000			02993nam a2200301Ia 4500
005			20250223033133.0
008			231030s9999 xx 000 0 und d
049			_aDeposit
082			_a004.65
097			_aMs.c
099			_aCai01.13.08.Ms.c.2022.Es.E.
100			_aEslam Mohamed Ali,
245			_aEMCA: EFFICIENT MULTISCALE CHANNEL ATTENTION MODULE FOR DEEP NEURAL NETWORKS / _cBy Eslam Mohamed Ali ؛ Mohsen A. Rashwan,Omar Ahmed Nasr,Khaled Mostafa
246			_aوحدات انتباه دقيقة متعددة الخصائص مدمجه فى معالجات الصور الرقمية عن طريق تعليم االله العميق
260			_c2022.
502			_aThesis (M.Sc.)-Cairo University,2022.
504			_aBibliography: p. 59-66.
520			_aزيادة تحسين التمثيالت التى تتعلمها من العمود الفقري لشبكة ال CNN اكثر واكثر، تم استخدام آليات االنتباه عبر بعدين على حد سواء, وهما: البعد االول يتمثل في عدد السمات التى تتعلمها كل طبقة فى الشبكة العصبية, والبعد الثاني عبر االبعاد المكانية. ومع ذلك ، كل الخوارمزميات الموجوده حاليا تعاني من عيب شديد وهو انها كرس وحدات االنتباه اللتقاط التفاعالت المحلية من النطاقات االحادية متغفالتا عن بقية النطاقات ذات االبعاد لمختلفة. بناءا على ذلك, يتناول هذا العمل السؤال التالي: هل يمكن للمرء أن يدمج المقاييس المتعددة التجميع ثناء تعليم وحدات االنتباه لكي نحصل على وحدات انتباه تعمل بشكل أكثر كفاءة؟ تحقيقا لهذه الغاية ، في هذا لعمل نحن نستفيد من االهتمام بالقناوات على مقاييس الميزات المتعددة بدال من التركيز على نطاق واحد محدود، والذي يظهر بشكل تجريبي كفاءته لتحل محل وحدات االنتباه المحلية والفردية المحدودة. وحدات االنتباه لمقدمة فى هذا العمل المسماه ب EMCA تتميز بخفه الوزن و لكن فى نفس الوقت تعمل بكفاءه شديدة حيث من تصميمات الشبكات نها يمكنها أن تمذج السياق العالمي بشكل أكثر كفاءة ؛ يتم دمجه بسهولة في أي تغذية لعصبية CNN وتمتاز ايضا بانها يمكن تدريبها بطريقة شاملة.
650			_aNetworks
653			_aMachine Learning
700			_aOmar Ahmed Nasr,
856			_uhttp://172.23.153.220/th.pdf
905			_aMohamady
942			_cTH _2ddc
999			_c164592 _d164592
336			_2rda content _atext
337			_2rdamedia _aUnmediated
338			_2rdacarrier _avolume