глибоке навчання

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). 

Ансамблеві методи на основі центрування для сегментації зображення

Ансамблеві методи можуть використовуватись для багатьох завдань, одними з найпопулярніших є: класифікація, регресія та сегментація зображень. Сегментація зображень є складною задачею, де використання ансамблевих методів машинного навчання дає можливість покращити точність передбачень нейронних мереж.

МОДЕЛІ МАШИННОГО НАВЧАННЯ ТА ОПТИМІЗАЦІЙНІ СТРАТЕГІЇ ДЛЯ ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ КЛАСИФІКАЦІЇ НА МОБІЛЬНИХ ПРИСТРОЯХ (ENGLISH)

The paper highlights the increasing importance of machine learning (ML) in mobile applications, with mobile devices becoming ubiquitous due to their accessibility and functionality. Various ML models, including Convolutional Neural Networks (CNNs) and Vision Transformers (ViTs), are explored for their applications in real-time classification on mobile devices. The paper identifies key challenges in deploying these models, such as limited computational resources, battery consumption, and the need for real-time performance.

Advanced YOLO models for real-time detection of tomato leaf diseases

The increasing focus on smart agriculture in the last decade can be attributed to various factors, including the adverse effects of climate change, frequent extreme weather events, increasing population, the necessity for food security, and the scarcity of natural resources.  The government of Morocco adopts preventative measures to combat plant illnesses, specifically focusing on tomatoes.  Tomatoes are widely acknowledged as one of the most important vegetable crops, but they are highly vulnerable to several diseases that significantly decrease their productivity.  De