Do you want to publish a course? Click here

Performance of Objects Classification System in an Image using Convolutional Neural Networks

أداء نظام تصنيف الأشكال في الصورة باستخدام الشبكات العصبونية الالتفافي

1252   1   11   0.0 ( 0 )
 Publication date 2019
and research's language is العربية
 Created by Shamra Editor




Ask ChatGPT about the research

In recent years, the problem of classifying objects in images has increased by using deep learning as a result of the industrial sector requirements. Despite of many algorithms used in this field, such as Deep Learning Neural Network DNN and Convolutional Neural Network CNN, the proposed systems to address this problem Lack of comprehensive solution to the difficulties of long training time and floating memory during the training process, low rating classification. Convolutional Neural Networks (CNNs), which are the most used algorithms for this task, were a mathematical pattern for analyzing images data. A new deep-traversal network pattern was proposed to solve the above problems. The aim of the research is to demonstrate the performance of the recognition system using CNNs networks on the available memory and training time by adapting appropriate variables for the bypass network. The database used in this research is CIFAR10, which consists of 60000 colorful images belonging to ten categories, as every 6,000 images are for a class of these items. Where there are 50,000 training images and 10,000 test tubes. When tested on a sample of selected images from the CIFAR10 database, the model achieved a rating classification of 98.87%.


Artificial intelligence review:
Research summary
تناولت الورقة البحثية مشكلة تصنيف الكائنات في الصور باستخدام تقنيات التعلم العميق، مع التركيز على الشبكات العصبونية الالتفافية (CNN). تم اقتراح نموذج جديد للشبكة العصبونية الالتفافية بهدف تحسين الأداء من حيث وقت التدريب واستهلاك الذاكرة. استخدمت قاعدة بيانات CIFAR-10 التي تحتوي على 60000 صورة ملونة موزعة على عشرة أصناف. حقق النموذج المقترح دقة تصنيف بلغت 98.87% عند اختباره على عينة من الصور. تم تنفيذ عملية التدريب على حاسوب شخصي باستخدام برنامج ماتلاب، وتضمنت مراحل العمل معالجة مسبقة للصور، تدريب النموذج، واختبار الأداء. أظهرت النتائج تفوق النموذج المقترح في تقليل التعقيد الحسابي واستهلاك الذاكرة، مما يجعله مناسبًا للاستخدام في الأجهزة المحمولة والتطبيقات العملية مثل رعاية المكفوفين.
Critical review
دراسة نقدية: تعتبر الورقة البحثية خطوة مهمة في مجال تصنيف الكائنات باستخدام الشبكات العصبونية الالتفافية، إلا أن هناك بعض النقاط التي يمكن تحسينها. أولاً، كان من الممكن تقديم مقارنة أكثر تفصيلاً بين النموذج المقترح والنماذج الأخرى الموجودة في الأدبيات لتوضيح الفروق بشكل أكبر. ثانياً، لم يتم التطرق بشكل كافٍ إلى تأثير حجم البيانات المستخدمة في التدريب على أداء النموذج، حيث يمكن أن يكون لحجم البيانات تأثير كبير على دقة التصنيف. ثالثاً، كان من الممكن تقديم تحليل أعمق لتأثير مختلف البرامترات المستخدمة في النموذج على الأداء النهائي. وأخيراً، يمكن أن تكون هناك حاجة إلى تجربة النموذج على قواعد بيانات أخرى للتأكد من عمومية النتائج.
Questions related to the research
  1. ما هي قاعدة البيانات المستخدمة في البحث؟

    قاعدة البيانات المستخدمة هي CIFAR-10، التي تحتوي على 60000 صورة ملونة موزعة على عشرة أصناف.

  2. ما هي دقة التصنيف التي حققها النموذج المقترح؟

    حقق النموذج المقترح دقة تصنيف بلغت 98.87% عند اختباره على عينة من الصور.

  3. ما هي المراحل التي تضمنها البحث؟

    تضمن البحث مراحل المعالجة المسبقة للصور، تدريب النموذج، واختبار الأداء.

  4. ما هي التوصيات التي قدمها البحث للاستخدام العملي للنموذج؟

    يوصي البحث باستخدام النظام في مجال رعاية الأشخاص المكفوفين من خلال ابتكار أجهزة يحملونها للتعرف على الكائنات الملتقطة من كاميرا يحملونها في أيديهم.


References used
Roy, S. S., Ahmed, M., & Akhand, M. A. H.,”Noisy image classification using hybriddeep learning methods”, Journal of ICT, 18, No. 2 (April) 2018, pp: 233–269.
rate research

Read More

This paper shows a new approach to determine the presence of defects and to classify the defect type online based on Artificial Neural Networks (ANNs) in electrical power system transmission lines. This algorithm uses current and voltage signals samp led at 1 KHz as an input for the proposed ANNs without the involvement of a moving data window, so input data will be processed as a string of data. The model depends on three neural networks one for each phase and another fourth neural network for the involvement of the ground during the fault. Response time of the classifier is less than 5 ms. Moreover modern power system requires a fast, robust and accurate technique for online processing. Simulation studies show that the proposed technique is able to distinguish the fault type very accurate. Also this technique succeeded in determining of all defect types under all system conditions, so it is 100 percent accurate, so it is suitable for online application.
Text classifiers are regularly applied to personal texts, leaving users of these classifiers vulnerable to privacy breaches. We propose a solution for privacy-preserving text classification that is based on Convolutional Neural Networks (CNNs) and Se cure Multiparty Computation (MPC). Our method enables the inference of a class label for a personal text in such a way that (1) the owner of the personal text does not have to disclose their text to anyone in an unencrypted manner, and (2) the owner of the text classifier does not have to reveal the trained model parameters to the text owner or to anyone else. To demonstrate the feasibility of our protocol for practical private text classification, we implemented it in the PyTorch-based MPC framework CrypTen, using a well-known additive secret sharing scheme in the honest-but-curious setting. We test the runtime of our privacy-preserving text classifier, which is fast enough to be used in practice.
The contribution of our research include building an artificial neural network in MATLAB program environment and improvement of maximum loading point algorithm, to compute the most critical voltage stability margin, for on-line voltage stability a ssessment, and a method to approximate the most critical voltage stability margin accurately. a method to create a (ARTIFICIAL NEURAL NETWORK) approach.
يهدف البحث إلى تقديم دراسة مرجعيّة مفصلة عن استخدام الشبكات العصبونية الإلتفافية (CNNs) في استخراج الميزات (Features) من الصور. وسيتطرق البحث إلى التعريف بمعنى الميزات (Features) الخاصة بالصور وأهميتها في تطبيقات معالجة الصورة. وسيتم أيضاً التعريف بالشبكات العصبونية الإلتفافية (CNNs) وبنيتها و طريقة عملها وأنواع المقاربات والمنهجيات المستخدمة في تدريبها لاستخراج الميزات (Features) من الصور.
This paper introduces a system to recognize labels of time plans, where labels are extracted from time plan. This labels are images, so spatial segmentation is used to extract images of labels only. Size of images of labels are made same using medi an's algorithm for two purposes. The first one is to create database training for used neural networks. The second is to recognizing's processing. Two methods of recognizing are dependent on using neural networks technic: classification using perceptron network and recognizing using back propagation network. Perceptron network is built to take image as input and to give classification index as output for label. Then label is recognize dependent on stored table of ASCII for label. Back propagation network is designed to recognize images for all letters of English alphabet that are used in time plan. Results of research appear efficiency of designed system to recognize labels of time plan from their images for both methods after system had been applied on three time plans.

suggested questions

comments
Fetching comments Fetching comments
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا