Wyniki wyszukiwania - Biblioteka Nauki

1

Machine learning impact on the construction industry: A review of application possibilities

100%

Niemiro-Maźniak J.

Zeszyty Naukowe Politechniki Częstochowskiej. Budownictwo

|

2023

|

tom Z. 29 (179)

98--103

EN

The development of Artificial Intelligence (AI) technology has had a huge impact on technological progress in various industries. The complex construction industry is also a very important application area for AI, which is slowly but steadily developing. One of the main artificial intelligence tools that plays a key role in the technological development of construction is machine learning. The use of machine learning in the construction industry gives a number of possibilities, such as automatic detection of objects, defects or anomalies, construction supervision, as well as intelligent protection of structures. The paper explains the issue of machine learning, including deep learning and presents its division. Based on the literature review, examples are given of the use of deep learning in the construction industry in terms of safety on the construction site and defect detection in construction objects. KEYWORDS: artificial intelligence; machine learning; deep learnin

PL

Rozwój technologii sztucznej inteligencji (AI) wywarł ogromny wpływ na postęp technologiczny w różnych gałęziach przemysłu. Złożona branża budowlana jest również bardzo istotnym obszarem zastosowania AI, która powoli, ale w sposób ciągły rozwija się. Jednym z głównych narzędzi sztucznej inteligencji odgrywający kluczową rolę w technologicznym rozwoju budownictwa jest uczenie maszynowe. Wykorzystanie uczenia maszynowego w branży budowlanej daje szereg możliwości, takich jak automatyczne wykrywanie obiektów, defektów czy anomalii, nadzór budowy, a także inteligentnego zabezpieczania konstrukcji. W pracy wyjaśniono zagadnienie uczenia maszynowego, w tym głębokiego uczenia się, oraz przedstawiono jego podział. Na podstawie przeglądu literatury wskazano przykłady zastosowania głębokiego uczenia się w branży budowlanej w aspekcie bezpieczeństwa na placu budowy oraz wykrywania defektów w obiektach budowlanych.

2

Analiza efektywności metod głebokiego uczenia w odbiorze sygnałów GMSK

100%

Olejniczak A. , Cwalina K. K. , Sadowski J. , Stefański J.

Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne

|

2022

|

tom nr 4

441--444

PL

Sztuczna inteligencja odnajduje coraz szersze zastosowanie we współczesnej radiokomunikacji, choć głównie w ujęciu badawczym. Niniejszy artykuł przedstawia przegląd i ewaluację metod z obszaru głębokiego uczenia umożliwiających detekcję sygnałów z modulacją GMSK (ang. Gaussian Minimum Shift Keying) w kanale AWGN. Badane modele porównane zostały z optymalnym detektorem pracującym zgodnie z regułą największej wiarygodności MLSE (ang. Maximum Likelihood Sequence Estimation), a miarą oceny efektywności była bitowa stopa błędu.

EN

Artificial intelligence dynamically enters the realm of radiocommunication, however, mainly in the scientific context. The paper presents evaluation of the deep learning (DL) models for Gaussian Minimum Shift Keying (GMSK) signal demodulation in AWGN channel. The proposed DL methods were compared with optimal Maximum Likelihood Sequence Estimation (MLSE) detector based on Bit Error Rate (BER) metric.

3

Career track prediction using deep learning model based on discrete series of quantitative classification

100%

Hernandez R. , Atienza R.

Applied Computer Science

|

2021

|

tom Vol. 17, no 4

55--74

EN

In this paper, a career track recommender system was proposed using Deep Neural Network model. This study aims to assist guidance counselors in guiding their students in the selection of a suitable career track. It is because a lot of Junior High school students experienced track uncertainty and there are instances of shifting to another program after learning they are not suited for the chosen track or course in college. In dealing with the selection of the best student attributes that will help in the creation of the predictive model, the feature engineering technique is used to remove the irrelevant features that can affect the performance of the DNN model. The study covers 1500 students from the first to the third batch of the K-12 curriculum, and their grades from 11 subjects, sex, age, number of siblings, parent’s income, and academic strand were used as attributes to predict their academic strand in Senior High School. The efficiency and accuracy of the algorithm depend upon the correctness and quality of the collected student’s data. The result of the study shows that the DNN algorithm performs reasonably well in predicting the academic strand of students with a predic-tion accuracy of 83.11%. Also, the work of guidance counselors became more efficient in handling students’ concerns just by using the proposed system. It is concluded that the recommender system serves as a decision tool for counselors in guiding their stu-dents to determine which Senior High School track is suitable for students with the utilization of the DNN model.

4

Improvement of e-commerce recommendation systems with deep hybrid collaborative filtering with content: A case study

84%

Wójcik F. , Górnik M.

|

nr vol. 24, nr 3

37-50

EN

This paper presents a proposition to utilize flexible neural network architecture called Deep Hybrid Collaborative Filtering with Content (DHCF) as a product recommendation engine. Its main goal is to provide better shopping suggestions for customers on the e-commerce platform. The system was tested on 2018 Amazon Reviews Dataset, using repeated cross validation and compared with other approaches: collaborative filtering (CF) and deep collaborative filtering (DCF) in terms of mean squared error (MSE), mean absolute error (MAE) and mean absolute percentage error (MAPE). DCF and DHCF were proved to be significantly better than the CF. DHCF proved to be better than DCF in terms of MAE and MAPE, it also scored the best on separate test data. The significance of the differences was checked by means of a Friedman test, followed by post-hoc comparisons to control p-value. The experiment shows that DHCF can outperform other approaches considered in the study, with more robust scores.

PL

W artykule zbadano innowacyjną architekturę sieci neuronowych zwaną Głębokim Hybrydowym Systemem Filtracji Kolaboratywnej (DHCF), mającą posłużyć jako system rekomendacji konsumenckich. Jego zadaniem jest sugerowanie produktów klientom platform e-commerce. System został przetestowany na zbiorze danych 2018 Amazon Reviews, z wykorzystaniem powtórzonej walidacji krzyżowej, i porównany z dwoma innymi podejściami: filtracją kolaboratywną (CF) oraz filtracją kolaboratywną z siecią neuronową (DCF). Do porównania wykorzystano metryki błędu średniokwadratowego (MSE), średniego błędu bezwzględnego (MAE) oraz średniego procentowego błędu bezwzględnego (MAPE). DCF i DHCF uzyskały wyniki istotnie lepsze niż CF, a dodatkowo DHCF uzyskał lepsze wyniki niż DCF pod względem MAE i MAPE. Istotność różnic sprawdzano testem Friedmana z porównaniami wielokrotnymi i kontrolą poziomu istotności. Eksperyment dowodzi, że DHCF uzyskuje lepsze i stabilniejsze wyniki niż pozostałe metody.

5

Analiza wpływu zależności czasowych na skuteczność identyfikacji warunków LOS i NLOS przy użyciu uczenia maszynowego

84%

Olejniczak A. , Błaszkiewicz O. , Cwalina K. K. , Rajchowski P. , Sadowski J.

|

tom nr 7-8

174--179, CD

PL

Identyfikacja warunków LOS i NLOS jest istotna z punktu widzenia utrzymania jakości świadczonych usług telekomunikacyjnych, szczególnie w środowisku wewnątrzbudynkowym. Z uwagi na dynamiczny rozwój metod z obszaru AI (Artificial Intelligence) niniejszy artykuł przedstawia porównanie dwóch najpopularniejszych modeli, tj. głębokiej sieci neuronowej oraz sieci z pamięcią LSTM (Long Short-Term Memory) do identyfikacji warunków bezpośredniej widoczności LOS i NLOS w środowisku wewnątrzbudynkowym dla scenariuszy dynamicznych.

EN

LOS and NLOS classification is essential in reference to quality and reliability of the telecommunication services, especially considering an indoor environment. Due to rapid development of the methods within AI (Artificial Intelligence) area, the given paper compares two, most popular, machine learning methods, i.e. deep neural network and LSTM (Long Short-Term Memory) network for the direct visibility of the two antennas conditions identification based on the indoor, dynamic measurement scenarios.

6

Arabic and American Sign Languages Alphabet Recognition by Convolutional Neural Network

84%

Alshomrani S. , Aljoudi L. , Arif M.

Advances in Science and Technology. Research Journal

|

2021

|

tom Vol. 15, no 4

136--148

EN

Hearing loss is a common disability that occurs in many people worldwide. Hearing loss can be mild to complete deafness. Sign language is used to communicate with the deaf community. Sign language comprises hand gestures and facial expressions. However, people find it challenging to communicate in sign language as not all know sign language. Every country has developed its sign language like spoken languages, and there is no standard syntax and grammatical structure. The main objective of this research is to facilitate the communication between deaf people and the community around them. Since sign language contains gestures for words, sentences, and letters, this research implemented a system to automatically recognize the gestures and signs using imaging devices like cameras. Two types of sign languages are considered, namely, American sign language and Arabic sign language. We have used the convolutional neural network (CNN) to classify the images into signs. Different settings of CNN are tried for Arabic and American sign datasets. CNN-2 consisting of two hidden layers produced the best results (accuracy of 96.4%) for the Arabic sign language dataset. CNN-3, composed of three hidden layers, achieved an accuracy of 99.6% for the American sign dataset.

7

An overview of the possibilities of combining medical imaging with deep learning techniques focused on CT

84%

Podolszańska J.

Inżynier i Fizyk Medyczny

|

2022

|

tom Vol. 11, nr 3

191--194

EN

Combining tomographic imaging with deep learning techniques enables image analysis. There are still many questions in the subject of image reconstruction from projection using a deep neural network. This publication focuses on biomedical imaging with an emphasis on developing a new generation of image reconstruction techniques using deep neural networks. Such targeted research may lead to the development of intelligent use of knowledge in big data, including innovative approaches to the reconstruction of tomographic images and further development in the area of diagnostic imaging. Fully utilizing the possibilities of machine learning in biomedical imaging will be the first step in the development of new translational techniques.

PL

Połączenie obrazowania tomograficznego z technikami uczenia głębokiego umożliwia analizę obrazu. W dziedzinie rekonstrukcji obrazu z projekcji za pomocą głębokiej sieci neuronowej wciąż istnieje wiele wątpliwości. Ta publikacja skupia się na obrazowaniu biomedycznym z naciskiem na opracowanie nowej generacji technik rekonstrukcji obrazów właśnie z użyciem głębokich sieci neuronowych. Tak ukierunkowane badania mogą prowadzić do rozwoju inteligentnego wykorzystania wiedzy z zakresu big data, w tym innowacyjnych podejść do rekonstrukcji obrazów tomograficznych oraz dalszego rozwoju w obszarze diagnostyki obrazowej. W pełni wykorzystane możliwości uczenia maszynowego w obrazowaniu biomedycznym będzie pierwszym krokiem do rozwoju nowych technik translacyjnych.

8

Rozpoznawanie głosu i identyfikacja mówcy: przegląd wybranych metod rozpoznawania cech biometrycznych mowy

84%

Śliwak-Orlicki T. , Górski K.

Przegląd Elektrotechniczny

|

2023

|

tom R. 99, nr 9

225--229

PL

W niniejszej pracy przedstawiono ogólnie rozwój technologii rozpoznawania mowy, począwszy od pierwszych eksperymentów XIX wieku, aż po współczesne osiągnięcia w tej dziedzinie. Przeanalizowano przekształcenia technologiczne na przestrzeni ostatnich lat, omówiono kluczowe odkrycia oraz najważniejsze wydarzenia, które odegrały istotną rolę w rozwoju tej dziedziny, wskazując jednocześnie wybrane procesy wspomagające skuteczność rozpoznawania mowy pod kątem identyfikacji biometrycznej. Przedstawiono w zarysie charakterystyczne cechy wymowy dla języka polskiego.

EN

This paper presents a general overview of the development of speech recognition technology, from the first experiments of the 19th century to modern developments in this field. It analyses technological transformations over the past years, discusses key discoveries and key events that have played a significant role in the development of this field, while highlighting selected processes that support the effectiveness of speech recognition in terms of biometric identification. The characteristic features of pronunciation for the Polish language are outlined.

9

Effective persons identification using two- and three-dimensional finger knuckles

84%

Bouchareb F. , Samai D. , Korichi M. , Meraoumia A. , Lachouri A.

Przegląd Elektrotechniczny

|

2023

|

tom R. 99, nr 6

62--68

EN

Because of their high level of precision, biometric systems continue to attract the attention of several researchers. Different biometric traits have been investigated for use in security systems, such as fingerprints, faces, irises, palmprints, and knuckle prints. In most cases, bi-dimensional information is utilized. To achieve this aim, we have examined the performance of biometric identification systems based on a 3D-FKP database through five pre-trained networks such as AlexNet, VGG19, GoogleNet, ResNet50, and DenseNet201. The obtained experimental results illustrate the effectiveness of the suggested approach, with a high recognition rate and accuracy.

PL

Ze względu na wysoki poziom precyzji systemy biometryczne nadal przyciągają uwagę wielu badaczy. Zbadano różne cechy biometryczne pod kątem wykorzystania w systemach bezpieczeństwa, takie jak odciski palców, twarze, tęczówki, odciski dłoni i odciski kostek. W większości przypadków wykorzystuje się informacje dwuwymiarowe. Aby osiągnąć ten cel, zbadaliśmy wydajność systemów identyfikacji biometrycznej opartych na bazie danych 3D-FKP za pośrednictwem pięciu wstępnie wyszkolonych sieci, takich jak AlexNet, VGG19, GoogleNet, ResNet50 i DenseNet201. Uzyskane wyniki eksperymentalne ilustrują skuteczność zaproponowanego podejścia, przy wysokim współczynniku rozpoznawania i dokładności.

10

Zwiększenie rozdzielczości obrazów termowizyjnych metodą sieci neuronowych głębokiego uczenia

84%

Więcek P. , Sankowski D.

Pomiary Automatyka Robotyka

|

2021

|

tom R. 25, nr 3

31--35

PL

W pracy przedstawiono nowy algorytm zwiększenia rozdzielczości obrazów termowizyjnych. W tym celu zintegrowano sieć resztkową z modułem współdzielonego filtru z podpróbkowaniem obrazu KSAC (ang. Kernel-Sharing Atrous Convolution). Uzyskano znaczne skrócenie czasu działania algorytmu przy zachowaniu dużej dokładności. Sieć neuronową zrealizowano w środowisku PyTorch. Przedstawiono wyniki działania proponowanej nowej metody zwiększenia rozdzielczości obrazów termowizyjnych o wymiarach 32×24, 160×120 i 640×480 dla skali 2-6.

EN

The article presents a new algorithm for increasing the resolution of thermal images. For this purpose, the residual network was integrated with the Kernel-Sharing Atrous Convolution (KSAC) image sub-sampling module. A significant reduction in the algorithm’s complexity and shortening the execution time while maintaining high accuracy were achieved. The neural network has been implemented in the PyTorch environment. The results of the proposed new method of increasing the resolution of thermal images with sizes 32x24, 160×120 and 640×480 for scales up to 6 are presented.

11

An Efficient Connected Swarm Deployment via Deep Learning

84%

Danilchenko K. , Segal M.

Annals of Computer Science and Information Systems

|

2021

|

tom Vol. 25

1--7

EN

In this paper, an unmanned aerial vehicles (UAVs) deployment framework based on machine learning is studied. It aims to maximize the sum of the weights of the ground users covered by UAVs while UAVs forming a connected communication graph. We focus on the case where the number of UAVs is not necessarily enough to cover all ground users. We develop an UAV Deployment Deep Neural network (mod) as a UAV's deployment deep network method. Simulation results demonstrate that mod can serve as a computationally inexpensive replacement for traditionally expensive optimization algorithms in real-time tasks and outperform the state-of-the-art traditional algorithms.

12

Badanie procesu spalania osadów ściekowych z wykorzystaniem uczenia głębokiego

84%

Hu W.

Przemysł Chemiczny

|

2024

|

tom T. 103, nr 1

104--111

PL

Model oceny wykonalności procesu spalania osadów ściekowych został opracowany przy użyciu sieci neuronowej wstecznej propagacji (BPNN), aby zapewnić istotne wsparcie dla oczyszczalni ścieków, pomagając im w ocenie warunków ekologicznych i jakości środowiska miejskiego za pomocą zaawansowanej technologii sztucznej inteligencji. Dane z węzłów sieci zostały przeanalizowane w celu ujawnienia ukrytych struktur klasowych w danych dotyczących zanieczyszczeń ekologicznych i wpływu spalania osadów ściekowych na wyniki oczyszczania ścieków. Znaczącą przewagę nad innymi metodami osiągnięto przy wskaźniku dokładności przekraczającym 95%. Ten model może pomóc miejskim oczyszczalniom ścieków w ocenie procesów spalania osadów ściekowych i zwiększeniu wydajności operacyjnej, zmniejszeniu ich śladu ekologicznego i skutecznym sprostaniu współczesnym wyzwaniom.

EN

A feasibility assessment model of sludge incineration treatment was developed by using back-propagation neural network (BPNN) to provide a vital support to sewage treatment plants, aiding them in assessing urban ecol. conditions and environ. qual. with advanced artificial intelligence technol. The data from network nodes were analyzed to reveal hidden class structures in ecol. pollution data and the impact of sludge incineration on sewage treatment outcomes. A significant advantage over other methods was achieved at the accuracy rate over 95%. This model can help urban sewage plants to evaluate sludge incineration treatments and enhance operational efficiency, reduce their ecol. footprint, and address contemporary challenges effectively.

13

Analiza sposobu doboru zbiorów uczących metody głębokiego uczenia do określania warunków LOS i NLOS w radiowych sieciach BAN

84%

Cwalina K. K. , Olejniczak A. , Błaszkiewicz O. , Rajchowski P. , Sadowski J.

|

tom nr 7-8

169--173, CD

PL

W niniejszym artykule przeprowadzono analizę wpływu zaników szybkozmiennych w zbiorach uczących na uzyskiwaną efektywność proponowanej metody głębokiego uczenia do określania warunków LOS i NLOS w ultraszerokopasmowych radiowych sieciach BAN. Przedstawiono zrealizowane scenariusze pomiarowe w dwóch środowiskach wewnątrzbudynkowych. Określono, że możliwe jest uzyskanie efektywności klasyfikacji na poziomie 99,6% niezależnie od scenariusza pomiarowego, a także wykazano, że składowa zaników szybkozmiennych ma znaczący wpływ na metodę doboru zbioru danych uczących i skuteczność głębokiego uczenia.

EN

In the article the impact of fast fading occurrence in learning datasets on the efficiency of the proposed deep learning approach for determining LOS and NLOS conditions in ultra-wideband BANs is investigated. Performed measurement scenarios in two indoor environments are presented. It was determined that it is possible to achieve up to 99.6% classification efficiency regardless of the measurement scenarios. In addition it has been shown that the fast fading component has a significant impact on the selecting learning datasets method and the classification efficiency of the proposed deep learning approach.

14

Deep learning technique for forecasting solar radiation and wind speed for dynamic microgrid analysis

84%

Islam M. M. , Shareef H. , Al Hassan E. S. F.

Przegląd Elektrotechniczny

|

2023

|

tom R. 99, nr 4

162--170

EN

The key variables in the development and operation of wind and solar power systems are wind speed and solar radiation. The prediction of solar and wind energy parameters is important to alleviate the effects of power generation fluctuations. Consequently, it is essential to predict renewable energy sources like solar radiation and wind speed precisely. An artificial intelligence-based random forest method is recommended in this paper to estimate wind speed and solar radiation. The number of decision trees in the random forest model is suggested to be optimised using a novel coot algorithm (CA), and the effectiveness of the CA is evaluated to that of the currently used particle swarm optimisation (PSO) method. The best forecasting data are used in this work to develop a dynamic Microgrid (MG) in MATLAB/SIMULINK. A novel binary CA is proposed to control the MG to minimize the cost. The effect of the energy storage system is also investigated during the simulation of the MG.

PL

Kluczowymi zmiennymi w rozwoju i działaniu systemów energii wiatrowej i słonecznej są prędkość wiatru i promieniowanie słoneczne. Prognozowanie parametrów energii słonecznej i wiatrowej jest ważne dla złagodzenia skutków wahań produkcji energii. W związku z tym niezbędne jest precyzyjne przewidywanie źródeł energii odnawialnej, takich jak promieniowanie słoneczne i prędkość wiatru. W tym artykule zaleca się metodę lasów losowych opartą na sztucznej inteligencji w celu oszacowania prędkości wiatru i promieniowania słonecznego. Sugeruje się optymalizację liczby drzew decyzyjnych w modelu losowego lasu przy użyciu nowego algorytmu łyski (CA), a skuteczność CA jest oceniana na podstawie obecnie stosowanej metody optymalizacji roju cząstek (PSO). W tej pracy wykorzystano najlepsze dane prognostyczne do opracowania dynamicznej mikrosieci (MG) w MATLAB/SIMULINK. Proponuje się nowy binarny CA do sterowania MG w celu zminimalizowania kosztów. Wpływ systemu magazynowania energii jest również badany podczas symulacji MG.

15

Estymacja i analiza stanu kanału radiowego interfejsu LTE na potrzeby realizacji heterogenicznego algorytmu multilink z użyciem głębokiego uczenia

84%

Cwalina K. K. , Błaszkiewicz O. , Olejniczak A. , Rajchowski P. , Sadowski J.

Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne

|

2022

|

tom nr 4

486--491

PL

W niniejszym artykule przedstawiono estymację i analizę stanu kanału radiowego dla interfejsu LTE na potrzeby realizacji heterogenicznego algorytmu trasowania przesyłanych pakietów pomiędzy dostępnymi interfejsami radiowymi. Udowodniono przydatność i zwiększenie efektywności predykcji metryki BLER opracowanego modelu głębokiego uczenia względem modelu liniowego. Przedstawiono także metodykę oraz przeanalizowano istotność parametrów wejściowych uzyskanego modelu głębokiego uczenia.

EN

In the article the performed estimation and analysis of the radio channel state for the LTE air interface for the implementation of a heterogeneous algorithm for routing the transmitted packets between available radio interfaces is presented. The usefulness and an efficiency increase of the BLER metric prediction of the developed deep learning model in relation to the linear model were proven. The methodology and the significance of the input parameters of the obtained deep learning model was also analyzed and presented.

16

Analiza skuteczności detekcji sygnałów GMSK w kanale z propagacją wielodrogową przy użyciu metod głębokiego uczenia

84%

Olejniczak A. , Cwalina K. K. , Sadowski J. , Stefański J.

Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne

|

2023

|

tom nr 4

232--235

PL

Odbiór sygnałów radiowych w środowisku wewnątrzbudynkowym jest istotnym problemem współczesnej radiokomunikacji. W celu zwiększenia skuteczności istniejących metod odbioru radiowego coraz częściej wykorzystuje się narzędzia z obszaru uczenia maszynowego. Niniejszy artykuł prezentuje analizę skuteczności głębokiej sieci neuronowej w odbiorze sygnałów GMSK w kanale z zanikami i propagacją wielodrogową. Prezentowane wyniki porównane zostały z klasycznym detektorem MLSE, a miarą skuteczności była bitowa stopa błędów.

EN

Receiving radio signals in an indoor environment is an important aspect of modern radio communication. In order to increase the effectiveness and reliability of the existing reception solutions, tools from the field of machine learning are increasingly used. This article presents an analysis of the effectiveness of a deep neural network in reception of GMSK signals in the multipath, fading channel. The presented results were compared with the classical MLSE detector and the measure of effectiveness was the bit error rate.

17

Deep learning for automatic LiDAR point cloud processing

84%

Dominik W. , Bożyczko M. , Tułacz-Maziarz K.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2021

|

tom Vol. 33

13--22

EN

The paper presents the method of automatic point cloud classification that has been developed by OPEGIEKA. The method is based on deep learning techniques and consists of an in- house developed algorithm of point cloud transformation to a regular array accompanied by internally designed convolutional neural network architecture. The developed workflow as well as experiences from its application during the execution of the CAPAP project are described. Results obtained on real project data as well as statistics obtained on the ISPRS 3D semantic labelling benchmark with the use of OPEGIEKA's method are presented. The achieved results place OPEGIEKA in the top 3 of the classification accuracy rating in the ISPRS benchmark. The implementation of OPEGIEKA's solution into LiDAR point clouds classification workflow allowed to reduce the amount of necessary manual work.

PL

W artykule przedstawiono metodę automatycznej klasyfikacji chmur punktów opracowaną przez firmę OPEGIEKA. Metoda opiera się na technice głębokiego uczenia i składa się z opracowanego przez autorów algorytmu transformacji chmury punktów do regularnej macierzy, któremu towarzyszy wewnętrznie zaprojektowana architektura konwolucyjnej sieci neuronowej. W tekście opisano opracowany ciąg technologiczny uwzględniający metodykę na przykładzie doświadczenia podczas realizacji projektu CAPAP. Przedstawiono wyniki uzyskane na rzeczywistych danych projektowych oraz statystyki uzyskane na benchmarku ISPRS dotyczącego etykietowania semantycznego z wykorzystaniem metody OPEGIEKA. Osiągnięte wyniki plasują OPEGIEKA w pierwszej 3 rankingu dokładności klasyfikacji w benchmarku ISPRS. Wdrożenie rozwiązania OPEGIEKA do przepływu pracy klasyfikacji chmur punktów LiDAR pozwoliło zmniejszyć ilość niezbędnej pracy manualnej.

18

Smart optimizer selection technique:a comparative study of modified DensNet201 with other deep learning models

84%

Manguri K. , Mohammed A. A.

|

tom T. 13, nr 4

39--43

EN

The rapid growth and development of AI-based applications introduce a wide range of deep and transfer learning model architectures. Selecting an optimal optimizer is still challenging to improve any classification type's performance efficiency and accuracy. This paper proposes an intelligent optimizer selection technique using a newsearch algorithm to overcome this difficulty. A dataset used in this work was collected and customizedfor controlling and monitoring roads, especially when emergency vehicles are approaching. In this regard, several deep and transfer learning models havebeen compared for accurate detection and classification. Furthermore, DenseNet201 layers are frizzed to choose the perfect optimizer. The main goalis to improve the performance accuracy of emergency car classification by performing the test of various optimization methods, including (Adam, Adamax, Nadam, and RMSprob). The evaluation metrics utilized for the model’s comparison with other deep learning techniques are basedon classification accuracy, precision, recall, and F1-Score. Test results show that the proposed selection-based optimizer increased classification accuracy and reached 98.84%.

PL

Szybki wzrost i rozwój aplikacji opartych na sztucznej inteligencji wprowadzają szeroki zakres architektur modeli głębokiego uczeniai uczenia transferowego. Wybór optymalnego optymalizatora wciąż stanowi wyzwanie w celu poprawy wydajności i dokładności każdego rodzaju klasyfikacji. W niniejszej pracy proponowana jest inteligentna technika wyboru optymalizatora, wykorzystująca nowy algorytm wyszukiwania,aby pokonać to wyzwanie. Zbiór danych użyty w tej pracy został zebrany i dostosowany do celów kontroli i monitorowania dróg, zwłaszcza w sytuacjach, gdy zbliżają się pojazdy ratunkowe. W tym kontekście porównano kilka modeli głębokiego uczenia i uczenia transferowego w celu dokładnej detekcjii klasyfikacji. Ponadto, warstwy DenseNet201 zostały zamrożone, aby wybrać optymalizatora idealnego. Głównym celem jest poprawa dokładności klasyfikacji samochodów ratunkowych poprzez przeprowadzenie testów różnych metod optymalizacji, w tym (Adam, Adamax, Nadam i RMSprob). Metryki oceny wykorzystane do porównania modelu z innymi technikami głębokiego uczenia opierają się na dokładności klasyfikacji, precyzji, czułości i miarze F1. Wyniki testów pokazują, że zaproponowany optymalizator oparty na wyborze zwiększył dokładność klasyfikacji i osiągnął wynik na poziomie 98,84%.

19

Model Faster R-CNN uczony na syntetycznych obrazach

84%

Łach B. , Łukasik E.

Journal of Computer Sciences Institute

|

2020

|

tom Vol. 17

401--404

PL

Uczenie maszynowe wymaga opisu danych przez człowieka. Opisywanie zbioru danych ręcznie jest bardzo czasochłonne. W artykule zbadano jak model uczył się na zdjęciach sztucznie wytworzonych, z jak najmniejszym udziałem człowieka przy opisywaniu danych. Sprawdzono jaki wpływ miało zastosowanie augmentacji i progresywnego rozmiaru zdjęcia przy treningu modelu na syntetycznym zbiorze. Model osiągnął nawet o 3,35% wyższą średnią precyzję na syntetycznym zbiorze danych przy zastosowaniu treningów z rosnącą rozdzielczością. Augmentacje poprawiły jakość detekcji na rzeczywistych zdjęciach. Wytwarzanie sztucznie danych treningowych ma duży wpływ na przyśpieszenie przygotowania treningów, ponieważ nie wymaga tak dużych nakładów ludzkich, jak klasyczne uczenie modeli z danymi opisanymi przez człowieka.

EN

Machine learning requires a human description of the data. The manual dataset description is very time consuming. In this article was examined how the model learns from artificially created images, with the least human participation in describing the data. It was checked how the model learned on artificially produced images with augmentations and progressive image size. The model has achieve up to 3.35 higher mean average precision on syntetic dataset in the training with increasing images resolution. Augmentations improved the quality of detection on real photos. The production of artificially generated training data has a great impact on the acceleration of prepare training, because it does not require as much human resources as normal learning process.

20

Wdrażanie przeszkolonych modeli sieci neuronowych w aplikacjach webowych

84%

Bistroń M.

Elektronika : konstrukcje, technologie, zastosowania

|

2022

|

tom Vol. 63, Nr 6

7--11

PL

W artykule opisano krótko architekturę oraz zasadę działania sieci neuronowych. Omówiono również szczegóły związane z programowaniem sieci neuronowych z wykorzystaniem języka Python oraz wybranych frameworków wspierających głębokie uczenie i projektowanie algorytmów AI. W dalszej części artykułu omówiony zostały proces wdrażania gotowego, wytrenowanego modelu sieci neutronowej w środowisku produkcyjnym aplikacji webowej, w której komunikacja z modelem sieci neuronowej przebiega zgodnie ze schematem Klient-Serwer. Wyjaśniona została idea tworzenia interfejsu API oraz ograniczenia architektoniczne specyfikacji REST-API. W ostatnim podrozdziale omówiono proces konteneryzacji modułu sieci neuronowej do postaci samodzielnej z wykorzystaniem środowisk Docker i Docker Compose.

EN

The article briefly describes the architecture and principle of operation of neural networks. Details related to programming neural networks using Python and selected frameworks supporting deep learning and designing AI algorithms were also discussed. The next part of the article discusses the process of implementing a ready, trained neural network model in the production environment of a web application, in which communication with the neural network model follows the Client-Server scheme. The idea of creating an API interface and the architectural limitations of the REST-API specification were explained. The last section discuss- es the process of containerization of a neural network module into a stand-alone form using the Docker and Docker Compose environments.