جستجوی مقالات مرتبط با کلیدواژه « شبکه عصبی عمیق » در نشریات گروه « فناوری اطلاعات »
تکرار جستجوی کلیدواژه «شبکه عصبی عمیق» در نشریات گروه «فنی و مهندسی»-
یادگیری عمیق ابزار قدرتمندی در خوشه بندی تصاویر پیچیده و حجیم است. اغلب روش های خوشه بندی عمیق عمل دسته بندی تصاویر را بر اساس بردارهای بازنمایی حاصل از آموزش یک شبکه عصبی عمیق انجام می دهند به طوریکه ویژگی های مستخرج از لایه آخر شبکه مورد ارزیابی نهایی عمل خوشه بندی قرار می گیرد. بهره مندی از ویژگی های معنایی متفاوت حاصل از چندین شبکه عمیق می تواند نقش موثری در بهبود کارایی نتایج خوشه بندی حاصل ایفا کند که تاکنون تحقیقات کمی در این زمینه صورت گرفته است. ما در این مقاله رویکردی مبتنی بر خوشه بندی عمیق گروهی ارائه می کنیم که در آن با پیوند دادن روش های خوشه بندی عمیق و یادگیری گروهی، سعی در استفاده از مزایای شبکه های عصبی عمیق در کنار یکدیگر داریم. در این راستا ابتدا پنج مدل مختلف خودرمزگذار عمیق با لایه های کانولوشنی متعدد آموزش داده می شوند که در هر یک از آنها از رویکرد یادگیری انتقالی نیز جهت افزایش دقت و بهبود عملکرد استفاده می شود. پس از استخراج ویژگی های چندگانه تصاویر توسط مدل های مختلف عمیق، بازنمایی های حاصل خوشه بندی شده و طبق رویکرد یادگیری گروهی نتایج آنها با یکدیگر تجمیع می شود. نهایتا دسته بندی نهایی تصاویر بر اساس اطلاعات مشترک خوشه بندی های پایه صورت می گیرد. نتایج حاصل از اعمال روش پیشنهادی بر روی چهار مجموعه داده استاندارد، نشان دهنده کارایی بهتر و موثرتر روش پیشنهادی نسبت به رویکردهای اخیر خوشه بندی عمیق تصاویر است.کلید واژگان: خوشه بندی تصاویر, شبکه عصبی عمیق, یادگیری گروهی, خودرمزگذار, یادگیری انتقالی}Deep learning is a powerful tool in clustering complex and large images.Most of the deep image clustering methods perform clustering based on the representation vectors obtained from a deep neural network training, so that the features extracted from the last layer of the network are used for the final clustering. Benefiting from different semantic information extracted from several deep networks can play an effective role in improving the efficiency of the clustering results. In this paper, we present an approach based on ensemble deep clustering, where by linking deep clustering methods and ensemble learning, we use multiple deep neural networks advantages together.In this regard, five autoencoders with several convolutional layers are trained, in each of which the transfer learning is performed to improve its accuracy and performance. After learning the effective representations of the images by different deep models, these vectors are clustered and their results are combined according to the ensemble approach. Then,the final clustering is calculated using the common information of the base clusters. The results of the proposed method on four standard image datasets represent its more effective performance rather than the recent deep image clustering methods.Keywords: Image Clustering, Deep Neural Network, Ensemble Learning, Autoencoder, Transfer Learning}
-
در موسسات مالی، بانک ها و موسسات کارآفرینی که تسهیلات اشتغال به مشتریان خود پرداخت می کنند، مسایل متعددی را قبل از اعطای تسهیلات مورد بررسی قرار می دهند. در این میان، مهم ترین و پراهمیت ترین موضوع برای یک سیستم مالی، ارزیابی توان مشتریان در بازپرداخت تسهیلات می باشد. انتخاب درست متقاضیان تسهیلات، با استفاده از روش های سنتی انجام می شود که این روش ها مستعد خطا می باشند. امروزه با توسعه یادگیری ماشین، می توان انتخاب درست متقاضیان را با دقت بیشتری انجام داد. این مطالعه با هدف رفع کاستی های مطالعات پیشین، یک مدل تصمیم گیری توسعه یافته با در نظر گرفتن الگوهایی از مشتریان موفق و غیر موفق در 4 حوزه مختلف پیش بینی وضعیت نظارت، وضعیت تسهیلات، مدت زمان فعالیت و تعداد اشتغال ایجادشده، ارایه شده است. در این مطالعه، یک پایگاه داده جامع بر پایه استانداردهای موجود جمع آوری شده و یک مدل شبکه عصبی عمیق برای استخراج ویژگی ها از داده های ورودی، طراحی شده است. با توسعه روش پیشنهادی و راه یابی مطالعه حاضر به حوزه های کاربردی و عملی، می توان متقاضیان مطلوب تسهیلات را به صورت خودکار و با صحت بیشتری ارزیابی و انتخاب نمود.
کلید واژگان: انتخاب خودکار متقاضیان تسهیلات, ارزیابی کسب وکار, یادگیری ویژگی, شبکه عصبی عمیق} -
امروزه نظر کاربران، مصرف کنندگان و مشتریان علاوه بر صاحبان کسب و کار، برای تولیدکنندگان، تامین کنندگان، بازاریابان و مهمتر از همه برای جذب مشتریان جدید، ضرورت، اهمیت و کاربرد فراوان دارد. اما تحلیل همه نظرات و درک احساسات صاحب نظران قبلی برای قضاوت، ارزیابی، انتخاب درست یک محصول توسط یک مشتری کاری بسیار زمان بر و دشوار است. از طرفی صاحبان کسب و کار برای درک احساسات مشتریان خود نیاز به ابزار دارند. لذا در این پژوهش تحلیل احساسات مصرف کنندگان بر مبنای مدل احساسی پلاتچیک، بصورت اتوماتیک مد نظر قرار گرفته است. دربین روش‌های موجود در دنیای فناوری اطلاعات و پژوهش‌های گذشته، استفاده از هوش مصنوعی، متن کاوی (تحلیل متن)، یادگیری ماشین و مدلهای مبتنی بر شبکه‌های عصبی از جمله یادگیری عمیق و شبکه حافظه کوتاه – بلند نتایج موفق تری بدست آمده است. در این پژوهش از روش مبتنی بر یادگیری ماشین استفاده شده است. این دیتا ست توسط طراحی سایت و تحلیلی احساسات توسط افراد داوطلب تهیه شد و دیتاست تولید شده بعد از مراحل پیش پردازش وارد فاز یادگیری ماشین با استفاده از شبکه عصبی عمیق شد و با دقت بیشتر از 75% توانست پیش بینی درست انجام دهد.
کلید واژگان: تحلیل احساسات, شبکه عصبی عمیق, شبکه حافظه کوتاه - بلند, ماشین بردار پشتیبان مدل احساسی پلاتچیک}Nowadays, the opinion of users, consumers and customers, in addition to business owners, is very necessary, important and useful for manufacturers, suppliers, marketers and, most importantly, to attract new customers. But analyzing all the opinions and understanding the feelings of previous experts to judge, evaluate, choose the right product by a customer is a very time consuming and difficult task. On the other hand, business owners need tools to understand the feelings of their customers. Therefore, in this study, the analysis of consumers' emotions based on the Platchik emotional model has been considered. Among the methods available in the world of information technology and past research, the use of text mining, machine learning and neural network-based models Emotion Analysis Deep Neural NetworkShort-Long Memory Platchik Emotional Model Support Vector Machine including deep learning, has provided better results. In this research, a machine-based method has been used. This data set has been prepared by designing the site and emotion analysis by volunteers, and the generated data has entered the machine learning phase using a neural network after the pre-processing stages. The results, has been able to make accurate predictions with more than 75% accuracy.
Keywords: Emotion Analysis, Deep Neural Network, Short-Long Memory Platchik, Emotional Model Support Vector Machine} -
الگوی دودویی محلی یک توصیفگر پرکاربرد در استخراج ویژگی از تصاویر بافتی است. شبکه های عصبی عمیق کانولوشن نیز از بهترین ابزار طبقه بندی با دقت بسیار بالابه شمار می رود. نوآوری اول این پژوهش ارایه یک ساختار برای ترکیب ویژگی های الگوی دودویی محلی و شبکه عصبی عمیق کانولوشن برای طبقه بندی تصاویر بافتی نویزدار است که دقت بسیار بالایی را برای طبقه بندی تصاویر بافتی نویزدار فراهم می کند. این روش از دو ابزار استخراج ویژگی تشکیل شده است. در یک ابزار، با استفاده از الگوی دودویی محلی کامل ویژگی های محلی تصاویر بافتی، در قالب هیستوگرام سه بعدی استخراج می شود. در ابزار دوم ویژگی های بافتی با استفاده از شبکه عصبی عمیق کانولوشن DenseNet-121 کاهش داده می شود. این بخش که در فرآیند ترکیب ویژگی ها بکارگرفته شده است، با استفاده از شبکه عصبی کانولوشن کم عمق، ابعاد هیستوگرام سه بعدی را ، برای ترکیب با ویژگی های عمیق، به صورت قابل توجهی کاهش می دهد. دقت مدل پیشنهادی، روی مجموعه های داده نویزی Outex، CUReT و UIUC با نویز گوسی، نویز نقطه ای و نویز فلفل نمکی با شدت های مختلف، ارزیابی شده است و دقت طبقه بندی روش پیشنهادی برای مقادیر مختلف نویز، بهبودی بین 3 تا 15 درصد داشته است.
کلید واژگان: طبقه بندی تصاویر بافتی, تصاویر بافتی نویزدار, شبکه عصبی عمیق, الگوی دودویی محلی}Local binary pattern is one of the most popular descriptor that widely used in feature extraction of texture images. Deep convolutional neural network is also one of the best classification methodthat provides very high accuracy. In this research, by combining the features that produced by these two methods, a structure for noisy texture classification is proposed, which provides a very high classification rate. This method is based on two extracted features. The first part uses completed local binary pattern features and in the second part the features of texture images are extracted by using the DenseNet-121 convolution deep neural network. Another motivation of this research related to feature reduction, which significantly reduces the dimensions of extracted features. It employs a shallow convolution neural network to convert the extracted features into lower number of new features. The accuracy of the proposed method has been evaluated on noisy Outex, CUReT and UIUC datasets. The classification accuracy of the proposed method for different level of noise has increased significantly compared to many advanced methods and has improved between 3 and 25%.
Keywords: Classification of texture images, Noisy texture images, Deep Neural Network, Local binary pattern} -
امروزه از تقطیع معنایی ویدیو در کاربردهای بسیاری از قبیل خودروهای بدون سرنشین، سیستم های ناوبری، سیستم های واقعیت مجازی و... استفاده می شود. در سال های اخیر پیشرفت چشم گیری در تقطیع معنایی تصاویر مشاهده شده است. اما از آن جا که فریم های پشت سر هم یک ویدیو باید با سرعت بالا و تاخیر کم و به صورت بلادرنگ پردازش شوند استفاده از تقطیع معنایی تصویر روی تک تک فریم های ویدیو با مشکل مواجه می شود؛ بنابراین تقطیع معنایی فریم های یک ویدیو به صورت بلادرنگ و با دقت مناسب موضوعی چالش برانگیز است. به منظور مقابله با چالش ذکر شده، در این مقاله یک چارچوب تقطیع معنایی ویدیو معرفی شده است که با در نظر گرفتن تغییرات فریم های پشت سر هم (با استفاده از جریان نوری) و بهره گیری از شبکه عمیق بازگشتی GRU، از اطلاعات تقطیع معنایی فریم های قبلی به منظور افزایش سرعت و دقت استفاده شده است. یک ورودی شبکه GRU تخمینی از تقطیع معنایی فریم فعلی (حاصل از یک شبکه عمیق کانولوشنال از پیش آموزش دیده)، و ورودی دیگر آن لغزش یافته تقطیع معنایی فریم قبلی در راستای جریان نوری دو فریم قبلی و فعلی می باشد. روش پیشنهادی دارای دقت و سرعت قابل رقابت با شناخته شده ترین و بهترین روش ها می باشد. دقت تقطیع معنایی بر اساس معیار ارزیابی mIoU روی مجموعه داده های Cityscapes و Camvid به ترتیب برابر با 83.1 و 79.8 می باشد. این در حالیست که در روش پیشنهادی سرعت تقطیع معنایی با استفاده از یک GPU تسلا مدل P4 روی مجموعه داده های Cityscapes و Camvid به ترتیب به 34 و 36.3 فریم بر ثانیه رسیده است.
کلید واژگان: تقطیع معنایی ویدئو, شبکه عصبی عمیق, جریان نوری}Nowadays, video semantic segmentation is used in many applications such as automatic driving, navigation systems, virtual reality systems, etc. In recent years, significant progress has been observed in semantic segmentation of images. Since the consecutive frames of a video must be processed with high speed, low latency, and in real time, using semantic image segmentation methods on individual video frames is not efficient. Therefore, semantic segmentation of video frames in real time and with appropriate accuracy is a challenging topic. In order to encounter the mentioned challenge, a video semantic segmentation framework has been introduced. In this method, the previous frames semantic segmentation has been used to increase speed and accuracy. For this manner we use the optical flow (change of continuous frames) and a GRU deep neural network called ConvGRU. One of the GRU input is estimation of current frames semantic segmentation (resulting from a pre-trained convolutional neural network), and the other one is warping of previous frames semantic segmentation along the optical flow. The proposed method has competitive results on accuracy and speed. This method achieves good performances on two challenging video semantic segmentation datasets, particularly 83.1% mIoU on Cityscapes and 79.8% mIoU on CamVid dataset. Meanwhile, in the proposed method, the semantic segmentation speed using a Tesla P4 GPU on the Cityscapes and Camvid datasets has reached 34 and 36.3 fps, respectively.
Keywords: Video Semantic Segmentation, Deep Neural Network, Optical Flow} -
با گسترش کاربرد شبکه‌های عصبی، عمیق شدن و افزایش پارامترهای شبکه، در عین حال محدودیت منابع محاسباتی، محدودیت در حافظه و تفسیرناپذیر شدن این شبکه‌ها، فشرده‌سازی شبکه‌های عصبی مورد توجه قرار گرفته است. فشرده‌سازی می‌بایست به صورت هوشمندانه باشد، به نحوی که ما را از مزایای بهره مندی از شبکه‌های عصبی عمیق جدا نکند. هرس به عنوان یکی از روش‌های فشرده‌سازی با حذف پارامترهای غیرضروری شبکه، همواره مورد اقبال پژوهشگران بوده است، به نحوی که در پژوهش‌های اخیر سعی شده است، مرحله‌ای با عنوان هرس پیش از آموزش شبکه، در مراحل قبل از راه‌اندازی شبکه گنجانده شود تا از مزایای فشرده‌سازی و هرس در مراحل آموزش و استنتاج شبکه بهره برده شود. در مقاله پیش رو سعی شده است، مروری بر روش‌های هرس با تاکید بر هرس‌های پیش از آموزش شبکه انجام شود. در ابتدا مبانی هرس مطرح شده، سپس انواع هرس به همراه تعریف ریاضی هریک مطرح و در نهایت بررسی دقیق‌‌تر‌ی روی هرس‌های پیش از آموزش شبکه انجام شده است.
کلید واژگان: شبکه عصبی عمیق, فشرده سازی شبکه عصبی, فرضیه بلیط بخت آزمایی, هرس پیش از راه اندازی شبکه}With the expansion of the use of neural networks, increase deep of NN, and increase of network parameters, as well as the limitation of computational resources, the limitation of memory, and the incomprehensibility of these networks, the compression of neural networks is necessary. Compression must be intelligent, so as not to deprive us of the benefits of deep neural networks. Pruning is one of the compression methods that eliminate unnecessary network parameters. in recent research, Pruning has always been favored by researchers as far as a step called pruning at the initial design that pruned the initial network to include the benefits compression and pruning in the training and inference. this article reviews pruning techniques in deep neural networks with emphasis on Prune at initializing. First, the basics of pruning are discussed, then the types of pruning with the mathematical definition of each discussed, and finally, a more detailed study of pruning before network training has been done.
Keywords: pruning NN, Sparsification NN, Comperesion NN, LTH} -
حملات انگشت نگاری وب سایت از جمله حملات تحلیل ترافیک هستند که مهاجم با نظارت بر ترافیک کاربران به شناسایی فعالیت وب آنان می پردازد. این حملات حتی زمانی که کاربران از سازوکارهای ارتقا حریم خصوصی، مانند شبکه تر بهره برده باشند نیز موثرند. تحقیقات اخیر نشان داده اند که مهاجم با استفاده از شبکه عصبی عمیق، قادر است با دقت ٪98 ،وب سایت های بازدید شده توسط کاربر را شناسایی کند. این درحالیست که سازوکارهای ارایه شده به منظور مقابله با این حملات، یا سربار پهنای باند و زمانی بالایی به کاربران تحمیل می کنند یا آنکه در مقابل حملات اخیر، عملا موثر نیستند. در این مقاله ساز و کار دفاعی جدیدی بر اساس آزمایش انسداد معرفی خواهیم کرد. در روش پیشنهادی آنچه یک شبکه عصبی به عنوان الگو از داده ها برداشت می کند را شناسایی خواهیم کرد و بر این اساس، الگوی ترافیک شبکه را به گونه ای تغییر خواهیم داد که شبکه عصبی در دسته بندی ترافیک کاربران با خطا مواجه شود. این روش با کاهش دقت مهاجم از ٪98 به ٪19 تنها با سربار پهنای باند ٪47 و بدون داشتن سربار زمانی، در مقابل حملاتی که از شبکه عصبی بهره برده اند کاملا موثر است.
کلید واژگان: سازوکارهای ارتقا حریم خصوصی, تر, گمنامی, تحلیل ترافیک, انگشت نگاری وب سایت, شبکه عصبی عمیق, آزمایش انسداد} -
امروزه روش های ارزیابی غیرمخرب (NDE)برای تشخیص خرابی در قطعات صنعتی از سه مرحله تشخیص، مکان یابی و تعیین مشخصات خرابی تشکیل می گردند. اما علی رغم اینکه تکنیک های مبتنی بر NDE موجود در صنعت دارای نتایج نسبتا قابل قبول در آشکارسازی وجود خرابی و تعیین محل آن هستند، اما تشخیص دقیق شکل، ابعاد و عمق خرابی هنوز به عنوان یک چالش باقی مانده است. در این مقاله روشی برای تخمین قابل اعتماد از مشخصات خرابی در قطعات فلزی با استفاده از سیستم اندازه گیری برپایه آزمون جریان گردابی (ECT) و سیستم پس پردازش مبتنی بر تکنیک یادگیری عمیق ارایه شده است. به این صورت که از یک روش یادگیری عمیق به منظور تعیین مشخصات خرابی موجود در یک قطعه فلزی، از طریق تصاویر C-scan حاصل از میدان مغناطیسی سطح قطعه که بوسیله یک حسگر مغناطومقاومت ناهمسانگر (AMR)اخذ شده اند، استفاده شد. در این خصوص، پس از مراحل طراحی و تنظیم شبکه عصبی پیچشی عمیق (DCNN) و اعمال آن به تصاویر C-scan اخذ شده از سیستم اندازه گیری، روش یادگیری عمیق ارایه شده با روش های شبکه های عصبی مصنوعی (ANNs) متداول مانند پرسپترون چند لایه (MLP) و تابع پایه شعاعی (RBF) بر روی تعدادی از نمونه های فلزی با خرابی مختلف مشخص مقایسه گردید. نتایج نشان دهنده برتری روش پیشنهادی برای تخمین مشخصات خرابی در مقایسه با سایر روش های آموزش محور کلاسیک می باشد.کلید واژگان: اندازه گیری میدان مغناطیسی, شبکه عصبی عمیق, مغناطومقاومت ناهمسانگر, یادگیری عمیق, یادگیری ماشین}Nowadays, nondestructive evaluations (NDE) techniques for the diagnosis of defects in the industrial components follow three steps: detection, location, and Determination of defect profile. Despite the fact that the NDE techniques available in the industry have fairly acceptable results for defect detection and localization, but accurate diagnosis of the shape, dimensions, and depth of the defect still remained a challenging task. In this paper, a method for reliable estimation of defect profile in conductive materials is presented using an eddy current testing (ECT) based measurement system and a post-processing technique based on deep learning approach. Accordingly, a deep learning method is used for defect characterization in metallic structures through magnetic field C-scan images which have been obtained by an anisotropic magneto-resistive (AMR) sensor. In this regards, after modeling and regulating the deep convolutional neural network (DCNN) to apply to the obtained C-scan images, the performance of the proposed deep learning method is compared with the conventional artificial neural networks (ANNs) such as multi-layer perceptron (MLP) and Radial based function (RBF) on a number of specimens with different known defects. Results confirm the superiority of the proposed approach relative to other conventional methods for defect profile estimation.Keywords: Magnetic Field Measurement, Deep Neural Network, Anisotropic Magneto-resistive, Deep Learning, Machine Learning}
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.