度和宽度。<br>
正在翻译中..
 
其它语言
本翻译工具支持: 世界语, 丹麦语, 乌克兰语, 乌兹别克语, 乌尔都语, 亚美尼亚语, 伊博语, 俄语, 保加利亚语, 信德语, 修纳语, 僧伽罗语, 克林贡语, 克罗地亚语, 冰岛语, 加利西亚语, 加泰罗尼亚语, 匈牙利语, 南非祖鲁语, 南非科萨语, 卡纳达语, 卢旺达语, 卢森堡语, 印地语, 印尼巽他语, 印尼爪哇语, 印尼语, 古吉拉特语, 吉尔吉斯语, 哈萨克语, 土库曼语, 土耳其语, 塔吉克语, 塞尔维亚语, 塞索托语, 夏威夷语, 奥利亚语, 威尔士语, 孟加拉语, 宿务语, 尼泊尔语, 巴斯克语, 布尔语(南非荷兰语), 希伯来语, 希腊语, 库尔德语, 弗里西语, 德语, 意大利语, 意第绪语, 拉丁语, 拉脱维亚语, 挪威语, 捷克语, 斯洛伐克语, 斯洛文尼亚语, 斯瓦希里语, 旁遮普语, 日语, 普什图语, 格鲁吉亚语, 毛利语, 法语, 波兰语, 波斯尼亚语, 波斯语, 泰卢固语, 泰米尔语, 泰语, 海地克里奥尔语, 爱尔兰语, 爱沙尼亚语, 瑞典语, 白俄罗斯语, 科西嘉语, 立陶宛语, 简体中文, 索马里语, 繁体中文, 约鲁巴语, 维吾尔语, 缅甸语, 罗马尼亚语, 老挝语, 自动识别, 芬兰语, 苏格兰盖尔语, 苗语, 英语, 荷兰语, 菲律宾语, 萨摩亚语, 葡萄牙语, 蒙古语, 西班牙语, 豪萨语, 越南语, 阿塞拜疆语, 阿姆哈拉语, 阿尔巴尼亚语, 阿拉伯语, 鞑靼语, 韩语, 马其顿语, 马尔加什语, 马拉地语, 马拉雅拉姆语, 马来语, 马耳他语, 高棉语, 齐切瓦语, 等语言的翻译.

Copyright ©2024 I Love Translation. All reserved.

E-mail: