نشریه علوم رایانشی
سال ششم شماره 3 (پیاپی 22، پاییز 1400)

در این مقاله به مقایسه دو الگوریتم متداول در حل مسایل پردازش تصویر، الگوریتم اولیه-دوگان و الگوریتم اسپلیت برگمن می‌پردازیم. ابتدا تحلیل ریاضی الگوریتم اسپلیت برگمن بیان می‌شود و برای مدل‌های وردشی TV و TGV الگوریتم‌های محاسباتی ارایه می‌شود و در پایان این الگوریتم با الگوریتم اولیه-دوگان از لحاظ کمی و کیفی مقایسه می‌شود.

دو شخص A و B در مسیرهای مشخص روی مرز n ضلعی ساده P حرکت می‌کنند. شخص A سرعت خود را طوری کنترل می‌کند که در طول مسیر، توسط شخص B دیده نشود. مجموعه S شامل k نقطه درون P به عنوان مانع دید داده شده و فرض براین است که سرعت زاویه‌ای چرخش دو نفر حول هر مانع ثابت است. هدف مسیله، تعیین مسیر امن برای هر دو پیماینده است به طوری که هرگز همدیگر را در طول مسیر نبینند. برای یافتن چنین مسیری از نمودار رویت‌پذیری استفاده شده است. نمودار رویت‌پذیری، رویت‌پذیر بودن دو نقطه را در یک چند ضلعی ساده نشان می‌دهد. همچنین به عنوان تعمیمی از مسئله تعقیب و گریز با مانع، حالتی را مورد مطالعه قرار می‌دهیم که در آن شخص A باید سرعت خود را طوری کنترل کند که در طول مسیر توسط m پیماینده دیده نشود. با استفاده از نمودار رویت‌پذیری شخص A با هریک از m پیمانده، شخص A با m پیمانده می‌تواند مسیر امنی داشته باشد. همچنین نشان می‌دهیم یافتن چنین مسیری در مرتبه زمانی O(m^2 n^3 log mn) امکان پذیر است. الگوریتم‌های هندسی همچون رویت‌پذیری با روش‌های هندسی به حل مسایل پیچیده دنیایی واقعی می‌پردازند به‌طوری که می‌توان مسایل با محدودیت و تعامل بین حافظه و زمان اجرا به صورت هوشمندانه حل نمود.

امروزه استفاده از نشاننده گره‌های شبکه، کاربردهای بسیاری را در تحلیل شبکه‌های پیچیده پیدا کرده است؛ نشاننده یک گره، برداری است که این گره را در یک فضای جدید برداری نمایش می‌دهد. یافتن یک نمایش برداری مناسب برای گره‌های شبکه را یادگیری بازنمایی شبکه می‌نامند که در آن گره‌های شبیه در شبکه باید چنان در فضای برداری نمایش داده شوند که در آن فضا نیز به هم شبیه باشند و فاصله میان نشاننده گره‌های شبیه در فضای جدید کم باشد. Node2vec یکی از روش‌های رایج برای یافتن نشاننده گره‌های شبکه است. با فرض داشتن نشاننده‌ها، مسئله تحلیل در شبکه‌های پیچیده می‌تواند تبدیل به مسئله دیگری در فضای برداری شود. در این مقاله، یک چارچوب سه مرحله‌ای، با نام DenseNet-LP پیشنهاد می‌شود که در آن مسئله پیش‌بینی پیوند در شبکه‌های پیچیده با مسئله رده‌بندی در فضای برداری جابجا می‌شود. در مرحله اول، نشاننده گره‌ها با روش Node2vec به‌دست می‌آید. در مرحله دوم DenseNet-LP، با استفاده از نشاننده‌ها، به ازای هر گره یک ماتریس ساخته می‌شود تا در مرحله بعدی مورد استفاده قرار گیرد. در مرحله آخر DenseNet-LP، ماتریس مرتبط با دو گره متفاوت به یک شبکه ‌عصبی داده می‌شود تا مسئله رده‌بندی را حل کند؛ آیا میان این دو گره پیوند وجود دارد (رده اول) یا وجود ندارد (رده دوم)؟ همچنین در این مقاله، در کنار مقایسه روش‌های متفاوت یادگیری بازنمایی شبکه با Node2vec، نسخه جدیدی از این روش نیز پیشنهاد شده است که کارآیی بالاتری در حل مسئله پیش‌بینی پیوند دارد.

قرارداد هوشمند پروتکلی دیجیتالی (کد نرم‌افزاری) است که امکان انجام خودکار نظارت‌ها و اجرای مفاد قراردادها بدون نیاز به واسطه‌ها را فراهم می‌آورد. فناوری بلاک‌چین حذف مجری و یا ناظر در قراردادها را از طریق یک دفتر کل توزیع شده فراهم می‌کند اما شیوه‌ای مطمین برای اعمال ضوابط قانونی ندارد. به‌عنوان نمونه در شبکه‌ای مانند بیت‌کوین امکان انجام فعالیت‌های غیرقانونی مانند پول‌شویی و خرید و فروش اسلحه وجود دارد و همچنین هزینه‌های قانونی مانند مالیات و عوارض قابل حسابرسی و اعمال نیست. در این پژوهش طرحی ابداع شده است که به مجریان و ناظران قانونی اجازه اعمال ضوابط و حسابرسی را می‌دهد در حالی که فرآیند اجرایی قرارداد هوشمند، خودکاری مناسب را حفظ می‌کند. در این مقاله پنج چالش مهم در اعمال ضوابط قانونی بر روی بلاک‌چین مطرح شده است: اعتبارسنجی طرفین قرارداد، اعتبارسنجی ماهیت کالا، وصول هزینه‌های قانونی، اعمال قوانین سرزمینی و حسابرسی. در پژوهش‌های جدید تلاش‌هایی برای پاسخگویی بعضی از آن‌ها انجام شده است. ایده پیشنهادی این مقاله راهکاری جهت پاسخگویی همه نیازها برای اعمال ضوابط قانونی است. طرح پیشنهادی بر روی شبکه اتریوم پیاده‌سازی شده است. نسل فعلی قراردادهای هوشمند برای تضمین اجرای صحیح طرح پیشنهادی دو محدودیت دارد؛ فراخوانی خدمات بیرونی از داخل قرارداد هوشمند ممکن نیست و برقراری اتصال بین قراردادهای هوشمند خودکار نیست.

در این مقاله کاربردی جدید جهت یافتن چهره در تصاویر دوربین‌های نظارتی با استفاده از شبکه‌های عصبی عمیق ارایه گردیده است. در مکان عمومی در صورتی که یک کودک مفقود گردد با توجه به این که در اکثر موارد والدین روی تلفن همراه تصویری از کودک خود دارند می‌توانند تصویر کودک خود را به این سامانه تحویل دهند و سامانه با دریافت تصاویر دوربین‌های نظارتی واقع در محل، آخرین مکانی که کودک دیده شده است را مشخص نماید. برای یافتن چهره از الگوریتم vggface2 در محیط پایتورچ استفاده شده است. نتایج آزمایش‌ها نشان می‌دهد دقت حاصل شده برای بازیابی تصاویر چهره حدود 99 و برای قاب‌های ویدیو در حدود 6/96 درصد است و همچنین این روش در برابر روش‌هایی همچون الگوی دودویی محلی که با پردازش تک تک پیکسل‌ها در ارتباط است از سرعت قابل توجهی برخوردار است.

روش تطبیق زمینه شکل یک روش متداول در بازشناسی اشیاء است. این الگوریتم با محاسبه هیستوگرام قطبی برای نقاط نشانه، نسبت به تغییرات مقیاس، چرخش و انتقال مقاوم می‌باشد. در عین حال، مهم‌ترین نقاط ضعف آن، تعدد نقاط نشانه تکراری و زمان اجرای بالای الگوریتم است. با هدف ارتقای عملکرد این الگوریتم، در این مقاله پس از استخراج پیکسل‌های لبه، تصویر پنجره‌بندی شده و فاصله لبه‌ها از یکدیگر در هر پنجره محاسبه می‌شود. آنگاه برای دو نقطه بیش از حد آستانه نزدیک، یکی بر اساس یک معیار مشخص حذف می‌شود. سپس برای نقاط باقی‌مانده، توصیف‌گر زمینه شکل تولید می‌شود. در ادامه، ابعاد بردار توصیف‌گر با استفاده از روش‌های تحلیل مولفه‌های اصلی کرنل و تحلیل جداساز فیشر کرنل کاهش می‌یابد. در نهایت برای شناسایی اشیاء، از توصیف‌گر زمینه شکل کاهش‌یافته به‌عنوان ورودی الگوریتم‌های بازشناسی استفاده شده است. رویکرد پیشنهادی نه تنها عملکرد بازشناسی تصاویر دودویی را نسبت به الگوریتم پایه بهبود داده، بلکه با به کارگیری روش های آماری به جای روش‌های بهینه سازی، باعث انتقال کلیه محاسبات به مرحله آموزش و در نتیجه کاهش پیچیدگی محاسباتی در مرحله آزمون گردیده است. نتایج شبیه‌سازی تصدیق کننده برتری روش پیشنهادی نسبت به سایر روش‌های کلاسیک است.

ظهور بیماری کرونا ویروس 2019 (کووید-19) در اوایل دسامبر 2019 آسیب زیادی به سلامتی و رفاه جهانی وارد کرده است. در حال حاضر، میلیون‌ها نفربه این ویروس مبتلا شده‌اند و این ویروس جدید به سرعت در سراسر جهان در حال گسترش است. بسیاری از بیمارستان‌ها در سرتاسر جهان هنوز به مقدار کافی به کیت آزمایش مجهز نشده‌اند و آزمایش واکنش زنجیره‌ای پلیمر از رونویسی معکوس (RT-PCR) زمانبر و دردسرساز است. از این‌رو طراحی یک سیستم تشخیص خودکار و زودهنگام که بتواند تصمیم‌گیری سریع ارایه دهد و خطای تشخیص را تا حد زیادی کاهش دهد بسیار مهم است. تصاویر اشعه ایکس قفسه سینه همراه با روش‌های نوظهور هوش مصنوعی(AI)، به ویژه الگوریتم‌های یادگیری عمیق (DL) اخیرا به گزینه مناسبی برای غربالگری اولیه کووید-19 تبدیل شده‌اند. در این مقاله یک روش خودکار با کمک DL با استفاده از تصاویر اشعه X برای تشخیص زودهنگام عفونت کووید-19 پیشنهاد شده است. ما اثربخشی هشت مدل شبکه عصبی متحرک (CNN) از پیش آموزش‌دیده مانندAlexNet، VGG-16، GoogleNet، MobileNet-V2، SqueezeNet، ResNet-34، ResNet-50 و Inception-V3 را برای طبقه‌بندی کووید-19 از موارد عادی ارزیابی می‌کنیم. همچنین، تجزیه و تحلیل‌های مقایسه‌ای بین این مدل‌ها با در نظر گرفتن چندین عامل مهم مثل اندازه دسته، نرخ یادگیری، تعداد دوره‌ها و نوع بهینه‌سازها با هدف یافتن بهترین مدل مناسب انجام شده‌است. مدل‌ها بر روی تصاویر اشعه ایکس قفسه سینه در دسترس عموم تایید شده و بهترین عملکرد توسط ResNet-34 با دقت 98.33٪ به‌دست آمده است. این مطالعه برای پژوهشگران مفید خواهد بود تا با طراحی مدل‌های موثرتر از شبکه CNN برای تشخیص زودهنگام کووید-19 تحقیق کنند.