فهرس المقالات convolutional neural network (CNN)

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - تشخیص تومور مغزی در تصاویر رزونانس مغناطیسی با استفاده از شبکه عصبی کانولوشنی عمیق
  میترا  افسری نژاد نبي اله شیری رامین براتی
  در این مقاله، تشخیص تومور مغز از طریق به کارگیری تکنیک‌های پیشرفته یادگیری عمیق مورد بررسی قرار گرفته است. رویکرد این مطالعه شامل توسعه و آموزش یک معماری جامع از شبکه عصبی کانولوشنی (CNN) با بهره‌گیری از یک مجموعه داده گسترده از تصاویر رزونانس مغناطیسی مغز (MRI) می¬باشد أکثر

  در این مقاله، تشخیص تومور مغز از طریق به کارگیری تکنیک‌های پیشرفته یادگیری عمیق مورد بررسی قرار گرفته است. رویکرد این مطالعه شامل توسعه و آموزش یک معماری جامع از شبکه عصبی کانولوشنی (CNN) با بهره‌گیری از یک مجموعه داده گسترده از تصاویر رزونانس مغناطیسی مغز (MRI) می¬باشد، مدل پیشنهادی در طبقه‌بندی بافت معمولی مغز و مناطق تحت تأثیر تومور بسیار توانمند است. این معماری شامل لایه‌های متعدد از جمله لایه‌های کانولوشنی، نرمال‌سازی دسته‌ای و لایه‌های پولینگ است که در نهایت به یک لایه قوی طبقه‌بندی منجر می‌شود. از طریق آموزش دقیق و بهینه‌سازی، شبکه عصبی کانولوشنی معرفی‌شده توانسته است در طبقه‌بندی تومور مغز به دقت بالایی دست یابد. اثربخشی این مدل پیشنهادی از طریق آزمایشات جامع به نمایش گذاشته شده که نشان‌دهنده قابلیت آن در تشخیص دقیق تومور مغز است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - Diagnosis of anomalies in Thyroid Gland Images Based on Feature Extraction from Capsule Network Architecture.
  Mahin Tasnimi Hamid Reza Ghaffari
  10.22094/jcr.2021.687484
  Diagnosing benign and malignant glands in thyroid ultrasound images is considered as a challenging issue. Recently, deep learning techniques have significantly resulted in extracting features from medical images and classifying them. Convolutional networks ignore the hi أکثر

  Diagnosing benign and malignant glands in thyroid ultrasound images is considered as a challenging issue. Recently, deep learning techniques have significantly resulted in extracting features from medical images and classifying them. Convolutional networks ignore the hierarchical structure of entities within images and do not pay attention to spatial information as well as the need for a large number of training samples. Capsule networks consist of different hierarchical capsules equivalent to the same layers in the CNN neural network. This study tried to extract textural features using a deep learning model based on a capsule network. Thyroid ultrasound images were given to the capsule network as input data, and finally the features learned in the capsule network were used to teach the Support Vector Machine classifier, in order to diagnose thyroid cancer. Experimental results showed that the proposed method with 98% accuracy has achieved better results compared to convolutional networks. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - Automatic offline identification of signature author based on deep learning and its evaluation in noisy conditions
  Davood Keykhosravi Seyed Naser Razavi Kambiz Majidzadeh Amin Babazadeh sangar
  Signature identification plays an important role in many areas such as banking, administrative and judicial systems. For this purpose, in this paper, an automatic intelligent framework is developed by combining a deep pre-trained network with a recurrent neural network. أکثر

  Signature identification plays an important role in many areas such as banking, administrative and judicial systems. For this purpose, in this paper, an automatic intelligent framework is developed by combining a deep pre-trained network with a recurrent neural network. The results of the proposed model were evaluated on several valid datasets and collected datasets. Since there was no suitable Persian signature dataset, we collected a Persian signature dataset based on US ASTM guidelines and standards, which can be very effective and profound for deep approaches. Due to the very promising results of the proposed model in comparison with recent studies and conventional methods, to evaluate the resistance of the proposed model to different noises, we added Gaussian Noise, Salt and Pepper Noise, Speckle Noise, and Local var Noise in different SNRs to the raw data. The results show that the proposed model can still be resistant to a wide range of SNRs; So at 15 dB, the accuracy of the proposed method is still above 90%. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - ارائه مدل پیش‌بینی بازدهی بیت‌کوین با استفاده از روش هیبریدی یادگیری عمیق - الگوریتم تجزیه سیگنال (CEEMD- DL)
  سکینه صیادی نژاد علی اسماعیل زاده محمدرضا رستمی
  10.30495/fed.2023.700133
  چکیده با افزایش محبوبیت و فراگیر شدن رمزارزها، ایجاد و توسعه روش های پیش بینی حرکت های قیمتی در این حوزه، توجهات زیادی را به خود جلب کرده است. در این بین مدل های یادگیری عمیق (DL) با ساختارهایی مانند حافظه طولانی کوتاه مدت (LSTM) و شبکه عصبی کانولوشنی (CNN) پیشرفت هایی أکثر

  چکیده با افزایش محبوبیت و فراگیر شدن رمزارزها، ایجاد و توسعه روش های پیش بینی حرکت های قیمتی در این حوزه، توجهات زیادی را به خود جلب کرده است. در این بین مدل های یادگیری عمیق (DL) با ساختارهایی مانند حافظه طولانی کوتاه مدت (LSTM) و شبکه عصبی کانولوشنی (CNN) پیشرفت هایی در تحلیل این نوع از داده ها ایجاد کرده است. یکی دیگر از رویکردهایی که می تواند در تحلیل قیمتی بازار رمزارزها کارا باشد تجزیه سیگنال های از طریق الگوریتم هایی مانند تجزیه مد تجربی یکپارچه کامل (CEEMD) می باشد. با توجه به اهمیت مقوله پیش بینی در بازار رمز ارزها، در این تحقیق با ترکیب مدل های یادگیری عمیق و روش تجزیه مد تجربی یکپارچه کامل (CEEMD)، مدل هیبریدی CEEMD- DL(LSTM) به منظور پیش بینی بازدهی قیمتی رمز ارز بیت کوین (به عنوان محبوب ترین رمز ارز) مورد استفاده قرار گرفته است. در این راستا از داده های روزانه قیمتی بیت کوین در دوره زمانی01/01/2013 - 28/05/2022 استفاده گردید و نتایج بدست آمده با نتایج مدل های رقیب بر اساس معیارهای سنجش کارایی مقایسه شد. بر اساس نتایج بدست آمده، استفاده از مدل معرفی شده (CEEMD- DL(LSTM)) ، کارایی و دقت پیش بینی های بازدهی رمزارز بیت کوین را افزایش داده است. بر همین اساس کاربرد این مدل به منظور پیش بینی در این حوزه پیشنهاد می گردد. واژه‌های کلیدی: مدل های یادگیری عمیق (DL)، تجزیه مد تجربی یکپارچه کامل (CEEMD)، بیت کوین، تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  5 - Diagnosing skin disease using deep features based on artificial intelligence
  Hassan Masoumi Fatemeh Mosalanejad Mehdi Taghizadeh Mohammad Ghanbarian
  10.30495/ijsee.2023.1987938.1267
  Misdiagnosis of skin diseases is a common occurrence. Psoriasis is a skin disease that has many similarities with other diseases, and its incorrect diagnosis causes many problems in the treatment process. Misdiagnosis of this disease causes doctors to face problems duri أکثر

  Misdiagnosis of skin diseases is a common occurrence. Psoriasis is a skin disease that has many similarities with other diseases, and its incorrect diagnosis causes many problems in the treatment process. Misdiagnosis of this disease causes doctors to face problems during treatment. The lack of images of the disease and the database of skin diseases reduces the diagnosis and the coordination of diagnostic methods, therefore, diagnosis using different images is very useful. Today, diagnosis methods using deep features in medical images have received much attention. Artificial intelligence is one of the automatic methods of diagnosis. These methods can detect new data entering the system and keep it in memory. Therefore, in this article, two different groups of data have been identified using deep features based on artificial intelligence. In this method, the data of the first group in the form of training and testing and the data of the second group are studied gradually. If they are correctly identified, the next 0.1 chunks of data enter the network without testing. If they are wrongly recognized, they enter the training section and this reduces the training process. In this work, by training 20% of the data, i.e. the first 10% and the fourth 10%, there was no need for training because the accuracy was not less than98%. In this article, deep features of images were first extracted using convolutional neural network, and then psoriasis and eczema were diagnosed with average accuracy of98.3%and sensitivity of 97.9% in skin images using artificial intelligence. تفاصيل المقالة