глибоке навчання

Development of a deep learning-based system in Python 3.9 with YOLOv5: A case study on real-time fish counting based on classification

This study developed a real-time fish classification and counting system for six types of fish using the YOLOv5 machine learning model with high accuracy.  The system achieved an F1-score of 0.87 and a precision confidence curve with an all-classes value of 1.00 at a confidence level of 0.920, demonstrating the model's reliability in object detection and classification.  Real-time testing showed that the system could operate quickly and accurately under various environmental conditions with an average inference speed of 30 FPS.  However, several challenges remain, such

Forecasting solar energy generation using deep learning models

The application of deep learning models for forecasting solar energy generation is considered.  An analysis and comparison of the efficiency of recurrent (LSTM, GRU), convolutional (CNN), and temporal convolutional networks (TCN) for forecasting time series of solar energy generation were conducted.  The possibility of improving forecasting accuracy by constructing a hybrid model combining ARIMA and CNN was explored.  The results of experiments for different EU countries are presented, and a comparison of models in terms of forecasting accuracy and computational efficiency is performed as w

Numerical simulation by Deep Learning for discrete nonlinear problems involving the anisotropic p(.)-Laplacian

In this paper, we establish the existence of a class of discrete nonlinear systems involving the anisotropic $\vec{p}(\cdot)$-Laplacian operator using an optimization based approach.  We then simulate the solutions by implementing a deep learning model.  The numerical results demonstrate that the proposed method is stable and robust compared to conventional approaches such as the Newton–Krylov method.

Структура інформаційної системи передбачення та інтерпретації зміни стану користувача сервісу

В роботі досліджено проблему передбачення зміни станів користувачів (зокрема відтоку) на основі сесійних даних із використанням глибинних нейронних мереж. Було розглянуто застосування моделей довгої короткочасної пам’яті та згорткових нейронних мереж, а також використання кодування пар байтів для попереднього опрацювання даних. Проведено аналіз функціоналу розробленої інформаційної системи для прогнозування зміни стану користувачів та інтерпретації моделей прогнозування, яка поєднує методи аналізу даних, побудови прогнозних моделей та пояснення отриманих результатів.

Виявлення аномалій у реальному часі в розподілених IoT-системах:комплексний огляд та порівняльний аналіз

Стрімке поширення технології Інтернету речей (IoT) призвело до безпрецедентного росту обсягів неоднорідних даних з розподілених пристроїв. Цей величезний потік даних робить все більш важливим впровадження надійних і ефективних методів виявлення аномалій в режимі реального часу, які можуть попередити про проблеми у розподілених системах. Виявлення аномалій даних є критично важливим у сучасному світі, оскільки воно дозволяє на ранній стадії виявляти відхилення, які можуть свідчити про збої в роботі системи, порушення безпеки або операційну неефективність.

Порівняльний аналіз методів суперроздільної здатності для підвищення точності розпізнавання облич

Наведено порівняльний аналіз сучасних методів суперроздільної здатності (Super Resolution, SR), що підвищують точність розпізнавання облич у системах відеоспостереження. Низька якість зображень, отриманих з камер спостереження, є значною перешкодою для ефективної ідентифікації осіб, що робить застосування SR-методів особливо актуальним.

АДАПТИВНЕ РОЗПІЗНАВАННЯ ОБ’ЄКТІВ ЗА ДОПОМОГОЮ ПІДХОДУ МЕТАНАВЧАННЯ ДЛЯ ДИНАМІЧНИХ СЕРЕДОВИЩ

Системам розпізнавання об’єктів часто важко підтримувати точність у динамічних середовищах через такі проблеми, як варіації освітлення, оклюзії та обмежені навчальні дані. Традиційні згорточні нейронні мережі (CNN) вимагають великих маркованих наборів даних і не здатні адаптуватися до нових умов. Це дослідження спрямоване на розробку адаптивної системи розпізнавання об’єктів, яка покращує узагальнення моделі та швидку адаптацію в мінливих середовищах.

СТВОРЕННЯ СИСТЕМИ РОЗПІЗНАВАННЯ ОБЛИЧ НА ОСНОВІ НЕЙРОМЕРЕЖІ, ЩО ПРАЦЮЄ В РЕЖИМІ РЕАЛЬНОГО ЧАСУ

Стаття присвячена теоретичним основам та практичним аспектам розпізнавання обличь за допомогою нейронних мереж. В роботі аналізуються різні підходи до вилучення ознак з зображень обличь, а також методи навчання нейронних мереж для розпізнавання. Особлива увага приділяється проблемам, пов'язаним з варіаціями освітлення, виразами обличчя та іншими факторами, що впливають на точність розпізнавання.

Predictive modeling of haze using chaos theory and deep learning algorithms

With the swift growth of urbanization and industrialization, fine particulate matter (PM$_{10}$) has escalated into a major global environmental crisis.  PM$_{10}$ is often used as a haze indicator, severely affecting human health and ecosystem stability.  Accurate prediction of PM$_{10}$ levels is crucial, but existing models face challenges in handling vast data and achieving high accuracy.  This study investigates four years of PM$_{10}$ time series in industrial area in Malaysia.  Paper aims to develop and compare haze predicting models using chaos theory, including

Comparison of some CNN architectures for detecting cardiomegaly from chest X-ray images

In medical image analysis, deep learning and convolutional neural networks (CNN) are widely employed, particularly in tasks such as classification and segmentation.  This study specifically addresses their application in healthcare for detecting cardiomegaly, a condition characterized by an enlarged heart, often related to factors such as hypertension or coronary artery diseases.  The primary objective is to develop an algorithm to identify cardiomegaly in chest X-ray images, constituting a binary classification problem (whether the image exhibits cardiomegaly or not).