-
حرية الوصول المقاله
1 - ParsAirCall: تلفن گویای محاوره ای خودکار در مرکز تماس فرودگاهی با استفاده از یادگیری انتقالی عمیق
محمد منثوری سهیل تهرانی پور سمانه یزدانیدر دنیای امروز با عنایت به پیشرفتهای هوش مصنوعی، سامانههای سنتی موجود در تعامل با مخاطبین در تماسهای تلفنی کارآمد نخواهند بود و این کارآمدی با اتوماسیون و خودکارسازی فعالیتهای تکراری بهبود خواهد یافت. در این مقاله، ابزار ParsAirCall معرفی شده است که یک ابزار برای تش أکثردر دنیای امروز با عنایت به پیشرفتهای هوش مصنوعی، سامانههای سنتی موجود در تعامل با مخاطبین در تماسهای تلفنی کارآمد نخواهند بود و این کارآمدی با اتوماسیون و خودکارسازی فعالیتهای تکراری بهبود خواهد یافت. در این مقاله، ابزار ParsAirCall معرفی شده است که یک ابزار برای تشخیص خودکار گفتار فارسی اعداد در سامانههای فرودگاهی است که از یادگیری انتقالی عمیق برای بهبود عملکرد در محیطهای واقعی و عملیاتی سامانههای هوشمند تلفنی گویا در فرودگاههای کشور میباشد. ParsAirCall با تعداد کمتر پارامترها و منابع محاسباتی بهینهتر و نیز دقت بالاتر از مدلهای رقیب عمل میکند. به دلیل محدودیت دادههای موجود برای تشخیص گفتار در زبان فارسی، یک مجموعه دادگان 30ساعته تلفنی جمعآوری و برچسبگذاری شده و برای آموزش مدل نهایی مورد استفاده قرار گرفته است. آزمایشها روی هر دو مجموعه داده تلفنی جمعآوری شده توسط ما و پروژه Common Voice انجام شدند، که کارایی ParsAirCall را در دستیابی به 2.7% میزان WER در تشخیص اعداد در تماسهای تلفنی فرودگاهی را نشان میدهد. ParsAirCall میتواند به راحتی به عنوان یک سرویس در هر سیستمهای تلفنی فرودگاهی فارسی زبان ادغام شود، که آن را به یک ابزار قابل اجرا برای تشخیص اعداد در مراکز تماس و سیستمهای تلفنی فرودگاهی تبدیل کند. تفاصيل المقالة -
حرية الوصول المقاله
2 - طبقه بندی میوه پاپایا برمبنای رسیدگی، با استفاده از یادگیری ماشین و رویکرد یادگیری انتقالی
محمد قربانی مصطفی قاضی زاده احسائی کاظم جعفری نعیمیدرجه بندی و بسته بندی میوه ها بر اساس بازرسی های بصری می تواند زمان بر، مخرب و غیر قابل اطمینان باشد. هدف از پژوهش انجام شده ارائه یک روش طبقه بندی هوشمند، سریع و قابل اطمینان جهت تشخیص میزان رسیدگی میوه پاپایا در سه سطح نارس، نمیه رسیده و رسیده میباشد.تعدادکل تصاویر مو أکثردرجه بندی و بسته بندی میوه ها بر اساس بازرسی های بصری می تواند زمان بر، مخرب و غیر قابل اطمینان باشد. هدف از پژوهش انجام شده ارائه یک روش طبقه بندی هوشمند، سریع و قابل اطمینان جهت تشخیص میزان رسیدگی میوه پاپایا در سه سطح نارس، نمیه رسیده و رسیده میباشد.تعدادکل تصاویر مورد استفاده در این مقاله 300 تصویر می باشد که برای هر کدام از سطوح تعداد 100 تصویر جمع آوری گردیده است.در این پژوهش استفاده از دو رویکرد یادگیری ماشین و یادگیری انتقالی برای طبقه بندی وضعیت میزان رسیدگی میوه پاپایا پیشنهاد شده است.رویکرد یادگیری ماشین شامل استفاده از سه توصیف گر ویژگی و سه طبقه بندی کننده مختلف می باشدکه عبارت انداز: الگوریتم دو دویی محلی (LBP)، ماتریس هم رخداد سطح خاکستری (GLCM)،هیستوگرام گرادیان های جهت دار(HOG)، الگوریتم طبقه بندیk- نزدیک ترین همسایه(KNN)، ماشین بردار پشتیبان(SVM)، و الگوریتم طبقه بندی کننده بیزی ساده (Naïve Bayes). روشهای یادگیری انتقالی شامل استفاده از شش مدل یاد گیری عمیق از پیش آموزش داده شده Alexnet,Googlenet,Resnet101,Resnet50,Resnet18,VGG19 می باشد.طبقه بندیکننده KNN با استفاده از توصیف گر ویژگی HOG توانسته است به صحت4/95 درصد و زمان آموزش 3:52 ثانیه دست پیدا کند.طبقه بندی کننده مبتنی بر رویکرد یادگیری انتقالی VGG19 با بدست آوردن صحت 100 درصدی و زمان آموزش 10:42 ثانیه توانست عملکرد بهتری را در میان سایر شبکه های یادگیری عمیق ثبت کند.دو روش طبقه بندی با استفاده از روش های یادگیری ماشین و یادگیری انتقالی توانستهاند هر کدام صحت 4/95، و 100 درصدی را بدست بیاورند که به ترتیب 7/0 و 6 درصد بیشتر از روشهای پیشنهادی موجود می باشد. تفاصيل المقالة -
حرية الوصول المقاله
3 - Sleep stages classification based on deep transfer learning method using PPG signal
Mohammad Moradi Mohammad Fatehi Hassan Masoumi Mehdi TaghizadehSleep stages classification using the signal analysis includes EEG, EOG, EMG, PPG, and ECG. In this study, the proposed method using transfer learning to sleep stages classification. First, we have used the two PPG signals for this method It is important to use a less c أکثرSleep stages classification using the signal analysis includes EEG, EOG, EMG, PPG, and ECG. In this study, the proposed method using transfer learning to sleep stages classification. First, we have used the two PPG signals for this method It is important to use a less complex signal. The PPG signal has the least complexity, and in this article, we used this signal for transitional learning. In this study, we extracted 52 features from two signals and prepared them for the classification stage. This method includes two steps, (a) Train data PPG1 and Test data PPG2, (b) Train data PPG2 and Test data PPG1. Results proved that our method has acceptable reliability for classification. The accuracy of 94.26% and 96.49% has been reached. تفاصيل المقالة -
حرية الوصول المقاله
4 - Two-level Ensemble Deep Learning for Traffic Management using Multiple Vehicle Detection in UAV Images
Zeinab Ghasemi Darehnaei Seyed Mohammad Jalal Rastegar Fatemi Seyed Mostafa Mirhassani Majid FouladianEnvironmental monitoring via vehicle detecting using unmanned aerial vehicle (UAV) images is a challenging task, due to small-size, low-resolution, and large-scale variation of the objects. In this paper, a two-level ensemble deep learning (named 2EDL) based on Faster R أکثرEnvironmental monitoring via vehicle detecting using unmanned aerial vehicle (UAV) images is a challenging task, due to small-size, low-resolution, and large-scale variation of the objects. In this paper, a two-level ensemble deep learning (named 2EDL) based on Faster R-CNN (regional-based convolutional neural network) is introduced for multiple vehicle detection in UAV images. We use three CNN models (VGG16, ResNet50, and GoogLeNet) that have already pre-trained on huge auxiliary data as feature extraction tools, combined with five learning models (KNN, SVM, MLP, C4.5 Decision Tree, and Naïve Bayes), resulting 15 different base learners in two levels. The final class is obtained via a majority vote rule ensemble of these 15 models into five vehicle classes (car, van, truck, bus, trailer) or “no-vehicle”. Simulation results on the AU-AIR dataset of UAV images show the superiority of the proposed 2EDL technique against existing methods, in terms of the total accuracy, and FPR-FNR trade-off. تفاصيل المقالة -
حرية الوصول المقاله
5 - An Ensemble Deep Learning Model for Detection Covid-19 from CT Scan Images
Habib IzadkhahDiagnosis of covid-19 using deep learning on CT scan images can play an important role in helping doctors. In this paper, by combining EfficientNet-B2 and vision transformers (V iT − 1 − 32) neural networks a new deep transfer learning is proposed. For evaluation, con-f أکثرDiagnosis of covid-19 using deep learning on CT scan images can play an important role in helping doctors. In this paper, by combining EfficientNet-B2 and vision transformers (V iT − 1 − 32) neural networks a new deep transfer learning is proposed. For evaluation, con-fusion matrix, precision, accuracy, recall, and F1 score are used. The experimental results are 0.9838 for validation accuracy, 0.9667 for test accuracy, and 0.9839 for accuracy. تفاصيل المقالة