To simplify our experiments, we did

To simplify our experiments, we did not use any unsupervised pre-training even though we expect that it will help, especially if we obtain enough computational power to significantly increase the size of the network without obtaining a corresponding increase in the amount of labeled data. Thus far, our results have improved as we have made our network larger and trained it longer but we still have many orders of magnitude to go in order to match the infero temporal pathway of the human visual system. Ultimately we would like to use very large and deep convolutional nets on video sequences where the temporal structure provides very helpful information, that is, missing or far less obvious in static images.

結果 (繁體中文) 1:

為了簡化我們的實驗中，我們沒有使用，即使我們預計它會幫助任何監督的崗前培訓，特別是如果我們獲得足夠的計算能力顯著提高網絡的大小沒有獲得在標數據量的相應增加。到目前為止，我們已經取得了較大的網絡和訓練有素的它長，但我們仍然有很多個數量級，以符合人類視覺系統的infero時間途徑去我們的結果是提高了。最終，我們想用視頻序列非常大而深的卷積網在時間結構提供了非常有用的信息，也就是丟失或遠不明顯，靜態圖像。

結果 (繁體中文) 2:

為了簡化我們的實驗，我們不使用任何無監督的預訓練，即使我們期望它會有所説明，特別是如果我們獲得足夠的計算能力，以顯著地增加網路的大小，而不獲得相應的增加標記資料的數量。到目前為止，我們的結果已經有所改善，因為我們使我們的網路變大，訓練時間更長，但我們還有很多數量級，以配合人類視覺系統的推斷時間路徑。最終，我們希望在視頻序列上使用非常大的和深的卷積網，其中的時間結構提供了非常有用的資訊，即靜態圖像中缺失或遠沒有那麼明顯的資訊。

結果 (繁體中文) 3:

為了簡化我們的實驗，我們沒有使用任何無監督的預訓練，即使我們期望它會有幫助，特別是如果我們獲得足够的計算能力來顯著增加網絡的大小，而不獲得相應的新增標記數據的數量。到目前為止，我們的結果已經有所改善，因為我們已經使我們的網絡更大，訓練時間更長，但我們仍然有許多數量級去匹配人類視覺系統的下時間路徑。最後，我們希望在視頻序列上使用非常大和深度的卷積網絡，其中時間結構提供非常有用的資訊，即在靜態圖像中遺失或遠不明顯。