Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "konwolucyjne sieci neuronowe" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-6 z 6
    Tytuł:
    On training deep neural networks using a streaming approach
    Autorzy:
    Duda, Piotr
    Jaworski, Maciej
    Cader, Andrzej
    Wang, Lipo
    Powiązania:
    https://bibliotekanauki.pl/articles/91796.pdf
    Data publikacji:
    2020
    Wydawca:
    Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
    Tematy:
    deep learning
    data streams
    convolutional neural networks
    strumienie danych
    konwolucyjne sieci neuronowe
    Opis:
    In recent years, many deep learning methods, allowed for a significant improvement of systems based on artificial intelligence methods. Their effectiveness results from an ability to analyze large labeled datasets. The price for such high accuracy is the long training time, necessary to process such large amounts of data. On the other hand, along with the increase in the number of collected data, the field of data stream analysis was developed. It enables to process data immediately, with no need to store them. In this work, we decided to take advantage of the benefits of data streaming in order to accelerate the training of deep neural networks. The work includes an analysis of two approaches to network learning, presented on the background of traditional stochastic and batch-based methods.
    Źródło:
    Journal of Artificial Intelligence and Soft Computing Research; 2020, 10, 1; 15-26
    2083-2567
    2449-6499
    Pojawia się w:
    Journal of Artificial Intelligence and Soft Computing Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Klasyfikacja sygnału EKG przy użyciu konwolucyjnych sieci neuronowych
    ECG signal classification using convolutional neural networks
    Autorzy:
    Ogryczak, Maria
    Powiązania:
    https://bibliotekanauki.pl/articles/1841908.pdf
    Data publikacji:
    2020
    Wydawca:
    Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
    Tematy:
    EKG
    arytmia
    uczenie głębokie
    konwolucyjne sieci neuronowe
    ECG
    arrhythmia
    deep learning
    convolutional neural networks
    Opis:
    Podniesienie jakości i zautomatyzowanie procesu diagnozy jest istotnym elementem rozwoju medycyny i samokontroli stanu zdrowia pacjentów. Od dłuższego czasu istnieją i są stosowane różne metody analizy i klasyfikacji sygnału EKG, jednak nie zawsze ich dokładność jest zadowalająca. Największym problemem jest trudność rozpoznania istniejącej nieprawidłowości, w przypadku gdy jej reprezentacja jest podobna do prawidłowej pracy serca np. przedwczesny skurcz komorowy. W ostatnich latach obserwujemy dynamiczny rozwój nowego narzędzia z rodziny metod sztucznej inteligencji - głębokich sieci neuronowych. Cechuje je duża selektywność klasyfikacji nawet najbardziej skomplikowanych sygnałów w postaci szeregów czasowych czy obrazów, często na podstawie cech niezauważalnych dla ludzkiego oka. W niniejszym artykule przedstawiono sposób analizy zarejestrowanego sygnału elektrycznej czynności mięśnia sercowego (EKG), na podstawie pojedynczego, wyodrębnionego cyklu pracy serca. Celem badania było zdiagnozowanie sześciu różnych typów ewolucji mogących świadczyć o występowaniu arytmii. Badania przeprowadzono z wykorzystaniem ogólnodostępnej bazy danych MIT-BIH Arrhythmia Database. W celu podniesienia jakości ekstrakcji cech analizowanego sygnału, dokonano jego dekompozycji czasowo-przestrzennej przy wykorzystaniu transformacji falkowej. W rezultacie uzyskano zadowalające wyniki klasyfikacji: dokładność 92,4% i swoistość (zdolność do wykrycia braku cechy) 96,5%. Osiągnięte wyniki potwierdzają skuteczność systemu automatycznej klasyfikacji cyklów pracy serca, mogącego wspomóc lekarzy w procesie żmudnej analizy dużej liczby zarejestrowanych danych.
    Automation and improvement of diagnostic process is a vital element of medicine development and patient’s condition self-control. For a long time different ECG signal classification methods exist and are successfully applied, nevertheless their accuracy is not always satisfying enough. The lack of identification of an existing abnormality, which is very similar to a normal heartbeat is the biggest issue - for example premature ventricular contraction. Over the past few years there was a rapid development of an artificial intelligence tool - deep neural networks. They characterise by a high classification ability even the most complicated patterns in the form of time series or images, often based on features unnoticeable for human eye. In this paper the approach to electrocardiography (ECG) analysis was presented, taking into consideration a single heartbeat. The aim of this research was diagnosis of six different types of beat that may indicate arrhythmia occurrence. The study were performed on the public database MIT-BIH Arrhythmia Database. In order to enhance feature extraction quality of the analysed signal the time-space decomposition was made using wavelet transform. The satisfying performance with 92.4% accuracy and 96.5% specificity were accomplished. The achieved results may be used to develop an automatic heartbeat classification system that would significantly contribute medicians in the arduous process of data analysis.
    Źródło:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2020, 71; 51-54
    1425-5766
    2353-1290
    Pojawia się w:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Estimating the distance to an object from grayscale stereo images using deep learning
    Autorzy:
    Kulawik, Joanna
    Powiązania:
    https://bibliotekanauki.pl/articles/2202043.pdf
    Data publikacji:
    2022
    Wydawca:
    Politechnika Częstochowska. Wydawnictwo Politechniki Częstochowskiej
    Tematy:
    estimating distance
    stereo vision
    convolutional neural network
    deep learning
    szacowanie odległości
    widzenie stereoskopowe
    konwolucyjne sieci neuronowe
    uczenie głębokie
    Opis:
    This article presents an innovative proposal for estimating the distance between an autonomous vehicle and an object in front of it. Such information can be used, for example, to support the process of controlling an autonomous vehicle. The primary source of information in research is monochrome stereo images. The images were made in compliance with the laws of the canonical order. The developed convolutional neural network model was used for the estimation. A proprietary dataset was developed for the experiments. The analysis was based on the phenomenon of disparity in stereo images. As a result of the research, a correctly trained model of the CNN network was obtained in six variants. High accuracy of distance estimation was achieved. This publication describes an original proposal for a hybrid blend of digital image analysis, stereo-vision, and deep learning for engineering applications.
    Źródło:
    Journal of Applied Mathematics and Computational Mechanics; 2022, 21, 4; 60--72
    2299-9965
    Pojawia się w:
    Journal of Applied Mathematics and Computational Mechanics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Early detection and localization of stator inter-turn short circuit faults based on variational mode decomposition and deep learning in induction motor
    Autorzy:
    Guedidi, Asma
    Laala, Widad
    Guettaf, Abderrazak
    Arif, Ali
    Powiązania:
    https://bibliotekanauki.pl/articles/27313828.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    convolutional neural networks
    CNNs
    deep learning
    short circuit fault diagnosis
    variational mode decomposition
    information map
    silnik indukcyjny
    konwolucyjne sieci neuronowe
    uczenie głębokie
    mapa informacyjna
    Opis:
    The existing diagnostic techniques for detecting inter-turn short circuits (ITSCs) in induction motors face two primary challenges. Firstly, they suffer from reduced sensitivity, often failing to detect ITSCs when only a few turns are short-circuited. Secondly, their reliability are compromised by load fluctuations, leading to false alarms even in the absence of actual faults. To address these issues, a novel intelligent approach to diagnose ITSC fault is proposed. Indeed, this method encompasses three core components: a novel multi-sensor fusion technique, a knowledge map, and enhanced Convolutional Neural Networks (CNNs). First, the raw data collected from multiple sensors undergoes a transformation into 2D data using a novel image transformation based on Hilbert transform (HT) and variational mode decomposition (VMD), which is concatenate to a novel information map including frequency fault information and rotational speed. Then, this 3D multi information image is used as input to an improvement CNN model that apply a transfer learning for an enhanced version of SqueezNet with incorporating a novel attention mechanism module to precisely identify fault features. Experimental results and performance comparisons demonstrate that the proposed model attains high performance surpassing other Deep Learning (DL) methods in terms of accuracy. In addition, the model has consistently demonstrated its ability to make precise predictions and accurately classify fault severity, even under different working conditions.
    Źródło:
    Diagnostyka; 2023, 24, 4; art. no. 2023401
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Multi-feature ensemble system in the renal tumour classification task
    Autorzy:
    Osowska-Kurczab, Aleksandra Maria
    Markiewicz, Tomasz
    Dziekiewicz, Miroslaw
    Lorent, Malgorzata
    Powiązania:
    https://bibliotekanauki.pl/articles/2173572.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    medical imaging
    renal cell carcinoma
    convolutional neural networks
    textural features
    support vector machine
    computer vision
    deep learning
    technika deep learning
    obrazowanie medyczne
    rak nerkowokomórkowy
    konwolucyjne sieci neuronowe
    cechy tekstury
    maszyna wektorów nośnych
    wizja komputerowa
    głęboka nauka
    Opis:
    Recently, the analysis of medical imaging is gaining substantial research interest, due to advancements in the computer vision field. Automation of medical image analysis can significantly improve the diagnosis process and lead to better prioritization of patients waiting for medical consultation. This research is dedicated to building a multi-feature ensemble model which associates two independent methods of image description: textural features and deep learning. Different algorithms of classification were applied to single-phase computed tomography images containing 8 subtypes of renal neoplastic lesions. The final ensemble includes a textural description combined with a support vector machine and various configurations of Convolutional Neural Networks. Results of experimental tests have proved that such a model can achieve 93.6% of weighted F1-score (tested in 10-fold cross validation mode). Improvement of performance of the best individual predictor totalled 3.5 percentage points.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2021, 69, 3; art. no. e136749
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Multi-feature ensemble system in the renal tumour classification task
    Autorzy:
    Osowska-Kurczab, Aleksandra Maria
    Markiewicz, Tomasz
    Dziekiewicz, Miroslaw
    Lorent, Malgorzata
    Powiązania:
    https://bibliotekanauki.pl/articles/2128157.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    medical imaging
    renal cell carcinoma
    convolutional neural networks
    textural features
    support vector machine
    computer vision
    deep learning
    technika deep learning
    obrazowanie medyczne
    rak nerkowokomórkowy
    konwolucyjne sieci neuronowe
    cechy tekstury
    maszyna wektorów nośnych
    wizja komputerowa
    głęboka nauka
    Opis:
    Recently, the analysis of medical imaging is gaining substantial research interest, due to advancements in the computer vision field. Automation of medical image analysis can significantly improve the diagnosis process and lead to better prioritization of patients waiting for medical consultation. This research is dedicated to building a multi-feature ensemble model which associates two independent methods of image description: textural features and deep learning. Different algorithms of classification were applied to single-phase computed tomography images containing 8 subtypes of renal neoplastic lesions. The final ensemble includes a textural description combined with a support vector machine and various configurations of Convolutional Neural Networks. Results of experimental tests have proved that such a model can achieve 93.6% of weighted F1-score (tested in 10-fold cross validation mode). Improvement of performance of the best individual predictor totalled 3.5 percentage points.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2021, 69, 3; e136749, 1--8
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-6 z 6

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies