1 Audisankara工程技术学院MCA部门(自治),Gudur,Tirupati(DT),印度,印度美联社。1 Audisankara工程技术学院MCA部门(自治),Gudur,Tirupati(DT),印度,印度美联社。
摘要。今天,神经网络被积极用于建模复杂的非线性依赖性。在这种强大的工具中,人们如此迅速地增长了建模各种对象和过程的工具,自然科学和工程学的研究,关于神经网络在经济学中应用的工作消失了很小。这既是通过建模工具本身的复杂性(神经网络)的复杂性来解释,以及建模的对象 - 不断发展的经济。在神经网络开发的曙光中,使用Kolmogorov-Gabor多项式(或Wiener Series)建模过程的方法被视为替代方法。由于各种原因,这种方法失去了竞争战,而神经网络占了上风。本文介绍了一种构建Kolmogorov-Gabor多项式的基本图像的方法和技术,并表明,今天可以用作神经网络在建模经济过程中的替代方案。
1 ZARIA AHMADU BELLO大学计算机科学系2计算机科学系,联邦教育学院,Zaria *通讯作者电子邮件地址:shuwajunior@gmail.com摘要在过去几十年中,机器逐渐接管了人类的日常活动,例如在线购物和服装。 必须开发人工智能技术,以帮助人们相应地检测和对服装设计进行分类。 早期解决服装图像分类问题的努力需要仔细选择和从服装图像数据集中提取某些功能,以使数据集的功能高度表示。 但是,这些方法在定义和捕获广泛的图像特征方面很难。 研究表明,卷积神经网络(CNN)模型可以比传统的机器学习(ML)方法更好地解决图像分类问题。 但是,他们面临着诸如过度拟合,高参数调整,嘈杂数据和培训数据不足之类的问题。 这项工作解决了过度拟合的问题,该问题降低了服装图像分类模型的分类/概括性能。 我们提出了四(4)个CNN模型,其中将称为辍学的正则化方法添加到每个层以处理过度的问题。 在四个模型中以最佳结果作为拟议模型采用了最佳结果。 与使用相同数据集和最先进的建筑设计训练的其他模型记录的结果相比,准确性提高了1.77%。 这是一个1 ZARIA AHMADU BELLO大学计算机科学系2计算机科学系,联邦教育学院,Zaria *通讯作者电子邮件地址:shuwajunior@gmail.com摘要在过去几十年中,机器逐渐接管了人类的日常活动,例如在线购物和服装。必须开发人工智能技术,以帮助人们相应地检测和对服装设计进行分类。早期解决服装图像分类问题的努力需要仔细选择和从服装图像数据集中提取某些功能,以使数据集的功能高度表示。但是,这些方法在定义和捕获广泛的图像特征方面很难。研究表明,卷积神经网络(CNN)模型可以比传统的机器学习(ML)方法更好地解决图像分类问题。但是,他们面临着诸如过度拟合,高参数调整,嘈杂数据和培训数据不足之类的问题。这项工作解决了过度拟合的问题,该问题降低了服装图像分类模型的分类/概括性能。我们提出了四(4)个CNN模型,其中将称为辍学的正则化方法添加到每个层以处理过度的问题。在四个模型中以最佳结果作为拟议模型采用了最佳结果。与使用相同数据集和最先进的建筑设计训练的其他模型记录的结果相比,准确性提高了1.77%。这是一个关键字:正规化,神经网络,分类,人工智能,计算机视觉,过度拟合,辍学的介绍在过去几十年中,机器正在逐渐接管人类的日常活动,例如在线购物和衣服操纵。在线购物和衣服操纵需要某些功能,例如颜色,设计和衣服的形状,以便能够相应地识别和分组它们。必须开发人工智能技术,可以适当地检测和对服装设计进行分类,以使机器执行在线购买的任务,并帮助他们有效地决定人类的衣服类型。这可以帮助用户更好地了解产品,并吸引来自不同位置的更多客户,从而提高销售额。对客户的口味,文化和社会经济地位的更深入了解也可以通过这种信息来帮助(Henrique等,2021)。服装时装设计的分类属于称为图像分类的计算机视觉中更广泛的群体。将对象分类为各种类别的任务可以被视为人类简单的任务,但对于机器来说是复杂的。
功能预处理:在 fMRI 数据分析中,每次运行 BOLD 时,都会执行一系列预处理步骤。这包括创建参考体积和去颅骨版本以与 T1 加权参考对齐、估计头部运动参数以及应用时空滤波以增强神经活动模式并抑制噪音。根据获取体积内切片的时间差异调整切片时间校正,并转换为标准模板空间,确保一致的空间对齐。进一步的步骤包括生成混杂时间序列、计算生理回归量、使用网格重采样进行空间对齐以及高斯平滑以增强图像。这些程序共同准备了 fMRI 数据以供后续分析,确保对大脑活动模式的解释准确可靠。
本项目使用深度学习技术介绍了用于图像着色和文本对图像生成的Web应用程序。应用程序包括两个主要模块:图像着色,将黑白图像转换为颜色,以及文本到图像生成,该图像基于文本描述创建图像。用于图像着色,预先训练的深度神经网络模型可用于预测灰度图像的色彩信息。该模型是使用OpenCV的DNN模块实现的,并且能够准确恢复颜色为灰度图像。在文本到图像生成模块中,采用稳定的扩散管道来生成文本提示中的图像。本管道利用深度学习技术根据用户提供的文本描述来合成图像。Web应用程序提供了一个用户友好的接口,供用户上传图像以进行着色和输入文本提示以生成图像。处理后,应用程序将有色的图像或生成的图像返回给用户。总体而言,该项目展示了深度学习模型在增强视觉内容创建方面的潜力,并为用户提供了一种实用的应用程序,可以交互探索图像着色和文本驱动的图像生成。
为了解决普通相机收集引起的QR码识别问题,本文提出了基于图像处理的识别算法。整个过程,包括图像二进制,图像倾斜校正,图像方向,图像几何校正和图像归一化允许在不同的照明条件下收集的图像。实验表明,改进的方法可以提高二维代码和准确性的识别速度。qr,即“快速响应”代码是一个2D矩阵代码,它是通过考虑两个点(即与1D条形码相比,它必须存储大量数据,并且必须使用任何手持设备(如手机)在高速上解码。QR码提供高数据存储容量,快速扫描,全向可读性以及许多其他优点,包括错误校正(因此,也可以成功读取损坏的代码)和不同类型的版本。QR码符号的不同品种,例如徽标QR码,加密的QR代码,QR码,以便用户可以根据需要选择。现在,如今,在与营销,安全,学术界相关的不同应用程序流中应用了QR码。并以非常高的速度获得受欢迎程度。每天越来越多的人意识到这项技术并相应地使用它。QR码的普及随智能手机用户的增长而迅速增长,因此QR码在全球范围内迅速达到高水平的接受度。
在这项工作[1]中使用了单拍的多伯克斯检测器深度学习技术来准确地分类和定位面部闭塞。具有七种不同类型的常见面部闭塞的自我结构数据集,导致平均平均精度达到95.46%。研究的作者[2]提供了一种可靠有效的方法,用于精确地识别使用卷积神经网络和多任务学习的面部遮挡。使用多任务CNN可以准确预测许多面部区域的覆盖范围,例如鼻子,嘴和两只眼睛。为了解决面部排除问题的问题,本文[3]将问题分为三个步骤:面部解析,遮挡检测和面部重建。最后阶段使用前两个阶段的信息重建面部。因此,该模型在实际的遮挡数据上表现良好,这在先前的方法中是无法实现的。
该项目深入研究基于深度学习的图像动画,采用有条件的生成模型,例如生成对抗网络(GAN)和变异自动编码器(VAE)。在包含图像序列对的数据集上训练,这些模型将单个输入图像转换为连贯和新颖的动画,从而模拟自然运动和转换。使用TensorFlow在Jupyter Notebook环境中引入了交互式图像动画系统,以实现深度学习能力。利用OPENCV,FFMPEG,IMAGEIO,PIL和SCIKIT-IMAGE用于图像和视频处理,该系统将IPYTHON小部件结合在一起,用于增强用户交互。该技术在实时视频流中也起着至关重要的作用,提供动态的视觉内容而无需手动逐帧动画。该项目利用了深度学习的力量,以消除手动努力,为在不同领域的有效和现实的内容创建开辟了新的可能性。
摘要 本文致力于开发一种对脑肿瘤(包括胶质瘤、脑膜瘤、垂体瘤和非肿瘤)的 MRI 图像进行分类的模型。数据集是从 Kaggle 收集的。然后,它被组织起来并上传到 GitHub。这项工作利用了 Python 的不同库,即 Matplotlib、NumPy 和 Sci-Kit Learn。Google Collaboratory 已用于执行环境,存储要求有限,为 108 GB。图像从名为“Brain-Tumor”的 GitHub 存储库克隆到 Google Collaboratory。该存储库包含一个对应于所有指定类型肿瘤图像的数据集。支持向量机算法已用于分类。所提出模型的准确率在 84% 到 92% 之间。关键词:Google Collab、图像分类、MRI 图像、机器学习、存储库、支持向量机 (SVM)
摘要:每天,全世界成千上万的人失踪,包括儿童,青少年,受到精神挑战,老年痴呆症和其他人的高年级学生。大多数人仍然没有追踪。在警察局中简化了此丢失的案件条目。使用图像处理将每个人与可用数据库进行比较并找到这些人。该系统旨在找到重罪和失踪的人。如果失踪人员或在网络录像带中设立的重罪也将失踪人员的位置射向派出所。失踪人员在网络录像带流中设置后,将位置派往派出所。为了使我们的系统在安全性和身份验证方面实现其关键部分。当时管理员执行此系统中的每个执行功能。董事有能力查看,添加和删除斯托纳警察。该系统识别问题并与它们一致。这将使执法部门为特定存在的狩猎增色。关键字:失踪人员,犯罪,身份证明,面部识别,OpenCV,CNN