Що таке ЗГОРТКОВІ Англійською - Англійська переклад

• convolutional

Приклади вживання Згорткові Українська мовою та їх переклад на Англійською

Аналіз зображень. Згорткові мережі.
Image analysis. Rolling net.

Фундаментально, згорткові коди пропонують більш високий рівень захисту від шуму, ніж еквівалентний блок коду.
Fundamentally, convolutional codes do not offer more protection against noise than an equivalent block code.

Ці вхідні дані передаються через згорткові шари, в яких не всі вузли з'єднані між собою.
This input data is then transmitted through convolutional layers, in which not all nodes are interconnected.

А згорткові нейронні мережі зазвичай вимагають великої кількості тренувальних даних, щоби запобігати перенавчанню.
Convolutional neural networks usually require a large amount of training data in order to avoid overfitting.

Лінійні коди традиційно розділяють на блокові коди і згорткові коди, хоча турбо-коди можна розглядати як гібрид цих двох типів.
Linear codes can be partitioned into block codes and convolutional codes, although turbo codes can be seen as a hybrid of these two types.

Наприклад, системи ШІ, відомі як«згорткові нейронні мережі», тепер можуть виконувати багато людських обчислень C0, включно із розпізнаванням обличч.
For example, AI systems known as“convolutional neural networks” can now carry out many human C0 computations, including facial recognition.

Згорткові коди використовуються в модемах голосового(V. 32, V. 17, V.34) і GSM мобільних телефонів, а також супутникових і військових пристроїв зв'язку.
Convolutional codes are used in voiceband modems(V. 32, V. 17, V.34) and in GSM mobile phones, as well as satellite and military communication devices.

Технічно вона використовує глибинне навчання на згортковій нейронній мережі, з новітньою формою Q-навчання, різновидом безмодельного навчання з підкріпленням.
Technically it uses deep learning on a convolutional neural network, with a novel form of Q-learning, a form of model-free reinforcement learning.

Згорткові нейронні мережі(convolutional neural networks, CNN) і глибокі згорткові нейронні мережі(deep convolutional neural networks, DCNN) кардинально відрізняються від інших мереж.
Convolutional neural networks(CNN or deep convolutional neural networks, DCNN) are quite different from most other networks.

Сьогодні глибокі нейронні мережі з різними архітектурами, такі як згорткові, періодичні та автокоддерні мережі, стають все більш популярною областью досліджень.
Today, deep neural networks with different architectures, such as convolutional, recurrent and autoencoder networks, are becoming an increasingly popular area of research.

Наприклад, вони не дуже вправні в класифікуванні об'єктів на тонкі категорії, такі як окремі породи собак або види птахів, у той час як згорткові нейронні мережі з цим впоруються.
For example, they are not good at classifying objects into fine-grained classes, such as the particular breed of dog or species of bird, whereas convolutional neural networks handle this with ease.

На додаток до цього, сучасні методи глибинного навчання, такі як згорткові та рекурентні нейронні мережі, вивчають свої особливості без необхідності проектування функцій вручну.
On top of that, modern Deep Learning techniques such as Convolutional and Recurrent Neural Networks learn their own features without the need for manual feature design.

Згорткові мережі використовують просторово локальну кореляцію шляхом забезпечення схеми локальної з'єднаності між нейронами сусідніх шарів: кожен нейрон з'єднано лише з невеликою областю вхідної ємності.
Convolutional networks exploit spatially local correlation by enforcing a sparse local connectivity pattern between neurons of adjacent layers: each neuron is connected to only a small region of the input volume.

Технологія класифікації визначає тип кожного вхідного документа, зокрема зображень, використовуючи згорткові нейронні мережі глибокого навчання, і сортує документи за зовнішнім виглядом або шаблоном;
Classification technology detects every incoming document type, including images, by using deep learning Convolutional Neural Networks and sorts documents by appearance or pattern;

U-Net була описана Олафом Роннебергером, Філіпсом Фішером та Томасом Броксом в 2015 році в роботі"UNet: Convolutional Networks for Biomedical Image Segmentation". Що є поліпшенням та подальшим розвитком архітектури FCN розробленої Еваном Шелгамером, Джонатаном Лонгом та Тревором Дарреллом(2014) у статті"Повністю згорткові мережі для семантичної сегментації".
U-Net was created by Olaf Ronneberger, Philipp Fischer, Thomas Brox in 2015 at the paper“UNet: Convolutional Networks for Biomedical Image Segmentation”.[1] It's an improvement and development of FCN: Evan Shelhamer, Jonathan Long, Trevor Darrell(2014)."Fully convolutional networks for semantic segmentation".

Різні архітектури глибинного навчання, такі як глибинні нейронні мережі, згорткові глибинні нейронні мережі, глибинні мережі переконань та рекурентні нейронні мережі застосовувалися в таких областях, як комп'ютерне бачення, автоматичне розпізнавання мовлення, обробка природної мови, розпізнавання звуків та біоінформатика, де вони, як було показано, представляють передові результати в різноманітних задачах.
Various deep learning architectures such as deep neural networks, convolutional deep neural networks, deep belief networks and recurrent neural networks have been applied to fields like computer vision, automatic speech recognition, natural language processing, audio recognition and bioinformatics where they have been shown to produce state-of-the-art results on various tasks.

Є експертом у глибоких згорткових нейронних мережах та їх застосуванні в комп'ютерному зорі.
An expert in deep convolutional neural networks and their application in the computer vision.

Ця продуктивність згорткових нейронних мереж у завданнях ImageNet була близькою до людської.
That performance of convolutional neural networks on the ImageNet tests was close to that of humans.

Це дозволяє згортковим мережам успішно застосовуватися до задач з невеликими тренувальними наборами.
This allows convolutional networks to be successfully applied to problems with small training sets.

Ще у 1955 році Еліас представив згорткове кодування як альтернативу коду блоків.
In 1955, he introduced convolutional codes as an alternative to block codes.

Caffe: Популярна бібліотека для згорткових нейронних мереж.
Caffe: A library for convolutional neural networks.

Це схоже на більш традиційний згортковий шар, створений із використанням стандартних технологій машинного навчання, але без необхідності мати обчислювальні елементи живлення для виконання згортків.
That's similar to that of a more-traditional convolutional layer created using standard machine learning techniques, but without needing to have powered computing elements to perform the convolutions.

У основі нової технології- згорткова нейронна мережа(CNN), яка складається з двох частин.
The new technology is based on the convolutional neural network(CNN) consisting of two parts.

Схема спільного використання параметрів застосовується в згорткових шарах для регулювання кількості вільних параметрів.
A parameter sharing scheme is used in convolutional layers to control the number of free parameters.

Ідея згорткового коду полягає у тому, щоб зробити кожне кодове слово символ зваженою сумою різних символів введення повідомлень.
The idea behind a convolutional code is to make every codeword symbol be the weighted sum of the various input message symbols.

Проста згорткова нейронна мережа для розпізнавання рукописних цифр// Десята Всеукраїнська міжнародна конференція з оброблення сигналів і зображень та розпізнавання образівУкрОбраз'2010.
A Simple Convolutional Neural Network for Recognition of Handwritten Digits// The Tenth All-Ukrainian International Conference on Signal/Image Processing and Pattern Recognition UkrObraz'2010.

Більш того, наступний згортковий шар може навчитися будувати точний вихід на основі цієї інформації.
What's more, a successive convolutional layer can then learn to assemble a precise output based on this information.

Звуження є типовою згортковою мережею, яка складається з повторного застосування згорток, після кожної з них йде випрямлена лінійна одиниця(ReLU) і операція макспулінга.
The contracting path is a typical convolutional network that consists of repeated application of convolutions, each followed by a rectified linear unit(ReLU) and a max pooling operation.

Згодом було оголошено, що велика 12-шарова згорткова нейронна мережа правильно передбачила професійний хід у 55% положень, зрівнявши точність із 6-м даном людських гравців.
Later it was announced that a large 12-layer convolutional neural network had correctly predicted the professional move in 55% of positions, equalling the accuracy of a 6 dan human player.