deep convolutional neural network
در نشریات گروه برق-
نشریه پژوهش های نوین در سامانه های دفاع الکترونیکی، سال چهارم شماره 1 (پیاپی 10، بهار 1404)، صص 52 -68
خودکار سازی در محیط جنگ الکترونیک مدرن یک مسئله حیاتی در سامانه های شناسایی الکترونیکی به منظور تشخیص بلادرنگ و دقیق رادارهای تهدید است. یکی از مسائل کلیدی در این سامانه های هوشمند مدرن تشخیص مدولاسیون بازه تکرار پالس (PRI) هست. بااین حال، تشخیص مدولاسیون PRI به دلیل عوامل مخرب ازجمله پالس های ازدست رفته، پالس های ناخواسته و نقاط پرت بزرگ که منجر به دنباله نویزی الگوی تغییرات PRI می شوند در محیط واقعی چالش برانگیز هست. مقاله حاضر به بررسی اثرات عوامل مخرب بر تشخیص مدولاسیون PRI در سیگنال های راداری با استفاده از دو مدل شبکه عصبی کانولوشنی VGG 16 و LeNet 5 با دو ساختار متفاوت می پردازد. مقاله از شبیه سازی های مبتنی بر محیط واقعی برای تولید داده ها استفاده می کند و عوامل مخرب را با درصدهای مختلف مدنظر قرار می دهد تعداد تصاویر حاصل با اعمال مجموع عوامل مخرب بر روی آن برای هر محدوده عوامل مخرب در نظر گرفته شده 30000 تصویر برای 6 نوع مدولاسیون رایج هست. سپس، مدل VGG 16 با استفاده از روش یادگیری انتقالی و مدل LeNet 5 با استفاده از روش آموزش از صفر، آموزش داده می شوند. نتایج شبیه سازی نشان می دهد با افزایش درصد عوامل مخرب، دقت آموزش و آزمون مدل ها با مقدار قابل توجهی کاهش می یابد. همچنین، تاثیرات عوامل مخرب بر عملکرد مدل ها بررسی شده و نتایج نشان داده اند که LeNet 5 نسبت به مخرب ها مقاوم تر هستند و دقت بیشتری را حفظ می کنند. درنهایت، این تجزیه وتحلیل نشان می دهد که برای انتخاب مدل مناسب برای سامانه های شناسایی الکترونیکی می بایست تغییرات ناشی از مخرب ها، با توجه به این عوامل فراهم شود و استراتژی های مناسبی اعمال گردد..
کلید واژگان: بازه تکرار پالس، رادار، شبکه عصبی کانولوشنی عمیق، یادگیری انتقالیAutomation in the complex environment of modern electronic warfare is a critical and necessary issue in electronic identification and support systems to detect real-time and accurate threat radars. These systems search, discover, analyze, and identify the parameters of radar signals. One of the key issues in these modern innovative systems is pulse repetition interval (PRI) modulation detection. However, detecting PRI modulation is challenging in the real environment due to destructive factors such as missed pulses, unwanted pulses, and large outliers (caused by antenna scanning) that lead to a noisy sequence of PRI variation patterns. This article examines the effects of destructive factors on detecting PRI modulation in radar signals using two convolutional neural network models, VGG 16 and LeNet 5, with two different structures. The paper uses simulations based on the actual environment to generate data and consider malicious agents with various percentages. The number of images obtained by applying the sum of malicious agents on it for each range of malicious agents (with different percentages) considered is 30,000 images for 6 Modulation type is standard. Then, the VGG16 model is trained using the transfer learning method, and the LeNet 5 model is trained using the zero training method. The simulation results show that the accuracy of training and testing the models decreases significantly with the increase in the percentage of destructive factors. Also, destructive agents' effects on models' performance have been investigated. The results have shown that LeNet 5 is more resistant to malicious agents and maintains more accuracy. Finally, this analysis indicates that to choose the right model for electronic identification and support systems, the changes caused by malicious agents should be provided according to these factors, and appropriate strategies should be applied.
Keywords: Pulse Repetition Interval, RADAR, Deep Convolutional Neural Network, Transfer Learning -
دیپ فیک به دسته ای از داده های جعلی و مصنوعی اطلاق می گردد که در آن محتوای جعلی بر اساس محتوای موجود تولید می گردد. این محتوا می تواند شامل تصویر، ویدیو و سیگنال های صوتی باشد. تولید دیپ فیک مبتنی بر شبکه-های زایشی عمیق می باشد که موجب دستکاری داده ها یا تولید تصاویر و ویدیوهای ساختگی استفاده می شود. در سال های اخیر، مطالعات زیادی برای درک نحوه عملکرد دیپ فیک ها انجام شده است و روش های بسیاری مبتنی بر یادگیری عمیق برای شناسایی ویدیوها یا تصاویر تولید شده توسط دیپ فیک و نیز تمایز آنها از تصاویر واقعی معرفی شده است. به منظور بهبود دقت تشخیص دیپ فیک و نیز استفاده همزمان از قابلیت های انواع مختلف شبکه های عصبی کانولوشنی، در این مقاله، یک مدل ترکیبی با استفاده از چهار شبکه عصبی کانولوشنی DenseNet201، EfficientNetB2، Inception-ResNet-V2 و ResNet152 ارائه می گردد. با تکیه بر قابلیت های بالای این شبکه ها در استخراج ویژگی های موثر از تصویر ورودی، مدل پیشنهادی قادر به تشخیص همزمان دیپ فیک بودن یا نبودن تصویر ورودی توسط این چهار مدل می باشد. نتایج ارائه شده بر روی سه پایگاه داده 140k real and fake faces، DFDC faces و Deepfake and real images حاکی از بهبود نتایج نسبت به مدل های موجود می باشد.کلید واژگان: دیپ فیک، یادگیری عمیق، شبکه کانولوشنی عمیق، دقت، تصاویر ساختگیDeepfake refers to a category of fake and artificial data in which fake content is produced based on existing content. This content can include image, video and audio signals. Deepfake production is based on deep generative networks that manipulate data or produce fake images and videos. In recent years, many studies have been conducted to understand how deepfakes work, and many methods based on deep learning have been introduced to identify videos or images produced by deepfakes and distinguish them from real images. In order to improve the accuracy of deep-fake detection and simultaneously use the capabilities of different types of convolutional neural networks, in this article, a hybrid model is presented using four convolutional neural networks: DenseNet201, EfficientNetB2, Inception-ResNet-V2, and ResNet152. turns Relying on the high capabilities of these networks in extracting effective features from the input image, the proposed model is able to simultaneously recognize whether the input image is deep or not by these four models. The results presented on the three databases of 140k real and fake faces, DFDC faces and Deepfake and real images indicate the improvement of the results compared to the existing models.Keywords: Deepfake, Deep learning, Deep Convolutional Neural Network, Accuracy, Fake images
-
Tumors refer to abnormal growth of cells in the body. Early diagnosis of tumors plays a crucial role in improving treatment conditions , quality of life and patient survival. Deep learning methods are effective for medical image segmentation, but they struggle with tumors in magnetic resonance images (MRI) due to variations in intensity and appearance. Existing models like U-Net face challenges due to the integration of high-level and low-level features, leading to confusion. Our proposed model addresses the above issues by utilizing two techniques and fewer parameters compared to the existing methods, achieving higher accuracy. In the first technique, dilated convolution (DC) blocks with proportional rates are used to integrate high-level and low-level features. The second technique involves selecting dilated spatial pyramid (DSP) blocks, which increase the receptive field of features while maintaining their resolution, contributing to the network's generalization. The proposed model improves training, network depth, and feature extraction by incorporating a residual block. It outperforms the traditional U-Net model in terms of segmentation accuracy and network stability. We evaluated the model using the BraTS 2018 dataset, obtaining Dice coefficients of 0.906, 0.817, and 0.839 for the whole tumor (WT), the enhancing tumor (ET), and the tumor core (TC), respectively.Keywords: Image Segmentation, Deep Convolutional Neural Network, Magnetic Resonance Imaging (MRI), Brain Tumor
-
نشریه پژوهش های نوین در سامانه های دفاع الکترونیکی، سال دوم شماره 2 (پیاپی 3، تابستان 1402)، صص 1 -13تشخیص و طبقه بندی مدولاسیون PRI یک کار حیاتی در سامانه های ESM و ELINT برای تشخیص دقیق تهدیدات راداری است. بااین حال، این عمل به دلیل پالس های ازدست رفته و پالس های ناخواسته و اثرات نامطلوب اسکن آنتن که منجر به دنباله نویزی مدولاسیون PRI می شوند در محیط واقعی چالش برانگیز هست. برای پرداختن به این مسیله در این تحقیق سه روش مبتنی بر شبکه عصبی عمیق کانولوشنی (LeNet5, AlexNet, GooglNet) که با استفاده از ماشین یادگیری افراطی (ELM) بهینه گردیده اند، پیشنهاد گردیده است. درواقع در مرحله اول، یک شبکه عصبی کانولوشنی عمیق (DCNN) به عنوان استخراج کننده ویژگی استفاده می شود. سپس، در مرحله دوم ماشین یادگیری افراطی (ELM) برای تشخیص و طبقه بندی بلادرنگ مدولاسیون PRI استفاده می شود. برای ارزیابی روش های پیشنهادی داده های متناسب با داده های واقعی طراحی و شبیه سازی گردیدند و تمامی اثرات مخرب بر دنباله PRI در نظر گرفته شده اند. نتایج شبیه سازی ها بروی 60000 تصویر نشان دهنده عملکرد بهتر شبکه AlexNet-ELM در اکثر معیارهای ارزیابی بوده و به دقت بالای 93% دست یافته است.کلید واژگان: مدولاسیون PRI، شبکه عصبی کانولوشنی عمیق، ماشین یادگیری افراطی، پالس های از دست رفته، پالس های ناخواستهPRI modulation recognition and classification is a critical task in ESM and ELINT systems to accurately detect radar threats. However, this practice is challenging in a real environment due to missing pulses and spurious pulses and undesirable antenna scanning effects that lead to noisy PRI modulation sequences. To address this issue in this papper, three methods based on deep convolutional neural network (LeNet5, AlexNet, GooglNet) which have been optimized using extreme learning machine (ELM) have been proposed. In fact, in the first step, a deep convolutional neural network (DCNN) is used as a feature extractor. Then, in the second step extreme learning machine (ELM) is used for real-time recognition and classification of PRI modulation. To evaluate the proposed methods, data corresponding to the real data were designed and simulated, and all the destructive effects on the PRI sequence were considered. The results of simulations on 60,000 images show that the AlexNet-ELM network performs better in most of the evaluation criteria and has achieved a high accuracy of 93%.Keywords: PRI modulation, Deep convolutional neural network, Extreme learning machine, missing pulses, spurious pulses
-
Facial Expression Recognition (FER) is one of the basic ways of interacting with machines and has been getting more attention in recent years. In this paper, a novel FER system based on a deep convolutional neural network (DCNN) is presented. Motivated by the powerful ability of DCNN to learn features and image classification, the goal of this research is to design a compatible and discriminative input for pre-trained AlexNet-DCNN. The proposed method consists of 4 steps: first, extracting three channels of the image including the original gray-level image, in addition to horizontal and vertical gradients of the image similar to the red, green, and blue color channels of an RGB image as the DCNN input. Second, data augmentation including scale, rotation, width shift, height shift, zoom, horizontal flip, and vertical flip of the images are prepared in addition to the original images for training the DCNN. Then, the AlexNet-DCNN model is applied to learn high-level features corresponding to different emotion classes. Finally, transfer learning is implemented on the proposed model and the presented model is fine-tuned on target datasets. The average recognition accuracy of 92.41% and 93.66% were achieved for JAFEE and CK+ datasets, respectively. Experimental results on two benchmark emotional datasets show promising performance of the proposed model that can improve the performance of current FER systems.
Keywords: Facial expression recognition, deep convolutional neural network, three-channel of the image, AlexNet DCNN, Transfer learning -
یادگیری عمیق، یکی از رویکردهای مورد توجه در یادگیری ماشین می باشد که شامل معماری های مهمی می باشد. شبکه کانولوشنی عمیق، یکی از معماری های مورد توجه در یادگیری عمیق می باشد که در پردازش های مربوط به تصاویر دیجیتالی کاربرد فراوانی پیدا کرده است. در این پژوهش، شبکه کانولوشنی Alexnet، به منظور شناسایی چهره در عکس های ورودی، مورد استفاده قرار گرفته است. تنظیم دقیق مدل از قبل تعلیم داده شده ی Alexnet، با تبدیل لایه های کاملا متصل به لایه های کانولوشنی و اعمال فیلتر های مناسب، انجام شده است. استفاده از برش های مختلف عکس ورودی و نیز افزایش تعداد لایه های کانولوشنی به منظور استخراج خصوصیت های با سطح بالاتر به همراه فیلترهای مناسب در مدل های پیشنهادی مورد توجه قرار گرفته است. به منظور تجسم اعمال فیلترها در لایه های مختلف، از روش کانولوشن معکوس استفاده شده است. از دو پایگاه داده ی Caltech face و LFW به منظور نشان دادن نتایج، استفاده شده است. پس از پردازش های لازم بر روی پایگاه داده های مورد استفاده، نتایح به دست آمده از شبکه Alexnet، قبل و بعد از تنظیم دقیق، مورد بررسی قرار گرفته است. نتایج بررسی، حاکی از بهبود عملکرد شبکه، تحت عملیات انجام شده، می باشد.کلید واژگان: یادگیری عمیق، شبکه کانولوشنی عمیق، تنظیم دقیق، شناسایی چهره، یادگیری انتقالی، کانولوشن معکوسDeep learning is one of the most important scopes of the Machine Learning that includes some important architectures. Deep Convolutional Neural Network is one of the attractive architectures that uses in digital image processing. In this paper, we use the Alexnet model for face recognition from input images. We fine-tune the Alexnet model by converting one or two fully connected layers to convolutional layers as well as using the suitable filters. To improve the robustness of the model in coping with the situations that some parts of the input images damaged, we use five crops of the input images including five pixel areas. Furthermore, to visualize the output of each layer, we use the Deconvolution technique in our method. The output of some convolutional and activation layers has been shown. Using this technique, we obtain the Heat-map of the image. To show the results, we use the LFW and Caltech faces datasets. After pre-processing the images of datasets, we compare the results of the Alexnet model in two states: before fine-tuning and after fine-tuning. The results show the recognition accuracy improvement of the fine-tuned models on input images.Keywords: Deep learning, Deep Convolutional Neural Network, Fine-tuning, Face recognition, Transfer learning, Deconvolution
-
تکامل برچسب های تصاویر، فرآیندی است که هم زمان به غنی سازی تگ های تصاویر و رفع نویز از آن ها می پردازد. بسیاری از تصاویر در وب، توسط تگ های مبهم و بی ارتباط با محتوای تصویر برچسب گذاری شده اند. وجود این برچسب های غیرمرتبط با تصویر، موجب کاهش دقت بازیابی آن ها می شود. ازاین رو در سال های اخیر، به منظور رفع نویز و تکمیل برچسب های تصاویر، الگوریتم هایی با عنوان تکامل تگ مطرح شده اند که هدف آن ها دستیابی به برچسب های مرتبط با محتوای تصاویر و حذف برچسب های غیرمرتبط می باشد. با توجه به کارآمدی فرآیند یادگیری عمیق در بسیاری از حوزه های پژوهشی، در این مقاله نیز به منظور استخراج ویژگی های دیداری و معنایی مناسب از تصاویر، از شبکه های عصبی کانولوشنال عمیق استفاده شده است. همچنین با توجه به چالش های مطرح در بارگذاری مجموعه تصاویر با مقیاس بزرگ در حافظه، به منظور دسته بندی تصاویر مشابه دیداری و پالایش برچسب های هر تصویر با توجه به نمونه های مشابه، از الگوریتم خوشه بندی فازی تک گذر C-Means استفاده شده است. نتایج آزمایش ها بیانگر موثر بودن رویکرد ارائه شده، در فرآیند تکامل برچسب های تصاویر می باشد.کلید واژگان: تکامل تگ تصویر، شبکه عصبی کانولوشنال عمیق، پالایش تگ، خوشه بندی فازی تک گذر C-Means، بازیابی تصاویرImage tag completion is a process that aims to simultaneously enrich the missing tags and remove noisy tags. many of the images have vague, incomplete and irrelevant tags. These untrusted tags, reduce the accuracy of image retrieval. Hence, in recent years, many tag completion algorithms have been proposed in order to access to the tags associated with the content of images. Due to the effectiveness of deep learning in many research fields, in this paper a deep convolutional neural network has been used to extract suitable visual and semantic features of images. Also, considering the challenges involved in loading a large-scale image databases in memory, a Single Pass Fuzzy C-Means clustering algorithm is used in order to compute visually similar images and refining the image’s tags according to similar samples. The results show the effectiveness of proposed approach in images tag completion.Keywords: Image Tag Completion, Deep Convolutional Neural Network, Tag Refinement, Single Pass Fuzzy C-Means Clustering, Image Retrieval
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.