فهرست مقالات الگوریتم¬های فرا ابتکاری گرگ خاکستری

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - یک روش مبتنی بر شبکه عصبی عمیق بهینه شده با الگوریتم هافمن و الگوریتم¬های فرا ابتکاری برای فشرده¬سازی و بازسازی تصویر پزشکی
  محمد حسین  خلیفه مهدی  تقی زاده محمدمهدی قنبریان جاسم جمالی
  این تحقیق از دو رویکرد مختلف برای فشرده‌سازی عکس‌های پزشکی برای اهداف بلندمدت استفاده می‌کند. در روش اول، تصاویر با استفاده از رمز هافمن فشرده شده و سپس با استفاده از مدل‌سازی سلسله مراتبی بر اساس طبقه‌بندی طراحی شده توسط شبکه عصبی ساده‌سازی می‌شوند. در روش دوم از یک اس چکیده کامل

  این تحقیق از دو رویکرد مختلف برای فشرده‌سازی عکس‌های پزشکی برای اهداف بلندمدت استفاده می‌کند. در روش اول، تصاویر با استفاده از رمز هافمن فشرده شده و سپس با استفاده از مدل‌سازی سلسله مراتبی بر اساس طبقه‌بندی طراحی شده توسط شبکه عصبی ساده‌سازی می‌شوند. در روش دوم از یک استراتژی پیش‌بینی مبتنی بر آموزش شبکه عصبی عمیق استفاده شده است. این روش از یک شبکه عصبی آموزش‌دیده برای استنتاج مکان‌های پیکسل‌های منفرد استفاده می‌کند و از این رو، مقدار داده‌های مورد نیاز برای توصیف یک تصویر را کاهش می‌دهد. رمزگذاری فشرده¬سازی هافمن روی داده¬های باقی¬مانده استفاده می¬شود. یک روش فیلتر فضایی پیشرفته برای رمزگشایی داده‌های تصویر استفاده می‌شود و سپس الگوریتم‌های فراابتکاری بهینه‌سازی اسب وحشی و بهینه‌سازی گرگ خاکستری برای تولید یک تصویر بازسازی‌شده استفاده می‌شوند. رویکردهای پیشنهادی امکان ساده‌سازی تصویر را فراهم می‌کنند که منجر به رمزگشایی سریع‌تر شده است. مدولاسیون شاخص تشابه ساختاری، زمان و نسبت سیگنال به نویز پیک به ترتیب به طور متوسط 2، 1/30 و 15/15 درصد نسبت به سایر روش¬ها بهبود یافته است. الگوریتم‌های پیشنهادی می‌توانند عکس‌های پزشکی را با کیفیت بسیار بالایی در مقایسه با روش‌های مبتنی بر یادگیری عمیق فعلی فشرده کنند. پرونده مقاله