[pt] cs-230-convolutional-neural-networks #128

leportella · 2019-02-11T23:53:13Z

No description provided.

leportella · 2019-02-15T16:30:21Z

@gabriel19913 could you check this out for me, please?

gabriel19913 · 2019-02-16T01:21:06Z

pt/convolutional-neural-networks.md

+
+**9. [Face verification/recognition, One shot learning, Siamese network, Triplet loss]**
+
+&#10230; [Verificação / reconhecimento facial, Aprendizado de um tiro, Rede siamesa, Perda tripla]


I don't think "Aprendizado de um tiro" is a good translation for one shot learning, what do you think about: "Aprendizado one shot" or "Aprendizado de disparo único"?

I changed to "Aprendizado de disparo único"

gabriel19913 · 2019-02-16T01:24:34Z

pt/convolutional-neural-networks.md

+
+**11. [Computational trick architectures, Generative Adversarial Net, ResNet, Inception Network]**
+
+&#10230; [Arquiteturas de truques computacionais, Rede Adversarial Generativa, ResNet, Rede de Iniciação]


English is sometimes trick for portuguese speakers hahaha. What is the best: "Arquiteturas de truques computacionais" or "Truques computacionais de arquiteturas", or would they mean the same?

I thought that the first one ("Arquiteturas de truques computacionais") was the correct translation... but there is room for both meanings I guess

gabriel19913 · 2019-02-16T01:26:23Z

pt/convolutional-neural-networks.md

+
+**13. Architecture of a traditional CNN ― Convolutional neural networks, also known as CNNs, are a specific type of neural networks that are generally composed of the following layers:**
+
+&#10230; Arquitetura de uma RNC (CNN) - Redes neurais convolucionais, também conhecidas como CNN (em inglês), são tipos específicos de redes neurais que geralmente são compostas pelas seguintes camadas:


"Arquitetura de uma tradicional RNC"

gabriel19913 · 2019-02-16T01:27:03Z

pt/convolutional-neural-networks.md

+
+**14. The convolution layer and the pooling layer can be fine-tuned with respect to hyperparameters that are described in the next sections.**
+
+&#10230; A camada convolucional e a camadas de pooling podem ter um ajuste fino considerando os hiperparâmetros que estão descritos na próxima seção. 


"nas próximas seções."

gabriel19913 · 2019-02-16T01:28:34Z

pt/convolutional-neural-networks.md

+
+**16. Convolution layer (CONV) ― The convolution layer (CONV) uses filters that perform convolution operations as it is scanning the input I with respect to its dimensions. Its hyperparameters include the filter size F and stride S. The resulting output O is called feature map or activation map.**
+
+&#10230; Camada convolucional (CONV) - A camada convolucional (CONV) usa filtros que realizam operações de convolução conforme eles escabeuan a entrada I com relação a suas dimensões. Seus hiperparâmetros incluem o tamanho do filtro F e o passo S. O resultado O é chamado de mapa de recursos (feature map) ou mapa de ativação.


"eles escaneiam a entrada"

gabriel19913 · 2019-02-16T01:49:17Z

pt/convolutional-neural-networks.md

+
+**59. Intersection over Union ― Intersection over Union, also known as IoU, is a function that quantifies how correctly positioned a predicted bounding box Bp is over the actual bounding box Ba. It is defined as:**
+
+&#10230; Interseção sobre União (Intersection over Union) - Interseção sobre União, também conhecida como IoU, é uma funçãi que quantifica quão corretamente posicionado uma caixa de delimitação predita Bp está sobre a caixa de delimitação real Ba. É definida por:


é uma função que

gabriel19913 · 2019-02-16T01:52:16Z

pt/convolutional-neural-networks.md

+
+**61. Anchor boxes ― Anchor boxing is a technique used to predict overlapping bounding boxes. In practice, the network is allowed to predict more than one box simultaneously, where each box prediction is constrained to have a given set of geometrical properties. For instance, the first prediction can potentially be a rectangular box of a given form, while the second will be another rectangular box of a different geometrical form.**
+
+&#10230; Caixas de ancoragem (Anchor boxes) - Caixas de ancoragem é uma técnica usada para predizer caixas de delimitação que se sobrepões. Na prática, a rede tem permissão para predizer mais de uma caixa simultaneamente, oonde cada caixa prevista é restrita a ter um dado conjunto de propriedades geométricas. Por exemplo, a primeira predição pode ser potencialmente uma caixa retangular de uma determinada forma, enquanto a segunda pode ser outra caixa retangular de uma forma geométrica diferente.


delimitação que se sobrepõem.
onde cada caixa

gabriel19913 · 2019-02-16T01:53:09Z

pt/convolutional-neural-networks.md

+
+**62. Non-max suppression ― The non-max suppression technique aims at removing duplicate overlapping bounding boxes of a same object by selecting the most representative ones. After having removed all boxes having a probability prediction lower than 0.6, the following steps are repeated while there are boxes remaining:**
+
+&#10230; Supressão não máxima (Non-max suppression) - A técnica supressão não máxima visa remover caixas de delimitação de um mesmo objeto que estão duplicadas e se sobrepõe, selecionando as mais representativas. Depois de ter removido todas as caixas que contém uma predição menor que 0.6. os seguintes passos são repetidos enquanto existem caixas remanescentes:


e se sobrepõem

gabriel19913 · 2019-02-16T01:54:35Z

pt/convolutional-neural-networks.md

+
+**66. [Step 1: Divide the input image into a G×G grid., Step 2: For each grid cell, run a CNN that predicts y of the following form:, repeated k times]**
+
+&#10230; [Passo 1: Divide a imagem de input em uma grade G×G., Passo 2: Para cada célula da grade, rode uma CNN que prevê o valor y da seguinte forma:, repita k vezes]


imagem de entrada.
roda uma CNN

gabriel19913 · 2019-02-16T01:55:22Z

pt/convolutional-neural-networks.md

+
+**67. where pc is the probability of detecting an object, bx,by,bh,bw are the properties of the detected bouding box, c1,...,cp is a one-hot representation of which of the p classes were detected, and k is the number of anchor boxes.**
+
+&#10230; onde pc é a probabilidade de detecção do objeto, bx,by,bh,bw são as proprioedades das caixas delimitadoras detectadas, c1,...,cp é uma representação única (one-hot representation) de quais das classes p foram detectadas, e k é o número de caixas de ancoragem.


são as propriedades

gabriel19913 · 2019-02-16T01:57:08Z

@gabriel19913 could you check this out for me, please?

I just did it. :)

leportella · 2019-02-16T14:03:17Z

@gabriel19913 fixed the revision. @shervinea I think it is good to go, but can wait for Gabriel's feedback.

Also added Gabriel in the document as the revisor.

gabriel19913

Hello @leportella I forgot to review the end of the file, my bad.
After that I think we are good to go.

gabriel19913 · 2019-02-16T16:21:20Z

pt/convolutional-neural-networks.md


 <br>


 **73. Remark: although the original algorithm is computationally expensive and slow, newer architectures enabled the algorithm to run faster, such as Fast R-CNN and Faster R-CNN.**

-&#10230;
+&#10230; Observação: embora o algoritmo original seja computacionalmente caro e lento, arquiteturas mais recentes, como o Fast R-CNN e o Faster R-CNN, permitiram que o algoritmo fosse executado mais rapidamente.


Don't you think "seja" is better than "fosse"?

I think 'seja' is better because even though we have newer faster algorithms, the old one is still slow and expensive, right? I think that if it was written "was", "fosse" would be better indeed

gabriel19913 · 2019-02-16T16:21:26Z

pt/convolutional-neural-networks.md


 <br>


 **78. One Shot Learning ― One Shot Learning is a face verification algorithm that uses a limited training set to learn a similarity function that quantifies how different two given images are. The similarity function applied to two images is often noted d(image 1,image 2).**

-&#10230;
+&#10230; Aprendizado de Tiro Único (One Shot Learning) - One Shot Learning é um algoritmo de verificação facial que utiliza um conjunto de treinamento limitado para aprender uma função de similaridade que quantifica o quão diferentes são as duas imagens. A função de similaridade aplicada a duas imagens é frequentemente denotada como  d(imagem 1, imagem 2).


Disparo único

Already changed that

gabriel19913 · 2019-02-16T16:23:54Z

pt/convolutional-neural-networks.md


 <br>


 **80. Triplet loss ― The triplet loss ℓ is a loss function computed on the embedding representation of a triplet of images A (anchor), P (positive) and N (negative). The anchor and the positive example belong to a same class, while the negative example to another one. By calling α∈R+ the margin parameter, this loss is defined as follows:**

-&#10230;
+&#10230; Perda tripla (Triplet loss) - A perda tripla ℓ é uma função de perda (loss function) computada na representação da encorporação de três imagens A (âncora), P (positiva) e N (negativa). O exemplo da âncora e positivo pertencem à mesma classe, enquanto o exemplo negativo pertence a uma classe diferente. Chamando o parâmetro de margem de α∈R+, essa função de perda é calculada da seguinte forma:


definida da seguinte forma

gabriel19913 · 2019-02-16T16:26:51Z

pt/convolutional-neural-networks.md


 <br>


 **92. Generative Adversarial Network ― Generative adversarial networks, also known as GANs, are composed of a generative and a discriminative model, where the generative model aims at generating the most truthful output that will be fed into the discriminative which aims at differentiating the generated and true image.**

-&#10230;
+&#10230; Rede Adversarial Gerativa (Generative Adversarial Network) - As Generaive Adversarial Networks, também conhecidas como GANs, são compostas de um modelo generativo e um modelo discriminativo, onde o modelo generativo visa gerar a saída mais verdadeira que será alimentada na discriminativa que visa diferenciar a imagem gerada e verdadeira.


a imagem gerada e a imagem verdadeira

leportella · 2019-02-19T17:37:43Z

@gabriel19913 now its done I think :)

gabriel19913 · 2019-02-20T01:29:41Z

Good job @leportella I think we are good to go @shervinea.

shervinea · 2019-02-20T04:16:30Z

Thank you both @leportella @gabriel19913 for your awesome work!

shervinea added the in progress Work in progress label Feb 12, 2019

shervinea changed the title ~~[WIP] [pt] Translation of CNNs tp~~ [pt] Convolutional neural networks Feb 12, 2019

leportella added 3 commits February 15, 2019 16:31

80% of pt translation of CNNs

16e77ae

Update README and CONTRIBUTORS to CNNs in pt

75b252f

Added 100% on PT CNN

f5337aa

leportella force-pushed the pt-deep-learning-translation branch from e9b0e31 to f5337aa Compare February 15, 2019 16:33

shervinea added reviewer wanted Looking for a reviewer and removed in progress Work in progress labels Feb 15, 2019

gabriel19913 suggested changes Feb 16, 2019

View reviewed changes

Added revision fixes for CNN in pt

9853e1c

gabriel19913 suggested changes Feb 16, 2019

View reviewed changes

Add revisor in CNN pt

92b3de7

leportella force-pushed the pt-deep-learning-translation branch from 721672a to 92b3de7 Compare February 19, 2019 17:20

Update CONTRIBUTORS

4aa0fef

shervinea merged commit 22a533a into shervinea:master Feb 20, 2019

shervinea changed the title ~~[pt] Convolutional neural networks~~ [pt] cs-230-convolutional-neural-networks Oct 6, 2020

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

[pt] cs-230-convolutional-neural-networks #128

[pt] cs-230-convolutional-neural-networks #128

leportella commented Feb 11, 2019

leportella commented Feb 15, 2019

gabriel19913 Feb 16, 2019

leportella Feb 16, 2019 •

edited

Loading

gabriel19913 Feb 16, 2019

leportella Feb 16, 2019

gabriel19913 Feb 16, 2019

gabriel19913 Feb 16, 2019

gabriel19913 Feb 16, 2019

gabriel19913 Feb 16, 2019

gabriel19913 Feb 16, 2019

gabriel19913 Feb 16, 2019

gabriel19913 Feb 16, 2019

gabriel19913 Feb 16, 2019

gabriel19913 commented Feb 16, 2019

leportella commented Feb 16, 2019

gabriel19913 left a comment

gabriel19913 Feb 16, 2019

leportella Feb 19, 2019 •

edited

Loading

gabriel19913 Feb 16, 2019

leportella Feb 19, 2019

gabriel19913 Feb 16, 2019

gabriel19913 Feb 16, 2019

leportella commented Feb 19, 2019

gabriel19913 commented Feb 20, 2019

shervinea commented Feb 20, 2019


		9. [Face verification/recognition, One shot learning, Siamese network, Triplet loss]

		⟶ [Verificação / reconhecimento facial, Aprendizado de um tiro, Rede siamesa, Perda tripla]


		11. [Computational trick architectures, Generative Adversarial Net, ResNet, Inception Network]

		⟶ [Arquiteturas de truques computacionais, Rede Adversarial Generativa, ResNet, Rede de Iniciação]


		13. Architecture of a traditional CNN ― Convolutional neural networks, also known as CNNs, are a specific type of neural networks that are generally composed of the following layers:

		⟶ Arquitetura de uma RNC (CNN) - Redes neurais convolucionais, também conhecidas como CNN (em inglês), são tipos específicos de redes neurais que geralmente são compostas pelas seguintes camadas:


		14. The convolution layer and the pooling layer can be fine-tuned with respect to hyperparameters that are described in the next sections.

		⟶ A camada convolucional e a camadas de pooling podem ter um ajuste fino considerando os hiperparâmetros que estão descritos na próxima seção.


		16. Convolution layer (CONV) ― The convolution layer (CONV) uses filters that perform convolution operations as it is scanning the input I with respect to its dimensions. Its hyperparameters include the filter size F and stride S. The resulting output O is called feature map or activation map.

		⟶ Camada convolucional (CONV) - A camada convolucional (CONV) usa filtros que realizam operações de convolução conforme eles escabeuan a entrada I com relação a suas dimensões. Seus hiperparâmetros incluem o tamanho do filtro F e o passo S. O resultado O é chamado de mapa de recursos (feature map) ou mapa de ativação.


		59. Intersection over Union ― Intersection over Union, also known as IoU, is a function that quantifies how correctly positioned a predicted bounding box Bp is over the actual bounding box Ba. It is defined as:

		⟶ Interseção sobre União (Intersection over Union) - Interseção sobre União, também conhecida como IoU, é uma funçãi que quantifica quão corretamente posicionado uma caixa de delimitação predita Bp está sobre a caixa de delimitação real Ba. É definida por:


		61. Anchor boxes ― Anchor boxing is a technique used to predict overlapping bounding boxes. In practice, the network is allowed to predict more than one box simultaneously, where each box prediction is constrained to have a given set of geometrical properties. For instance, the first prediction can potentially be a rectangular box of a given form, while the second will be another rectangular box of a different geometrical form.

		⟶ Caixas de ancoragem (Anchor boxes) - Caixas de ancoragem é uma técnica usada para predizer caixas de delimitação que se sobrepões. Na prática, a rede tem permissão para predizer mais de uma caixa simultaneamente, oonde cada caixa prevista é restrita a ter um dado conjunto de propriedades geométricas. Por exemplo, a primeira predição pode ser potencialmente uma caixa retangular de uma determinada forma, enquanto a segunda pode ser outra caixa retangular de uma forma geométrica diferente.


		62. Non-max suppression ― The non-max suppression technique aims at removing duplicate overlapping bounding boxes of a same object by selecting the most representative ones. After having removed all boxes having a probability prediction lower than 0.6, the following steps are repeated while there are boxes remaining:

		⟶ Supressão não máxima (Non-max suppression) - A técnica supressão não máxima visa remover caixas de delimitação de um mesmo objeto que estão duplicadas e se sobrepõe, selecionando as mais representativas. Depois de ter removido todas as caixas que contém uma predição menor que 0.6. os seguintes passos são repetidos enquanto existem caixas remanescentes:


		66. [Step 1: Divide the input image into a G×G grid., Step 2: For each grid cell, run a CNN that predicts y of the following form:, repeated k times]

		⟶ [Passo 1: Divide a imagem de input em uma grade G×G., Passo 2: Para cada célula da grade, rode uma CNN que prevê o valor y da seguinte forma:, repita k vezes]


		67. where pc is the probability of detecting an object, bx,by,bh,bw are the properties of the detected bouding box, c1,...,cp is a one-hot representation of which of the p classes were detected, and k is the number of anchor boxes.

		⟶ onde pc é a probabilidade de detecção do objeto, bx,by,bh,bw são as proprioedades das caixas delimitadoras detectadas, c1,...,cp é uma representação única (one-hot representation) de quais das classes p foram detectadas, e k é o número de caixas de ancoragem.

[pt] cs-230-convolutional-neural-networks #128

[pt] cs-230-convolutional-neural-networks #128

Conversation

leportella commented Feb 11, 2019

leportella commented Feb 15, 2019

Choose a reason for hiding this comment

leportella Feb 16, 2019 • edited Loading

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

gabriel19913 commented Feb 16, 2019

leportella commented Feb 16, 2019

gabriel19913 left a comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

leportella Feb 19, 2019 • edited Loading

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

leportella commented Feb 19, 2019

gabriel19913 commented Feb 20, 2019

shervinea commented Feb 20, 2019

leportella Feb 16, 2019 •

edited

Loading

leportella Feb 19, 2019 •

edited

Loading