Wyniki wyszukiwania - BazTech

1

A system dedicated to Polish automatic speech recognition – overview of solutions

Pondel-Sycz Karolina, Bilski Piotr

Bulletin of the Polish Academy of Sciences. Technical Sciences

|

2024

|

Vol. 72, nr 4

art. no. e149818

EN

The paper presents the analysis of modern Artificial Intelligence algorithms for the automated system supporting human beings during their conversation in Polish language. Their task is to perform Automatic Speech Recognition (ASR) and process it further, for instance fill the computer-based form or perform the Natural Language Processing (NLP) to assign the conversation to one of predefined categories. The State-of-the-Art review is required to select the optimal set of tools to process speech in the difficult conditions, which degrade accuracy of ASR. The paper presents the top-level architecture of the system applicable for the task. Characteristics of Polish language are discussed. Next, existing ASR solutions and architectures with the End-To-End (E2E) deep neural network (DNN) based ASR models are presented in detail. Differences between Recurrent Neural Networks (RNN), Convolutional Neural Networks (CNN) and Transformers in the context of ASR technology are also discussed.

2

A robust inversion of logging-while-drilling responses based on deep neural network

Zhu Gaoyang, Gao Muzhi, Wang Bin

Acta Geophysica

|

2024

|

Vol. 72, no. 1

129--139

EN

Resistivity inversion plays a significant role in recent geological exploration, which can obtain formation information through logging data. However, resistivity inversion faces various challenges in practice. Conventional inversion approaches are always time-consuming, nonlinear, non-uniqueness, and ill-posed, which can result in an inaccurate and inefficient description of subsurface structure in terms of resistivity estimation and boundary location. In this paper, a robust inversion approach is proposed to improve the efficiency of resistivity inversion. Specifically, inspired by deep neural networks (DNN) remarkable nonlinear mapping ability, the proposed inversion scheme adopts DNN architecture. Besides, the batch normalization algorithm is utilized to solve the problem of gradient disappearing in the training process, as well as the k-fold cross-validation approach is utilized to suppress overfitting. Several groups of experiments are considered to demonstrate the feasibility and efficiency of the proposed inversion scheme. In addition, the robustness of the DNN-based inversion scheme is validated by adding different levels of noise to the synthetic measurements. Experimental results show that the proposed scheme can achieve faster convergence and higher resolution than the conventional inversion approach in the same scenario. It is very significant for geological exploration in layered formations.

3

A hybrid deep learning framework for modeling the short term global horizontal irradiance prediction of a solar power plant in India

Rajaprasad S. V. S., Mukkamala Rambabu

Polityka Energetyczna

|

2023

|

T. 26, z. 3

101--116

EN

The rapid development of grid integration of solar energy in developing countries like India has created vital concerns such as fluctuations and interruptions affecting grid operations. Improving the consistency and accuracy of solar energy forecasts can increase the reliability of the power grid. Although solar energy is available in abundance around the world, it is viewed as an unpredictable source due to uncertain fluctuations in climate conditions. Global horizontal irradiance (GHI) prediction is critical to efficiently manage and forecast the power output of solar power plants. However, developing an accurate GHI forecasting model is challenging due to the variability of weather conditions over time. This research aims to develop and compare univariate LSTM models capable of predicting GHI in a solar power plant in India over the short term. The present study introduces a deep neural network-based (DNN) hybrid model with a combination of convolutional neural network bi-directional long short-term memory (CNN BiLSTM) to predict the one minute interval GHI of a solar power plant located in the southern region of India. The model’s effectiveness was tested using data for the month of January 2023. In addition, the results of the hybrid model were compared to the long short-term memory (LSTM) and BiLSTM deep-learning (DL) models. It has been observed that the proposed hybrid model framework is more accurate compared to the LSTM and BiLSTM architectures. Finally, a GHI prediction tool was developed to understand the trend of the results.

PL

Szybki rozwój integracji energii słonecznej z siecią elektroenergetyczną w krajach rozwijających się, takich jak Indie, wywołał istotne obawy, m.in. związane z wahaniami i przerwami wpływającymi na działanie sieci. Poprawa spójności i dokładności prognoz dotyczących energii słonecznej może zwiększyć niezawodność sieci energetycznej. Chociaż energia słoneczna jest dostępna w dużych ilościach na całym świecie, jest ona postrzegana jako nieprzewidywalne źródło ze względu na niepewne wahania warunków klimatycznych. Prognozowanie globalnego natężenia napromienienia horyzontalnego (GHI) ma kluczowe znaczenie dla efektywnego zarządzania i prognozowania mocy elektrowni słonecznych. Jednak opracowanie dokładnego modelu prognozowania GHI jest trudne ze względu na zmienność warunków pogodowych w czasie. Badania te mają na celu opracowanie i porównanie modeli LSTM zdolnych do przewidywania GHI w elektrowni słonecznej w Indiach w krótkim czasie. W niniejszym badaniu wprowadzono hybrydowy model oparty na głębokiej sieci neuronowej (DNN) z kombinacją dwukierunkowej konwolucyjnej sieci neuronowej z długą pamięcią krótkotrwałą (CNN BiLSTM) w celu przewidywania jednominutowych interwałów GHI elektrowni słonecznej zlokalizowanej w południowym regionie Indii. Skuteczność modelu została przetestowana przy użyciu danych za styczeń 2023 roku. Ponadto wyniki modelu hybrydowego porównano z modelami uczenia głębokiego (DL) z długą pamięcią krótkotrwałą (LSTM) i BiLSTM. Zaobserwowano, że proponowany model hybrydowy jest dokładniejszy w porównaniu do architektur LSTM i BiLSTM. Ostatecznie opracowano narzędzie do przewidywania GHI, aby zrozumieć trend wyników.

4

Porównanie różnych metod detekcji i rozpoznawania zwierząt na obrazach z kamery termowizyjnej

Popek Łukasz, Perz Rafał, Galiński Grzegorz

Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne

|

2022

|

nr 4

396--399

PL

Dla większości dziko żyjących zwierząt szczyt aktywności przypada na godziny nocne – ich obserwacja możliwa jest tylko przy użyciu specjalistycznych urządzeń. W niniejszej pracy zostało przeprowadzone porównanie różnych metod detekcji zwierząt na zdjęciach z kamery termowizyjnej: klasycznych (HOG/SVM) oraz opartych na głębokich sieciach neuronowych. Podczas testów na zbiorze danych zawierającym dwie rodziny zwierząt (Cervidae i Suidae) dla sieci YOLOv3 otrzymano wyniki mAP powyżej 90% dla IoU>50%.

EN

For most wild animals, peak of activity takes place during the night hours - their observation is possible only with the use of specialized equipment. In this study, a comparison of different methods for animal detection in thermal camera images was performed: classical (HOG/SVM) and based on deep neural networks. When tested on a dataset containing two animal families (Cervidae and Suidae) for the YOLOv3 network, obtained mAP was above 90% for IoU>50%.

5

Multiclass skin lessions classification based on deep neural networks

Michalska-Ciekańska Magdalena

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2022

|

T. 12, nr 2

10--14

EN

Skin diseases diagnosed with dermatoscopy are becoming more and more common. The use of computerized diagnostic systems becomes extremely effective. Non-invasive methods of diagnostics, such as deep neural networks, are an increasingly common tool studied by scientists. The article presents an overview of selected main issues related to the multi-class classification process: the stage of database selection, initial image processing, selection of the learning data set, classification tools, network training stage and obtaining final results. The described actions were implemented using available deep neural networks. The article pay attention to the final results of available models, such as effectiveness, specificity, classification accuracy for different numbers of classes and available data sets.

PL

Choroby skóry diagnozowane za pomocą dermatoskopii są coraz powszechniejsze. Wykorzystanie skomputeryzowanych systemów diagnostyki staje się niezwykle skuteczne. Nieinwazyjne metody diagnostyki, jakimi są głębokie sieci neuronowe są coraz powszechniejszym narzędziem badanym przez naukowców. W artykule przedstawiono przegląd wybranych głównych zagadnień związanych w procesem klasyfikacji wieloklasowej: etap wyboru bazy danych, wstępnego przetwarzania obrazów, doboru zestawu danych uczących, narzędzi klasyfikacji, etapu trenowania sieci i otrzymania wyników końcowych. Opisane działania zostały zaimplementowane za pomocą dostępnych głębokich sieci neuronowych. W artykule zwrócono uwagę na wyniki końcowe dostępnych modeli, takich jak skuteczność, specyficzność, dokładność klasyfikacji dla różnej ilości klas i dostępnych zestawów danych.

6

Deep neural networks for skin lesions diagnostics

Michalska-Ciekańska Magdalena

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2022

|

T. 12, nr 3

50--53

EN

Non-invasive diagnosis of skin cancer is extremely necessary. In recent years, deep neural networks and transfer learning have been very popular in the diagnosis of skin diseases. The article contains selected basics of deep neural networks, their interesting applications created in recent years, allowing the classification of skin lesions from available dermatoscopic images.

PL

Nieinwazyjna diagnostyka nowotworów skóry jest niezwykle potrzebna. W ostatnich latach bardzo dużym zainteresowaniem w diagnostyce chorób skóry cieszą się głębokie sieci neuronowe i transfer learning. Artykuł zawiera wybrane podstawy głębokich sieci neuronowych, ich ciekawe zastosowania stworzone w ostatnich latach, pozwalające na klasyfikację zmian skórnych z dostępnych obrazów dermatoskopowych.

7

Użycie głębokich sieci neuronowych w wykrywaniu manipulacji materiałem wideo (DEEPFAKE)

Malik Adrian, Kasprzyk Rafał, Piotrowski Zbigniew

Elektronika : konstrukcje, technologie, zastosowania

|

2022

|

Vol. 63, Nr 8

28--30

PL

W artykule dokonano krótkiego przeglądu zagadnień z obszaru sztucznej inteligencji oraz omówiono architekturę głębokiej sieci neuronowej Meso-4 na podstawie, której wykonano projekt i implementację przy użyciu danych z konkursu Deepfake Detection Challenge. Przeprowadzono również eksperymenty wraz z opracowaniem wyników, z których można wnioskować, że jest możliwe wytrenowanie głębokiej sieci neuronowej zdolnej do rozpoznawania manipulacji wideo tzw. deepfake.

EN

This paper gives a brief overview of the field of artificial intelligence and discusses the architecture of the Meso-4 deep neural network on which the design and implementation was based, using data from the Deepfake Detection Challenge. Experiments were also conducted with the development of results from which it can be concluded that it is possible to train a deep neural network capable of recognising video manipulation (deepfake).

8

Koncepcja architektur sieci neuronowych na potrzeby klasyfikacji sygnałów radiowych

Kukliński Dawid

Elektronika : konstrukcje, technologie, zastosowania

|

2022

|

Vol. 63, Nr 6

12--17

PL

Problem automatycznej klasyfikacji widma jest coraz ważniejszy w dzisiejszych czasach. Jest to kluczowy problem, który należy rozwiązywać w systemach komunikacji bezprzewodowej wykorzystywanych w zastosowaniach wojskowych jaki i cywilnych. Istnieje wiele metod rozwiązujących powyżej przedstawione zagadnienie, tradycyjne, oparte głównie na statystyce oraz wykorzystujące algorytmy sztucznej inteligencji, które są zakwalifikowane do metod zaawansowanych. W artykule przed- stawiono koncepcje dwóch modeli głębokich sieci neuronowych, które rozwiązują problem automatycznej klasyfikacji modulacji w nowatorski sposób. Zaproponowane struktury same dostosowują przetwarzanie otrzymanego sygnału w celu detekcji rodzaju modulacji. Pierwsza struktura wykorzystuje transformatę Wignera-Vill’a, natomiast drugi model wykorzystuje krótko okresową transformatę Fouriera. Obie transformaty są zaimplementowane w warstwie wejściowej z wagami, które oddziałują na parametry tych transformat.

EN

The problem of automatic spectrum classification is becoming more and more important nowadays. This is a key problem that needs to be solved in wireless communication systems used in military and civilian applications. There are many traditional methods that solve the problem presented above, mainly based on statistics and using artificial intelligence algorithms, which are classified as advanced methods. The article presents the concepts of two models of deep neural networks that solve the problem of automatic classification of modulation in an innovative way. The proposed structures themselves adapt the processing of the received signal in order to detect the modulation type. The first structure uses the Wigner-Vill transform, while the second model uses the short period Fourier transform. Both transforms are implemented in the input layer with weights that affect their execution.

9

Interpretability versus explainability: classification for understanding deep learning systems and models

Namatēvs Ivars, Sudars Kaspars, Dobrājs Artis

Computer Assisted Methods in Engineering and Science

|

2022

|

Vol. 29, no. 4

297--356

EN

The techniques of explainability and interpretability are not alternatives for many realworld problems, as recent studies often suggest. Interpretable machine learning is nota subset of explainable artificial intelligence or vice versa. While the former aims to build glass-box predictive models, the latter seeks to understand a black box using an explanatory model, a surrogate model, an attribution approach, relevance importance, or other statistics. There is concern that definitions, approaches, and methods do not match, leading to the inconsistent classification of deep learning systems and models for interpretation and explanation. In this paper, we attempt to systematically evaluate and classify the various basic methods of interpretability and explainability used in the field of deep learning.One goal of this paper is to provide specific definitions for interpretability and explainability in Deep Learning. Another goal is to spell out the various research methods for interpretability and explainability through the lens of the literature to create a systematic classifier for interpretability and explainability in deep learning. We present a classifier that summarizes the basic techniques and methods of explainability and interpretability models. The evaluation of the classifier provides insights into the challenges of developinga complete and unified deep learning framework for interpretability and explainability concepts, approaches, and techniques.

10

Review of solutions for the application of example of machine learning methods for Motor Imagery in correlation with Brain-Computer Interfaces

Paszkiel Szczepan, Rojek Ryszard, Lei Ningrong, Castro Maria Antonio

Przegląd Elektrotechniczny

|

2021

|

R. 97, nr 11

111--116

EN

Presently, numerous public databases presenting the collected EEG signals, including the ones in the scope of Motor Imagery (MI), are available. Simultaneously, machine-learning methods, which enable effective and fast discovering of information, also in the sets of biomedical data, are constantly being developed. In this paper, a set of 30 of some of the latest scientific publications from the years 2016-2021 has been analyzed. The analysis covered, among others: public data repositories in the form of EEG signals as input data; numbers and types of the analyzed tasks in the scope of MI in the above-mentioned databases; and Deep Learning (DL) architectures.

PL

Obecnie dostępne są liczne ogólnodostępne bazy danych prezentujące zebrane sygnały EEG, w tym z zakresu obrazowania motorycznego (MI). Jednocześnie stale rozwijane są metody uczenia maszynowego, które umożliwiają efektywne i szybkie odkrywanie informacji, także w zbiorach danych biomedycznych. W niniejszym artyule przeanalizowano zestaw 30 spośród najnowszych publikacji naukowych z lat 2016- 2021. Analizie poddano m.in.: publiczne repozytoria danych w postaci sygnałów EEG jako dane wejściowe; liczby i rodzaje analizowanych zadań z zakresu obrazowania motorycznego w ww. bazach; i architektury Deep Learning (DL).

11

Wykrywanie anomalii w sieciach sterowanych programowo z wykorzystaniem dynamicznej telemetrii oraz głębokich sieci neuronowych

Rzym Grzegorz, Masny Amadeusz

Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne

|

2019

|

nr 7

635--638, CD

PL

Wraz ze wzrostem dostępności mocy obliczeniowej uczenie maszynowe w dzisiejszych czasach skupia się coraz bardziej na metodach głębokiego uczenia. Powszechna automatyzacja procesów skłania do przemyślenia nowoczesnych implementacji sieciowych w rozumieniu ich bezpieczeństwa i szybkiego, jak i dokładnego reagowania na awarie. Niniejszy artykuł opisuje wykorzystanie głębokich sieci neuronowych do wykrywania anomalii w ruchu sieciowym w sieciach sterowanych programowo (SDN). Dodatkowo, obrazuje szerszy pogląd na automatyzację monitorowania sieci z wykorzsytaniem dynamicznej telemetrii.

EN

With the increasing availability of computational power, nowadays machine learning focuses more and more on deep learning methods. The widespread automation of processes leads to the rethinking of modern network implementations in the understanding of their safety and quick and accurate response to failures. This article describes the use of deep neural networks to detect anomalies in network traffic in conjunction with SDN. In addition, it provides a broader view of network monitoring automation with the usage of dynamic telemetry.

12

The use of urban indicators in forecasting a real estate value with the use of deep neural network

Bazan-Krzywoszańska A., Bereta M.

Reports on Geodesy and Geoinformatics

|

2018

|

Vol. 106

25--34

EN

Records of municipal planning documents directly affect the land use. In this way, the market price of the land is also shaped. Awareness of the economic and social consequences of adapting specific solutions is the primary argument that should condition the local policy in terms of spatial planning. The research results indicate that the network trained with attributes which do not describe a property value by its price was able to estimate it with acceptable and satisfactory results. The possibility to use artificial multilayer networks in spatial policy decision-making seems well founded. The research results show the relevance of the assumption that using them for modeling can be helpful in selecting the most advantageous variant of planning arrangements in a local law document which determines the land use and development, therefore impacts its value.

13

Wykorzystanie głębokich sieci neuronowych w automatycznej koloryzacji sekwencji wizyjnych

Protasiuk R.

Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne

|

2018

|

nr 6

393--396, CD

PL

Artykuł przedstawia przegląd najnowszych metod koloryzacji czarno-białych obrazów oraz sekwencji wizyjnych ze szczególnym uwzględnieniem metod opartych o techniki głębokich sieci neuronowych. W artykule opisano elementy teorii standardowych metod koloryzacji oraz wybranych technik opartych o głębokie sieci neuronowe. Dokonano również jakościowego oraz ilościowego porównania efektywności wybranych metod.

EN

The paper presents an overview of the latest methods of colouring black and white images and video sequences, with particular emphasis on methods based on techniques of deep neural networks. Paper describes elements of the theory of standard colorizing methods and selected techniques based on deep neural networks. A qualitative and quantitative comparison of the effectiveness of selected methods was also made.