فهرست مقالات Convolution Neural Network

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - تبدیل توالی پروتئین به تصویر جهت طبقه¬بندی با شبکه عصبی کانولوشنی
  رضا احسن منصور ابراهیمی روح الله دیانت
  از آنجا که روش‌‌های مخصوص طبقه‌‌بندی توالی یادگیری ماشین، جهت طبقه‌‌بندی پروتئین‌‌های سالم و سرطانی موفق نبودند بنابراین یافتن راهکاری برای بازنمایی این توالی‌‌ها جهت طبقه بندی افراد سالم و مریض با رویکردهای یادگیری عمیق ضرورت تام دارد. در این مطالعه، روش‌‌های مختلف با چکیده کامل

  از آنجا که روش‌‌های مخصوص طبقه‌‌بندی توالی یادگیری ماشین، جهت طبقه‌‌بندی پروتئین‌‌های سالم و سرطانی موفق نبودند بنابراین یافتن راهکاری برای بازنمایی این توالی‌‌ها جهت طبقه بندی افراد سالم و مریض با رویکردهای یادگیری عمیق ضرورت تام دارد. در این مطالعه، روش‌‌های مختلف بازنمایی توالی پروتئین، جهت طبقه‌‌بندی توالی پروتئین افراد سالم و سرطان خون، مورد بررسی قرار گرفته است. نتایج نشان داد که تبدیل حروف اسید آمینه به بردار ویژگی یک‌‌بعدی در طبقه بندی 2 کلاس موفق نبود و فقط یک کلاس مریض تشخیص داده شد. با تغییر بردار ویژگی به‌‌صورت اعداد رنگی دقت تشخیص کلاس سالم کمی بهبود یافت. روش بازنمایی توالی پروتئینی به‌‌صورت یکپارچه دودویی، با ابتکار حفظ دنباله توالی در دو حالت یک‌بعدی و دوبعدی(تصویر با اعمال فیلتر گابور)، نسبت به روشهای قبلی موثرتر بود. بازنمایی توالی پروتئین به شکل تصویر دودویی با اعمال فیلتر گابور با دقت 100% توالی پروتئین افراد سالم و 98.6% توالی پروتئین افراد دارای سرطان خون را طبقه‌‌بندی کرد. یافته‌‌های این تحقیق نشان داد که بازنمایی توالی پروتئین به شکل تصویر دودویی با اعمال فیلتر گابور، می‌‌تواند به‌‌عنوان روش موثر جدید دربازنمایی توالی‌‌های پروتئینی جهت طبقه‌‌بندی، ارایه نماید. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  2 - Edge Detection and Identification using Deep Learning to Identify Vehicles
  Zohreh Dorrani Hassan Farsi Sajad Mohammadzadeh
  10.52547/jist.16385.10.39.201
  A deep convolution neural network (CNN) is used to detect the edge. First, the initial features are extracted using VGG-16, which consists of 5 convolutions, each step is connected to a pooling layer. For edge detection of the image, it is necessary to extract informati چکیده کامل

  A deep convolution neural network (CNN) is used to detect the edge. First, the initial features are extracted using VGG-16, which consists of 5 convolutions, each step is connected to a pooling layer. For edge detection of the image, it is necessary to extract information of different levels from each layer to the pixel space of the edge, and then re-extract the feature, and perform sampling. The attributes are mapped to the pixel space of the edge and a threshold extractor of the edges. It is then compared with a background model. Using background subtraction, foreground objects are detected. The Gaussian mixture model is used to detect the vehicle. This method is performed on three videos, and compared with other methods; the results show higher accuracy. Therefore, the proposed method is stable against sharpness, light, and traffic. Moreover, to improve the detection accuracy of the vehicle, shadow removal conducted, which uses a combination of color and contour features to identify the shadow. For this purpose, the moving target is extracted, and the connected domain is marked to be compared with the background. The moving target contour is extracted, and the direction of the shadow is checked according to the contour trend to obtain shadow points and remove these points. The results show that the proposed method is very resistant to changes in light, high-traffic environments, and the presence of shadows, and has the best performance compared to the current methods. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  3 - Hierarchical Weighted Framework for Emotional Distress Detection using Personalized Affective Cues
  Nagesh Jadhav
  10.52547/jist.16499.10.38.89
  Emotional distress detection has become a hot topic of research in recent years due to concerns related to mental health and complex nature distress identification. One of the challenging tasks is to use non-invasive technology to understand and detect emotional distres چکیده کامل

  Emotional distress detection has become a hot topic of research in recent years due to concerns related to mental health and complex nature distress identification. One of the challenging tasks is to use non-invasive technology to understand and detect emotional distress in humans. Personalized affective cues provide a non-invasive approach considering visual, vocal, and verbal cues to recognize the affective state. In this paper, we are proposing a multimodal hierarchical weighted framework to recognize emotional distress. We are utilizing negative emotions to detect the unapparent behavior of the person. To capture facial cues, we have employed hybrid models consisting of a transfer learned residual network and CNN models. Extracted facial cue features are processed and fused at decision using a weighted approach. For audio cues, we employed two different models exploiting the LSTM and CNN capabilities fusing the results at the decision level. For textual cues, we used a BERT transformer to learn extracted features. We have proposed a novel decision level adaptive hierarchical weighted algorithm to fuse the results of the different modalities. The proposed algorithm has been used to detect the emotional distress of a person. Hence, we have proposed a novel algorithm for the detection of emotional distress based on visual, verbal, and vocal cues. Experiments on multiple datasets like FER2013, JAFFE, CK+, RAVDESS, TESS, ISEAR, Emotion Stimulus dataset, and Daily-Dialog dataset demonstrates the effectiveness and usability of the proposed architecture. Experiments on the enterface'05 dataset for distress detection has demonstrated significant results. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  4 - پیش بینی بار کاری ماشین های مجازی به منظور کاهش مصرف انرژی در مراکز داده ابری با استفاده از ترکیب مدل های یادگیری ژرف
  زینب خداوردیان خداوردیان حسین صدر مژده نظری سلیماندارابی سید احمد عدالت پناه
  افزایش تقاضا براي کاربردهاي مبتني بر ابر و استفاده ناکارآمد از منابع، موجب مصرف بيرویه انرژي در مراکز داده ابري شده است. مدیریت پویاي منابع در مراکز داده با هدف کاهش مصرف انرژي، از طریق پیشبیني بار کاري ماشین مجازي امکانپذیر است. پیشبیني بار کاري ماشین مجازي این امکان چکیده کامل

  افزایش تقاضا براي کاربردهاي مبتني بر ابر و استفاده ناکارآمد از منابع، موجب مصرف بيرویه انرژي در مراکز داده ابري شده است. مدیریت پویاي منابع در مراکز داده با هدف کاهش مصرف انرژي، از طریق پیشبیني بار کاري ماشین مجازي امکانپذیر است. پیشبیني بار کاري ماشین مجازي این امکان را ميدهد که ماشین مجازي متناسب با درخواست کاربران در زمان مناسب مهاجرت کند و در مصرف انرژي موثر باشد و منابع را به کارآمدترین روش تخصیص دهد. پیشبیني بار کاري ماشین مجازي ميتواند بر اساس الگوي درخواست کاربران باشد براي این منظور ميتوان ماشینهاي مجازي را بر اساس پیشبیني مصرف منابع )به عنوان مثال میانگین مصرف پردازنده( در کلاسهاي حساس یا غیر حساس به تأخیر دستهبندي کرد و سپس، ماشینهاي مجازي متناسب با در خواست کاربران را به آنها اختصاص داد. در واقع پیشبیني بار کاري و تحلیل پیشبیني به عنوان یک فرآیند اولیه براي مدیریت منابع )مانند کاهش تعداد مهاجرت در ادغام پویاي ماشین مجازي( باشد. از این رو در این مقاله از ترکیب شبکه عصبي پیچشي و واحد برگشتي دروازهدار بهمنظور پیشبیني بار کاري ماشینهاي مجازي مایکروسافت آزور استفادهشده است. مجموعه داده آزور یک مجموعه داده داراي برچسب است و بار کاري ماشینهاي مجازي در این مجموعه داده در دو برچسب حساس یا غیر حساس به تأخیر قرار دارند. در این مجموعه داده اکثر ماشینهاي مجازي داراي برچسب غیر حساس به تأخیر ميباشند؛ بنابراین بنابراین توزیع نمونهها در این مجموعه داده به صورت نامتوازن است از ین رو براي رفع این چالش از افزایش تصادفي نمونههاي کلاس اقلیت استفاده شده است. طبق نتایج حاصل از آزمایشها، روش پیشنهادي داراي دقت 42 / 94 است که نشاندهنده برتري مدل پیشنهادي نسبت به سایر مدلهاي پیشین است. پرونده مقاله