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 "uczenie głębokie." wg kryterium: Temat

  Lista filtrów

Dostawca treści

Wyrównaj
Wyświetlanie 1-15 z 59
Tytuł:
Deep learning: theory and practice
Autorzy:
Cichocki, A.
Poggio, T.
Osowski, S.
Lempitsky, V.
Powiązania:
https://bibliotekanauki.pl/articles/202346.pdf
Data publikacji:
2018
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
deep learning
networks
theory
practice
uczenie głębokie
sieci
teoria
praktyka
Opis:
This Special Section of the Bulletin of the Polish Academy of Sciences on Technical Sciences is devoted to theoretical aspects of deep machine learning as well as practical applications in some areas of signal and image processing, particularly in bioengineering.
Źródło:
Bulletin of the Polish Academy of Sciences. Technical Sciences; 2018, 66, 6; 757-759
0239-7528
Pojawia się w:
Bulletin of the Polish Academy of Sciences. Technical Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Uczenie głębokie w diagnostyce medycznej
Deep Learning in Medical Diagnosis
Autorzy:
Antczak, K.
Powiązania:
https://bibliotekanauki.pl/articles/404011.pdf
Data publikacji:
2016
Wydawca:
Polskie Towarzystwo Symulacji Komputerowej
Tematy:
sieci neuronowe
diagnostyka medyczna
uczenie głębokie
neural networks
medical diagnosis
deep learning
Opis:
W pracy przeanalizowano perspektywy zastosowania metod uczenia głębokiego w diagnostyce medycznej. Jedną z kluczowych cech uczenia głębokiego jest zdolność do wyodrębniania złożonych wzorców o strukturze hierarchicznej. Wzorce takie występują również w diagnostyce, jako tak zwane diamenty diagnostyczne. Zastosowanie głębokich sieci neuronowych mogłoby poprawić jakość klasyfikatorów wykrywających choroby na podstawie objawów. Dodatkowo umożliwiłoby to sterowanie czułoscią i swoistością klasyfikatorów.
In this paper we analyze perspectives of applying deep learning methods in a field of medical diagnosis. One of key features of deep learning is ability to extract complex, hierarchical patterns. Such patterns are present also in a medical diagnosis, where they are known as diagnostic diamonds. Applying deep neural networks could increase performance of medical classifiers. Moreover, it would allow to adjust sensitivity and specificity of classifiers.
Źródło:
Symulacja w Badaniach i Rozwoju; 2016, 7, 3-4; 83-88
2081-6154
Pojawia się w:
Symulacja w Badaniach i Rozwoju
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Diagnozowanie stanu retinopatii cukrzycowej przy pomocy głębokich sieci neuronowych
Classification of the stage of the disease by deep neural networks
Autorzy:
Jarzembiński, B.
Kwasigroch, A.
Grochowski, M.
Powiązania:
https://bibliotekanauki.pl/articles/267831.pdf
Data publikacji:
2018
Wydawca:
Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
Tematy:
uczenie głębokie
sieci neuronowe
retinopatia cukrzycowa
deep learning
neural networks
diabetic retinopathy
Opis:
W referacie opisano problem wykrywania oraz klasyfikacji stanu retinopatii cukrzycowej ze zdjęć dna oka przy pomocy głębokich sieci neuronowych. Retinopatia cukrzycowa jest chorobą oczu często występującą u osób z cukrzycą. Nieleczona prowadzi do uszkodzenia wzroku, a nawet ślepoty. W pracy badawczej opracowano system wykrywania retinopatii cukrzycowej na podstawie zdjęć dna oka. Opracowana sieć neuronowa przypisuje stan choroby w 5 stopniowej skali – od braku choroby do najbardziej zaawansowanego stanu choroby. Zaproponowano specjalny system kodowania klas w celu uchwycenia wielkości różnicy pomiędzy rzeczywistymi a predykowanymi stanami choroby. Uzyskano wysokie wyniki klasyfikacji na zbiorze testowym. W celu oceny skuteczności działania systemu wykorzystano miary statystyczne takie jak ważona Kappa i dokładność.
In the paper we described computer aided detection system of diabetic retinopathy based on fundus photos of retina. Diabetic retinopathy is an eye disease associated with diabetes. Non-treated diabetic retinopathy leads to sight degeneration and even blindness. Early detection is crucial due to provide effective treatment. Currently, diabetic retinopathy detection is time consuming process, done manualy by medical specialist. The disease is dangerous issue in places where the availability of phisicians is limited. We employed the computer system that detect diabetic retinopathy and assess a stage of the disease based on retinal photo of fundus. We used one of the best image classification system – deep neural networks. Employed system assess the stage of the disease in 5 level scale – from absence of disease to the most severe stage of disease. We employed transfer learning and data augmentation to enhance classification result. Moreover we proposed special class coding system to catch the difference between real and predicted stage of disease. We tested employed system using different statistical measures like accuracy, sensitivity, specificity and Kappa score.
Źródło:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2018, 60; 37-40
1425-5766
2353-1290
Pojawia się w:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
The Study of the Influence of Architecture on Effectiveness of Deep Neural Networks Training
Badania wpływu architektury na skuteczność uczenia głębokich sieci neuronowych
Autorzy:
Kolbusz, Janusz
Różycki, Paweł
Bartczak, Tomasz
Powiązania:
https://bibliotekanauki.pl/articles/509270.pdf
Data publikacji:
2018
Wydawca:
Akademia Finansów i Biznesu Vistula
Tematy:
deep learning
ANN architectures
Bridged MLP
NBN
uczenie głębokie
architektury sztucznych sieci neuronowych
Opis:
Paper presents impact of the neural network architecture on the training effectiveness and training time. Selected network architectures and training algorithm are described. Presented experimental results of research confirming the significant influence of architecture on the success of network training.
W artykule przedstawiono wpływ architektury sieci neuronowej na skuteczność i czas uczenia sieci. Opisano wybrane architektury sieci, algorytm uczenia oraz zaprezentowano wyniki badań potwierdzających znaczący wpływ architektury na sukces uczenia sieci.
Źródło:
Zeszyty Naukowe Uczelni Vistula; 2018, 59(2) Informatyka; 60-71
2353-2688
Pojawia się w:
Zeszyty Naukowe Uczelni Vistula
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
A comparison of conventional and deep learning methods of image classification
Porównanie metod klasycznego i głębokiego uczenia maszynowego w klasyfikacji obrazów
Autorzy:
Dovbnych, Maryna
Plechawska-Wójcik, Małgorzata
Powiązania:
https://bibliotekanauki.pl/articles/2055127.pdf
Data publikacji:
2021
Wydawca:
Politechnika Lubelska. Instytut Informatyki
Tematy:
image classification
machine learning
deep learning
neural networks
klasyfikacja obrazów
uczenie maszynowe
uczenie głębokie
sieci neuronowe
Opis:
The aim of the research is to compare traditional and deep learning methods in image classification tasks. The conducted research experiment covers the analysis of five different models of neural networks: two models of multi–layer perceptron architecture: MLP with two hidden layers, MLP with three hidden layers; and three models of convolutional architecture: the three VGG blocks model, AlexNet and GoogLeNet. The models were tested on two different datasets: CIFAR–10 and MNIST and have been applied to the task of image classification. They were tested for classification performance, training speed, and the effect of the complexity of the dataset on the training outcome.
Celem badań jest porównanie metod klasycznego i głębokiego uczenia w zadaniach klasyfikacji obrazów. Przeprowa-dzony eksperyment badawczy obejmuje analizę pięciu różnych modeli sieci neuronowych: dwóch modeli wielowar-stwowej architektury perceptronowej: MLP z dwiema warstwami ukrytymi, MLP z trzema warstwami ukrytymi; oraz trzy modele architektury konwolucyjnej: model z trzema VGG blokami, AlexNet i GoogLeNet. Modele przetrenowano na dwóch różnych zbiorach danych: CIFAR–10 i MNIST i zastosowano w zadaniu klasyfikacji obrazów. Zostały one zbadane pod kątem wydajności klasyfikacji, szybkości trenowania i wpływu złożoności zbioru danych na wynik trenowania.
Źródło:
Journal of Computer Sciences Institute; 2021, 21; 303--308
2544-0764
Pojawia się w:
Journal of Computer Sciences Institute
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Theory II: Deep learning and optimization
Autorzy:
Poggio, T.
Liao, Q.
Powiązania:
https://bibliotekanauki.pl/articles/201787.pdf
Data publikacji:
2018
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
deep learning
convolutional neural networks
loss surface
optimization
uczenie głębokie
sieć neuronowa
optymalizacja
Opis:
The landscape of the empirical risk of overparametrized deep convolutional neural networks (DCNNs) is characterized with a mix of theory and experiments. In part A we show the existence of a large number of global minimizers with zero empirical error (modulo inconsistent equations). The argument which relies on the use of Bezout theorem is rigorous when the RELUs are replaced by a polynomial nonlinearity. We show with simulations that the corresponding polynomial network is indistinguishable from the RELU network. According to Bezout theorem, the global minimizers are degenerate unlike the local minima which in general should be non-degenerate. Further we experimentally analyzed and visualized the landscape of empirical risk of DCNNs on CIFAR-10 dataset. Based on above theoretical and experimental observations, we propose a simple model of the landscape of empirical risk. In part B, we characterize the optimization properties of stochastic gradient descent applied to deep networks. The main claim here consists of theoretical and experimental evidence for the following property of SGD: SGD concentrates in probability – like the classical Langevin equation – on large volume, ”flat” minima, selecting with high probability degenerate minimizers which are typically global minimizers.
Źródło:
Bulletin of the Polish Academy of Sciences. Technical Sciences; 2018, 66, 6; 775-787
0239-7528
Pojawia się w:
Bulletin of the Polish Academy of Sciences. Technical Sciences
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:
Probabilistic adaptive computation time
Autorzy:
Figurnov, M.
Sobolev, A.
Vetrov, D.
Powiązania:
https://bibliotekanauki.pl/articles/201248.pdf
Data publikacji:
2018
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
deep learning
probabilistic models
adaptive computation time
uczenie głębokie
modele probabilistyczne
adaptacyjny czas obliczeniowy
Opis:
We present a probabilistic model with discrete latent variables that control the computation time in deep learning models such as ResNets and LSTMs. A prior on the latent variables expresses the preference for faster computation. The amount of computation for an input is determined via amortized maximum a posteriori (MAP) inference. MAP inference is performed using a novel stochastic variational optimization method. The recently proposed adaptive computation time mechanism can be seen as an ad-hoc relaxation of this model. We demonstrate training using the general-purpose concrete relaxation of discrete variables. Evaluation on ResNet shows that our method matches the speed-accuracy trade-off of adaptive computation time, while allowing for evaluation with a simple deterministic procedure that has a lower memory footprint.
Źródło:
Bulletin of the Polish Academy of Sciences. Technical Sciences; 2018, 66, 6; 811-820
0239-7528
Pojawia się w:
Bulletin of the Polish Academy of Sciences. Technical Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Classification of high resolution satellite images using improved U-Net
Autorzy:
Wang, Yong
Zhang, Dongfang
Dai, Guangming
Powiązania:
https://bibliotekanauki.pl/articles/331235.pdf
Data publikacji:
2020
Wydawca:
Uniwersytet Zielonogórski. Oficyna Wydawnicza
Tematy:
satellite image classification
deep learning
U-net
spatial pyramid pooling
zdjęcia satelitarne
uczenie głębokie
Opis:
Satellite image classification is essential for many socio-economic and environmental applications of geographic information systems, including urban and regional planning, conservation and management of natural resources, etc. In this paper, we propose a deep learning architecture to perform the pixel-level understanding of high spatial resolution satellite images and apply it to image classification tasks. Specifically, we augment the spatial pyramid pooling module with image-level features encoding the global context, and integrate it into the U-Net structure. The proposed model solves the problem consisting in the fact that U-Net tends to lose object boundaries after multiple pooling operations. In our experiments, two public datasets are used to assess the performance of the proposed model. Comparison with the results from the published algorithms demonstrates the effectiveness of our approach.
Źródło:
International Journal of Applied Mathematics and Computer Science; 2020, 30, 3; 399-413
1641-876X
2083-8492
Pojawia się w:
International Journal of Applied Mathematics and Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Comparative study on the classification methods for breast cancer diagnosis
Autorzy:
Qiu, Y.
Zhou, G.
Zhao, Q.
Cichocki, A.
Powiązania:
https://bibliotekanauki.pl/articles/200743.pdf
Data publikacji:
2018
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
breast cancer
mammography
DDSM
comparative study
deep learning
rak piersi
mammografia
Badanie porównawcze
uczenie głębokie
Opis:
Digital mammography is one of the most widely used approaches for breast cancer diagnosis. Many researchers have demonstrated the superiority of machine learning methods in breast cancer diagnosis using different mammography databases. Since these methods often have different pros and cons, which may confuse doctors and researchers, an elaborate comparison and examination among them is urgently needed for practical breast cancer diagnosis. In this study, we conducted a comprehensive comparative study of the state-of-the-art machine learning methods that are promising in breast cancer diagnosis. For this purpose we analyze the largest mammography diagnosis database: Digital Database for Screening Mammography (DDSM). We considered various approaches for feature extraction including principal component analysis (PCA), nonnegative matrix factorization (NMF), spatial-temporal discriminant analysis (STDA) and those for classification including linear discriminant analysis (LDA), random forests (RaF), k-nearest neighbors (kNN), as well as deep learning methods including convolutional neural networks (CNN) and stacked sparse autoencoder (SSAE). This paper can serve as a guideline and useful clues for doctors who are going to select machine learning methods for their breast cancer computer-aided diagnosis (CAD) systems as well for researchers interested in developing more reliable and efficient methods for breast cancer diagnosis.
Źródło:
Bulletin of the Polish Academy of Sciences. Technical Sciences; 2018, 66, 6; 841-848
0239-7528
Pojawia się w:
Bulletin of the Polish Academy of Sciences. Technical Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Rozpoznawanie obiektów przez głębokie sieci neuronowe
Object classification with deep neural networks
Autorzy:
Kwasigroch, A.
Grochowski, M.
Powiązania:
https://bibliotekanauki.pl/articles/268601.pdf
Data publikacji:
2018
Wydawca:
Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
Tematy:
uczenie głębokie
sieci neuronowe
sztuczna inteligencja
przetwarzanie obrazu
deep learning
neural networks
artificial intelligence
image processing
Opis:
W referacie zaprezentowane zostaną wyniki badań nad rozpoznawaniem obiektów w różnych warunkach za pomocą głębokich sieci neuronowych. Przeanalizowano działanie dwóch struktur – ResNet50 oraz VGG19. Systemy rozpoznawania obrazu wytrenowano oraz przetestowano na reprezentatywnej, bazie zawierającej 25 tys. zdjęć psów oraz kotów, która znacznie upraszcza analizowanie działania systemów ze względu na łatwość interpretacji zdjęć przez człowieka. Zbadano wpływ pojawienia się nietypowych zdjęć na wynik klasyfikacji. Ponadto przeanalizowano zdjęcia niepoprawnie sklasyfikowane i porównano je z interpretacjami człowieka. Uzyskano bardzo wysokie wyniki klasyfikacji. Do oceny systemów użyto miar statystycznych takich jak: dokładność, czułość, swoistość, krzywe ROC.
Deep neural networks are modern algorithms from the family of artificial intelligence, that are widely used these days for task of an image analysis. In this paper, we present results of research on deep neural network for image recognition. We tested 2 different neural architectures, namely: modified VGG19, ResNet50. In order to improve the classification results we employed two methods called dropout and transfer learning. The systems were trained on the dataset containing 22 000 training images and 3000 test images. The dataset used contains different pictures of animals (cats and dogs). The dataset of animals make analyses of network performance easier, because they are easy to interpret by human. The employed systems were tested qualitatively and quantitatively. The influence of atypical inputs were examined, also. Moreover, the analysis of improperly classified images was performed. We achieved high classification results. In order to evaluate the classification performance we utilized the following set of statistical measures: accuracy, specificity, sensitivity and ROC curves.
Źródło:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2018, 60; 63-66
1425-5766
2353-1290
Pojawia się w:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Big data significance in remote medical diagnostics based on deep learning techniques
Autorzy:
Kwaśniewska, A.
Giczewska, A.
Rumiński, J.
Powiązania:
https://bibliotekanauki.pl/articles/1940561.pdf
Data publikacji:
2017
Wydawca:
Politechnika Gdańska
Tematy:
telemedicine
deep learning
multimedia databases
big data
telemedycyna
uczenie głębokie
multimedialne bazy danych
duże zbiory danych
Opis:
In this paper we discuss the evaluation of neural networks in accordance with medical image classification and analysis. We also summarize the existing databases with images which could be used for training deep models that can be later utilized in remote home-based health care systems. In particular, we propose methods for remote video-based estimation of patient vital signs and other health-related parameters. Additionally, potential challenges of using, storing and transferring sensitive patient data are discussed.
Źródło:
TASK Quarterly. Scientific Bulletin of Academic Computer Centre in Gdansk; 2017, 21, 4; 309-319
1428-6394
Pojawia się w:
TASK Quarterly. Scientific Bulletin of Academic Computer Centre in Gdansk
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Performance analysis of a dual stage deep rain streak removal convolution neural network module with a modified deep residual dense network
Autorzy:
Jayaraman, Thiyagarajan
Chinnusamy, Shankar
Powiązania:
https://bibliotekanauki.pl/articles/2055158.pdf
Data publikacji:
2022
Wydawca:
Uniwersytet Zielonogórski. Oficyna Wydawnicza
Tematy:
single image deraining
deep learning
modified residual dense network
PyTorch
obraz pojedynczy
uczenie głębokie
sieć gęsta
Opis:
The visual appearance of outdoor captured images is affected by various weather conditions, such as rain patterns, haze, fog and snow. The rain pattern creates more degradation in the visual quality of the image due to its physical structure compared with other weather conditions. Also, the rain pattern affects both foreground and background image information. The removal of rain patterns from a single image is a critical process, and more attention is given to remove the structural rain pattern from real-time rain images. In this paper, we analyze the single image deraining problem and present a solution using the dual stage deep rain streak removal convolutional neural network. The proposed single image deraining framework primarily consists of three main blocks: a derain streaks removal CNN (derain SRCNN), a modified residual dense block (MRDB), and a six-stage scale feature aggregation module (3SFAM). The ablation study is conducted to evaluate the performance of various modules available in the proposed deraining network. The robustness of the proposed deraining network is evaluated over the popular synthetic and real-time data sets using four performance metrics such as the peak signal-to-noise ratio (PSNR), the feature similarity index (FSIM), the structural similarity index measure (SSIM), and the universal image quality index (UIQI). The experimental results show that the proposed framework outperforms both synthetic and real-time images compared with other state-of-the-art single image deraining approaches. In addition, the proposed network takes less running and training time.
Źródło:
International Journal of Applied Mathematics and Computer Science; 2022, 32, 1; 111--123
1641-876X
2083-8492
Pojawia się w:
International Journal of Applied Mathematics and Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Zastosowanie uczenia głębokiego w tłumaczeniu komputerowym
Application of deep learning in computer translation
Autorzy:
Handzel, Zbigniew
Gajer, Mirosław
Grabiński, Tadeusz
Luty, Zbigniew
Powiązania:
https://bibliotekanauki.pl/articles/2147416.pdf
Data publikacji:
2021-12-06
Wydawca:
Wyższa Szkoła Ekonomii i Informatyki w Krakowie
Tematy:
sztuczna inteligencja
przekład komputerowy
sieci neuronowe
uczenie głębokie
artificial intelligence
computer translation
neural
networks
deep learning
Opis:
Przekład komputerowy jest najstarszym i zarazem najbardziej doniosłym zagadnieniem zaliczanym do obszaru sztucznej inteligencji. Pomysł zastosowania komputerów do tłumaczenia tekstów zapisanych w języku naturalnym jest prawie tak stary, jak sam wynalazek komputera. Pierwotnie rzecz wydawała się łatwa do realizacji i oczekiwano, że za kilkanaście lat zawód tłumacza ostatecznie zaniknie, ponieważ tego rodzaju prace będą wykonywały wyłącznie maszyny cyfrowe. Potrzeba było jednak ponad 60 lat intensywnych badań, aby marzenie to mogło się urzeczywistnić w czasach nam współczesnych. Przełomem w badaniach nad przekładem komputerowym było zastosowanie technik obliczeniowych bazujących na sztucznych sieciach neuronowych z wykorzystaniem algorytmów uczenia głębokiego. W 2017 roku uruchomiony został serwis tłumaczeniowy DeepL, który jest programem komputerowym wykorzystującym uczenie głębokie w translacji automatycznej. Rozważany program zapewnia przekład o bardzo wysokiej jakości pomiędzy dowolnie wybraną parą spośród ponad 20 języków. Między innymi program ten umożliwia tłumaczenie z i na język polski. W artykule przedstawiono krótką historię badań nad przekładem komputerowym, omówiono główne trudności, które należało przezwyciężyć na drodze do budowy tłumaczy komputerowych, oraz omówiono podstawowe podejścia wykorzystywane w translacji automatycznej. Na zakończenie zaprezentowano interesujące wyniki eksperymentów przeprowadzonych z udziałem programu DeepL, które dowodzą jego bardzo wysokiej skuteczności w tłumaczeniu pomiędzy dowolnie wybraną parą języków, niezależnie od stopnia ich genetycznego pokrewieństwa.
Computer-aided translation is the oldest and at the same time the most prominent subject in the field of artificial intelligence. The idea of using computers to translate texts written in natural language is almost as old as the invention of the computer itself. At first it seemed easy to implement and it was expected that in a decade or so the profession of translator would finally disappear because only digital machines would do this kind of work. However, it took more than 60 years of intensive research for this dream to become a reality in modern times. A breakthrough in computer translation research was the application of computational techniques based on artificial neural networks using deep learning algorithms. In 2017, the translation service DeepL was launched, which is a computer program using deep learning in automatic translation. The program under consideration provides translation of very high quality between any pair of more than 20 languages. Among other things, the programme enables translation from and into Polish. The article presents a brief history of research on computer-aided translation, discusses the basic difficulties that had to be overcome on the way to building computer-aided translators, and discusses the basic approaches used in automatic translation. Finally, interesting results of experiments carried out with the program DeepL are presented, which prove its very high efficiency in translation between any pair of languages, regardless of the degree of their genetic affinity
Źródło:
Zeszyty Naukowe Wyższej Szkoły Ekonomii i Informatyki w Krakowie; 2021, 17; 71-92
1734-5391
Pojawia się w:
Zeszyty Naukowe Wyższej Szkoły Ekonomii i Informatyki w Krakowie
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
A nested autoencoder approach to automated defect inspection on textured surfaces
Autorzy:
Oz, Muhammed Ali Nur
Kaymakci, Ozgur Turay
Mercimek, Muharrem
Powiązania:
https://bibliotekanauki.pl/articles/2055170.pdf
Data publikacji:
2021
Wydawca:
Uniwersytet Zielonogórski. Oficyna Wydawnicza
Tematy:
autoencoder
defect detection
automatic visual inspection
deep learning
autoenkoder
wykrywanie defektów
inspekcja wizyjna
inspekcja automatyczna
uczenie głębokie
Opis:
In recent years, there has been a highly competitive pressure on industrial production. To keep ahead of the competition, emerging technologies must be developed and incorporated. Automated visual inspection systems, which improve the overall mass production quantity and quality in lines, are crucial. The modifications of the inspection system involve excessive time and money costs. Therefore, these systems should be flexible in terms of fulfilling the changing requirements of high capacity production support. A coherent defect detection model as a primary application to be used in a real-time intelligent visual surface inspection system is proposed in this paper. The method utilizes a new approach consisting of nested autoencoders trained with defect-free and defect injected samples to detect defects. Making use of two nested autoencoders, the proposed approach shows great performance in eliminating defects. The first autoencoder is used essentially for feature extraction and reconstructing the image from these features. The second one is employed to identify and fix defects in the feature code. Defects are detected by thresholding the difference between decoded feature code outputs of the first and the second autoencoder. The proposed model has a 96% detection rate and a relatively good segmentation performance while being able to inspect fabrics driven at high speeds.
Źródło:
International Journal of Applied Mathematics and Computer Science; 2021, 31, 3; 515--523
1641-876X
2083-8492
Pojawia się w:
International Journal of Applied Mathematics and Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Wyświetlanie 1-15 z 59

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