Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: Convolutional Neural Network (CNN)

Sortuj według:

Ogranicz wyniki do:

MSCNN-Multi-Sensor Image Fusion Using Dual channel CNN

Trivedi Gargi J., Sanghavi Rajesh

Mathematica Applicanda

2023

Vol. 51, no. 2

165--182

This paper describes an image fusion approach based on CNNs and DWT. According to the suggested method, First Each inputted image is decomposed into approximation coefficients and detail coefficients using DWT. The second step is to maximize the weights using CNN with detailed coefficients. Third, using maximum weight and max pooling, the combined detail images are produced. Fourth, an average pooling of the approximate coefficients is used to determine the final approximation coefficients. Lastly, Inverse DWT is then used to combine the detail and final approximation images to produce the final fused image. Experiments are carried out on four different fusion datasets. Different Quality checking metrics are used to analyze the data, and the results are then contrasted with more recent and usual fusion techniques. The result substantiates that the suggested technique performs better than the existing fusion methods. It is also appropriate for real-time applications due to the proposed method's reasonable computational time and simple yet efficient implementation.

Artykuł dotyczy wielosensorowych konwolucyjnych sieci neuronowych (MS CNN) do fuzji obrazów w oparciu o konwolucyjne sieci neuronowe (CNN) i dyskretną transformację falkową (DWT). Zgodnie z sugerowaną metodą, najpierw każdy wprowadzony obraz jest rozkładany na współczynniki aproksymacji i współczynniki szczegółowości przy użyciu DWT. Drugim krokiem jest maksymalizacja wag za pomocą CNN ze szczegółowymi współczynnikami. W trzecim etapie, przy użyciu maksymalnej wagi i maksymalnego łączenia, tworzone są połączone szczegółowe obrazy. W czwartym etapie stosuje się średnią sumę przybliżonych współczynników w celu określenia ostatecznych współczynników przybliżenia. Na koniec stosuje się odwrotną DWT do łączenia obrazów szczegółowych i końcowych przybliżeń w celu uzyskania ostatecznego połączonego obrazu. Eksperymenty przeprowadzane są na czterech różnych zbiorach danych. Do analizy danych wykorzystuje się różne wskaźniki kontroli jakości, a następnie wyniki porównuje się z nowszymi i typowymi technikami łączenia. Wynik potwierdza, że sugerowana technika działa lepiej niż istniejące metody aglutynacji. Nadaje się również do zastosowań w czasie rzeczywistym ze względu na rozsądny czas obliczeń proponowanej metody oraz prostą, ale efektywną implementację.

Performance Analysis of LEACH with Deep Learning in Wireless Sensor Networks

Prajapati Hardik K., Joshi Rutvij

International Journal of Electronics and Telecommunications

2022

Vol. 68. No. 4

799--805

Thousands of low-power micro sensors make up Wireless Sensor Networks, and its principal role is to detect and report specified events to a base station. Due to bounded battery power these nodes are having very limited memory and processing capacity. Since battery replacement or recharge in sensor nodes is nearly impossible, power consumption becomes one of the most important design considerations in WSN. So one of the most important requirements in WSN is to increase battery life and network life time. Seeing as data transmission and reception consume the most energy, it’s critical to develop a routing protocol that addresses the WSN’s major problem. When it comes to sending aggregated data to the sink, hierarchical routing is critical. This research concentrates on a cluster head election system that rotates the cluster head role among nodes with greater energy levels than the others.We used a combination of LEACH and deep learning to extend the network life of the WSN in this study. In this proposed method, cluster head selection has been performed by Convolutional Neural Network (CNN). The comparison has been done between the proposed solution and LEACH, which shows the proposed solution increases the network lifetime and throughput.