۴ نتیجه برای یادگیری عمیق
مهدی عمادالاسلامی، حسن مجیدی، دکتر محمودرضا حقی فام،
دوره ۱۹، شماره ۱ - ( ۱-۱۴۰۱ )
چکیده
شرکت‌های برق از دیرباز به دنبال شناسایی و کاهش موارد برق‌دزدی به‌عنوان اصلی‌ترین بخش تلفات غیر فنی بوده‌اند.از طرفی شناسایی این موارد لزوماً از طریق بازرسی مشترکین ممکن است که شرکت‌های برق به دلایلی نظیر هزینه بالا، تعداد مشترکین و ... به دنبال کاهش محدوده بازرسی به موارد با احتمال برق‌دزدی بیشتر هستند. یکی از راهکارهای کاهش محدوده بازرسی، استفاده از روشهای هوش مصنوعی است، اما چالش مهمی که در این حوزه وجود دارد عدم تعادل در نسبت مشرکین مشکوک به مشترکین عادی است که منجر به عملکرد ضعیف الگوریتم‌ها می‌شود. در این مقاله باهدف غلبه بر این چالش با فرض اینکه بتوان رفتار مشترک مشکوک را به‌صورت تابع ریاضی از رفتار مشترک عادی بیان کرد، در مرحله اول الگوی مصرف مشترکین عادی و مشکوک دسته‌بندی‌شده است؛ سپس یک شبکه عمیق اولیه جهت مدل‌سازی رفتار مشترکین مشکوک آموزش داده‌شده است. در ادامه به کمک شبکه آموزش داده‌شده اولیه، سناریوهای محتمل برق‌دزدی به ازای مشترکین عادی پیش‌بینی‌شده است. درنهایت یک شبکه عمیق ثانویه جهت تفکیک مشترکین عادی و مشکوک آموزش داده‌شده است. بررسی مدل پیشنهادی به ازای سناریوهای مختلف و مقایسه با تحقیقات پیشین بر روی مجموعه داده واقعی با بیش از ۶۰۰۰ مشترک عملکرد بالای آن را نشان می‌دهد.
نسترن آقائی، دکتر غلامرضا اکبری زاده، دکتر عبدالنبی کوثریان،
دوره ۱۹، شماره ۳ - ( ۴-۱۴۰۱ )
چکیده
بخشبندی معنایی عمیق تصاویر به عنوان راه حلی یکپارچه در آنالیز تصاویر مبتنی بر طبقه بندی تک تک پیکسل های تصویر بوده و بخصوص در کاربردهایی مانند شناسایی نشت نفت در آبهای آزاد که در آن مرز اشیا و نواحی به طور مشخص قابل تفکیک نیستند، مورد توجه قرار می گیرد. به منظور کنترل هرچه بیشتر آلودگی و مخاطرات زیست محیطی ناشی از نشت نفت، ارائه روشهایی با دقت بیشتر از اهمیت ویژه ای برخوردار است. تصاویر رادار روزنه مصنوعی دراین زمینه بسیار پرکاربرد بوده و با چالش هایی از جمله نویز اسپکل و نیز تشخیص نواحی لکه نفتی و شبه لکه نفتی مواجه هستند. بکارگیری روشهای نوین یادگیری عمیق می تواند در کاهش دخالت سلیقه انسانی در تصمیم گیری کمک کند. در این مقاله از روش مخلوط کردن کانالهای ویژگی در شبکه های کانولوشنی عمیق، بلوکهای آتروس و بخشهای رمزگشایی استفاده شده است که علاوه بر کاهش پیچیدگی های محاسباتی، نتایج بخش بندی لکه های نفتی به مراتب بهتر از سایر روشها می دهد. معماری شبکه ارائه شده مبتنی بر معماری vgg۱۶ می باشد. دقت کلی، صحت، همپوشانی بر واحد، IoU وزندار و امتیاز BF به عنوان پارامترهای ارزیابی در نظر گرفته شده اند. در روش ارائه شده، دقت بخش بندی لکه های نفتی و شبه لکه های نفتی به ترتیب به میزان ۸/۷% و ۳/۷% نسبت به روشهای پیشین بهبود یافته است.
دکتر سکینه اسدی امیری، محمدسام اندی،
دوره ۲۲، شماره ۱ - ( ۲-۱۴۰۴ )
چکیده
پسته، گیاهی گل‌دار از تیره پسته‌ایان است که بسته به شکل ظاهری آن به انواع مختلفی تقسیم می‌شود. این میوه قیمت و ارزش غذایی بالایی دارد و تشخیص دقیق نوع و بسته‌بندی بر اساس آن از چالش‌های صادرات پسته به‌شمار می‌رود. دستهبندی پسته اغلب توسط ماشین‌های الکترومکانیکی انجام می‌شود؛ اما این دستگاه‌ها دقت لازم را ندارند و موجب آسیب به مغز پسته می‌شوند. بنابراین نیاز به فناوریهای جدیدی برای دستهبندی و جداسازی انواع پسته محسوس است. در این پژوهش، با استفاده از نسخه اصلاح‌شده مدل یادگیری عمیق MobileNetV۳، گونه‌های پسته را شناسایی کردیم. همچنین با به‌کارگیری نسخه Small موبایل‌نت، می‌توانیم مدل یاد گرفته شده را بر روی تلفن‌های هوشمند اجرا کنیم، زیرا این مدل به دلیل بهینگی پردازشی، برای این امر مناسب است. برای این تحقیق، از مجموعه داده‌ای از ۲۱۴۸ تصویر پسته با گونه‌های کرمیزی و سیرت استفاده شد. برای افزایش تعداد و تنوع تصاویر، داده‌افزایی روی تصاویر انجام شد. با افزایش دادهها و ایجاد تنوع در مجموعه آموزش، می‌توان از بیش‌برازش جلوگیری کرد و مدل را قادر ساخت تا به نحو بهتری داده‌های جدید را پوشش دهد. سپس از نسخه اصلاح‌شده شبکه MobileNetV۳ برای شناسایی گونه‌های پسته استفاده کردیم. روش پیشنهادی ما توانست با دقت ۹۹,۳۰% این دو گونه پسته را شناسایی کند و برتر از روشهای موجود است.
دکتر سمیرا مودّتی، خانم هانیه سادات اظهری لمراسکی،
دوره ۲۲، شماره ۲ - ( ۳-۱۴۰۴ )
چکیده
چکیده: تومورهای مغزی یکی از شایع‌ترین و کشنده‌ترین نوع سرطان هستند. تشخیص دقیق و به موقع این دسته از تومور‌ها برای مدیریت بیماری و پیش آگهی موفق بیمار، ضروری است. همچنین تشخیص دقیق نوع تومور مغزی نقشی حیاتی در تعیین مسیر درمان ایفا می‌نماید. با شناخت نوع تومور، پزشک می‌تواند مناسب‌ترین روش درمانی را انتخاب کند که می‌تواند شامل جراحی، پرتودرمانی، شیمی درمانی یا ترکیبی از این روشها باشد. همچنین نوع تومور به پیش‌بینی پیشرفت بیماری و کیفیت زندگی پس از درمان بیمار کمک می‌نماید. در سال‌های اخیر، یادگیری عمیق به عنوان ابزاری قدرتمند برای وظایف مختلف پردازش تصویر، از جمله تشخیص تومور مغزی، بکار گرفته شده است. در این مقاله، مدل‌های مختلف یادگیری عمیق مانند CNN، RNN، VGG۱۶،InceptionV۳ و رزنت۱۰۱ به منظور تشخیص نوع تومور مغزی از مجموعه داده Figshare مبتنی‌بر تصاویر ام‌آر‌آی تومورهای مغزی گلیوم، مننژیوم، هیپوفیز، و بدون تومور بررسی و در نهایت یک مدل عمیق مناسب مبتنی‌بر رزنت ۱۰۱ در ترکیب با یادگیری انتقالی پیشنهاد می‌شود. یافته‌های مقاله براساس معیارهای مختلف و نیز تست آماری نشان می‌دهد که مدل‌های عمیق می‌توانند به طور موثر برای تشخیص تومور مغزی مورد استفاده قرار گیرند. در این میان مدل عمیق رزنت۱۰۱ توانسته است دقت ۳۷/%۹۸ در تشخیص چهار کلاس معرفی شده را بدست آورد. این مطالعه نشان می‌دهد که یادگیری عمیق پتانسیل قابل توجهی برای بهبود دقت تشخیص تومور مغزی را دارد.
