فایل پی دی اف کامل مقاله ISI بهینه سازی و تنظیم دقیق مدل DenseNet برای طبقه بندی COVID-19 PDF

توجه : این فایل به صورت فایل PDF (پی دی اف) ارائه میگردد

 فایل پی دی اف کامل مقاله ISI بهینه سازی و تنظیم دقیق مدل DenseNet برای طبقه بندی COVID-19 PDF دارای ۱۲ صفحه می باشد و دارای تنظیمات و فهرست کامل در PDF می باشد و آماده پرینت یا چاپ است

فایل پی دی اف فایل پی دی اف کامل مقاله ISI بهینه سازی و تنظیم دقیق مدل DenseNet برای طبقه بندی COVID-19 PDF  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل پی دی اف کامل مقاله ISI بهینه سازی و تنظیم دقیق مدل DenseNet برای طبقه بندی COVID-19 PDF،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل پی دی اف کامل مقاله ISI بهینه سازی و تنظیم دقیق مدل DenseNet برای طبقه بندی COVID-19 PDF :

دانلود فایل پی دی اف کامل مقاله ISI بهینه سازی و تنظیم دقیق مدل DenseNet برای طبقه بندی COVID-19 PDF

موضوع انگلیسی:Optimization and fine-tuning of DenseNet model for classification of COVID-19

فرمت فایل: pdf

تعداد صفحه:۱۲

چکیده

بیش از یک سال است که کل جهان در حال مبارزه با همه‌گیری COVID-19 است. با شروع از شهر ووهان در چین، COVID-19 با پیشرفت سریع خود تمام جهان را تسخیر کرده است. اما به دنبال اهمیت وضعیت انسان، ساخت چنین مدل خودکاری برای تشخیص COVID-19 در زمان محاسباتی کمتر ضروری است. با گسترش بیماری، داده های کافی برای اجرای یک مدل دقیق پیش بینی COVID-19 وجود ندارد. اما تکنولوژی یک موهبت است که آن را ممکن می کند. تکنیک‌های مؤثر مبتنی بر تصویربرداری پزشکی با استفاده از هوش مصنوعی برای کمک به انسان در زمان ضروری به کار گرفته شده‌اند. تشخیص COVID-19 در انسان در مراحل اولیه برای جلوگیری از عفونی شدن آن بسیار ضروری است. شبکه های عصبی نتایج امیدوارکننده ای را در تصویربرداری پزشکی نشان داده اند. در این تحقیق، یک رویکرد مبتنی بر یادگیری عمیق برای طبقه‌بندی تصاویر برای تشخیص COVID-19 با استفاده از تصاویر اشعه ایکس قفسه سینه (CXR) استفاده شده است. یک طبقه‌بندی کننده CNN برای طبقه‌بندی تصاویر سالم-عادی از تصاویر COVID-19 با استفاده از یادگیری انتقال استفاده شده است. مفهوم توقف زودهنگام برای افزایش دقت مدل DenseNet پیشنهادی استفاده می شود. نتایج سیستم با استفاده از معیارهای دقت، دقت، فراخوانی و امتیاز F1 ارزیابی شده است. تجزیه و تحلیل مقایسه ای خودکار بین بهینه سازهای متعدد، LR Scheduler و Loss Function برای بدست آوردن بالاترین دقت مناسب برای سیستم پیشنهادی انجام می شود. بهینه‌ساز Adamax با عملکرد تلفات Cross Entropy و زمان‌بندی StepLR با دقت ۹۸.۴۵% برای تصاویر CXR سالم و ۹۸.۳۲% برای تصاویر COVID-19 عملکرد بهتری داشته است.