convolutional neural networks

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). 

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.

A data-driven fusion of deep learning and transfer learning for orange disease classification

In agriculture, early detection of crop diseases is imperative for sustainability and maximizing yields.  Rooted in Agriculture 4.0, our innovative approach  combines pre-trained Convolutional Neural Networks (CNNs) models with data-driven solutions to address global challenges related to water scarcity.  By integrating the combined L1/L2 regularization technique to our model layers, we enhance their flexibility, reducing the risk of the overfitting effect of the model.  In the orange dataset used in our experiments, we have 1790 orange images, including a class

ДОСЛІДЖЕННЯ СУЧАСНИХ МОДЕЛЕЙ НА ОСНОВІ ГЛИБОКОГО НАВЧАННЯ ДЛЯ ВИЯВЛЕННЯ ТА РОЗПІЗНАВАННЯ ОБЛИЧЧЯ

Проблема побудови системи розпізнавання обличчя стикається з численними викликами, такими як зміни освітлення, пози і вирази обличчя. Основні етапи цього процесу включають виявлення, вирівнювання, виділення ознак та представлення обличчя. Кожен з цих етапів має критичне значення для досягнення точної ідентифікації.

ВИКОРИСТАННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ ВИЗНАЧЕННЯ ОБ’ЄКТІВ НА ЗОБРАЖЕННІ

Розроблено модифіковану модель нейронної мережі на базі Yolo V5 та здійснено порівняння метрик якості класифікації об’єктів на відеозображеннях, побудованих на основі базових існуючих відомих архітектур нейронних мереж. Розглянуто застосування згорткових нейронних мереж для обробки зображень з камер відеоспостереження з метою розробки оптимізованого алгоритму для виявлення та класифікації об’єктів на відеозображеннях. Зроблено аналіз існуючих моделей та архітектур нейронних мереж для аналізу зображень і здійснено їх порівняння.

ДОСЛІДЖЕННЯ МЕТОДІВ ДІАГНОСТИКИ ЗАХВОРЮВАНЬ РОСЛИН ЗА ДОПОМОГОЮ ГЛИБОКОГО НАВЧАННЯ

У статті досліджується використання згорткових нейронних мереж (CNN) у процесі діагностики та ідентифікації хвороб та шкідників рослин. Розглянуто різні методи діагностики хвороб рослин, особливості наборів даних, а також проблеми, що існують у даному напрямку досліджень. У статті обговорюється п'ятикрокова методологія для визначення хвороб рослин, включаючи збір даних, попередню обробку, сегментацію, виділення ознак та класифікацію.