رکوردهای مرتبط با این شخص

استفاده از مدل ویسپر برای شناسایی خودکار گفتار فارسی (1402) / رحیمی پور ، محمدحسین، نویسنده

نوع مدرک: متون چاپی سرشناسه رحیمی پور ، محمدحسین، نویسنده شماره بازیابی : ‭COM A ‭41 1402 عنوان : استفاده از مدل ویسپر برای شناسایی خودکار گفتار فارسی عنوان موازی : Persian Automatic Speech Recognition by the use of Whisper Model ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1402 صفحه شمار: 54ص شابک/شاپا 25528 یادداشت پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوتر گرایش هوش مصنوعی و رباتیکز شناسه افزوده : راستین ، نیلوفر، استاد راهنما توصیفگرها شناسایی خودکار گفتار، ترانسفورمرها، یادگیری عمیقAutomatic speech recognition, Transformers, Deep learning, Natural Language Processing, Whisper model، پردازش زبان طبیعی، مدل ویسپر چکیده : تشخیص خودکار گفتار رایانه‌ها را قادر می‌سازد تا گفتار انسان را به شکل نوشتاری پردازش کنند. با توجه به اینکه زبان فارسی دارای ویژگی‌های پیچیده واجی و خط غیر لاتین فارسی می‌باشد، چالش‌های منحصر به فردی را در این زمینه ایجاد می‌کند. در این پژوهش، از مدل ویسپر برای شناسایی خودکار گفتار فارسی استفاده می‌شود. در این مدل معماری ترانسفورمرها به کار گرفته شده است که یک نوع معماری شبکه عصبی است که به طور گسترده در پردازش زبان طبیعی استفاده می‌شود. ترانسفورمرها قادر به تجزیه و تحلیل زبان انسان هستند و بر اساس بررسی بخش‌های مختلف یک جمله و ارتباط آنها با یکدیگر، کار می‌کنند. مدل ویسپر با استفاده از تکنیک‌های پیشرفته یادگیری عمیق و آموزش بر روی یک مجموعه داده گسترده چند زبانه، عملکرد استثنایی در تشخیص خودکار گفتار نشان داده است. مجموعه داده مورد استفاده در این پژوهش، صدای مشترک موزیلا می‌باشد که شامل 394 ساعت داده برای زبان فارسی است. در این مطالعه با تنظیم دقیق مدل ویسپر به همراه پیش پردازش داده‌ها، افزایش داده‌ها و تنظیم هایپرپارامتر‌ها توانستیم به بهبود عملکرد این مدل کمک کنیم. نتایج نشان دادند که استفاده از این مدل قدرتمند در تشخیص خودکار گفتار فارسی به بهبود قابل توجهی در این زمینه (نرخ خطای کلمه برابر با27.151) منجر می‌شود. برای پیشبرد تحقیقات در این زمینه، تمام کد منبع روش پیشنهادی را در گیت‌هاب در دسترس قرار داده شده است: https://github.com/mohammadh128/Persian_ASR لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14365 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
25528	‭COM A ‭41 1402	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

تشخیص حرکت انسان با استفاده از مدل ترنسفورمر (1402) / ابراهیمی ، مجید، نویسنده

نوع مدرک: متون چاپی سرشناسه ابراهیمی ، مجید، نویسنده شماره بازیابی : ‭COM A ‭43 1402 عنوان : تشخیص حرکت انسان با استفاده از مدل ترنسفورمر عنوان موازی : Detecting human motion using the Transformer model ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1402 صفحه شمار: 83ص شابک/شاپا 25610 یادداشت پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوتر گرایش هوش مصنوعی و رباتیکز شناسه افزوده : راستین ، نیلوفر، استاد راهنما توصیفگرها تشخیص حرکت انسان، مدل ترنسفورمر، یادگیری عمیق، تشخیص اشیا  : Human motion detection, Transformer model, Deep learning, Object detection چکیده : یادگیری عمیق، زیر شاخه ای پویا و پر اهمیت از حوزه یادگیری ماشین است که با استفاده از شبکه‌های عصبی ژرف، اطلاعات پیچیده را از داده‌ها استخراج می‌کند. یادگیری عمیق نه تنها برای تشخیص الگوها و ارتباطات پنهان در داده‌ها بلکه در بسیاری از حوزه‌ها از جمله تصویربرداری، پردازش زبان طبیعی و تحلیل داده‌های پیچیده مؤثر است. در این پژوهش از تکنیک های یادگیری عمیق، پردازش تصویر و ویدیو استفاده شده است تا حرکت های مختلف انسان در ویدیو تشخیص داده شود. برای این منظور به یک الگوریتم تشخیص شی نیاز است. در این پژوهش از YOLO که یکی از شناخته شده ترین الگوریتم تشخیص اشیا در تصاویر با استفاده از شبکه‌های عصبی ژرف است برای شناسایی انسان در تصویر و استخراج نقاط کلیدی استفاده شده است. پس از آن از مدل ترنسفورمر برای آموزش و تشخیص حرکت های مدنظر که نقاط کلیدی آن استخراج شده بوده استفاده شده است. نتایج نشان دادند که استفاده از این مدل در تشخیص حرکات انسان به بهبود قابل توجهی در این زمینه یعنی میانگین دقت 0.82بر روی دیتاست معروف UTD-MHAD و میانگین دقت 0.94 بر روی مجموعه داده ای که از ترکیب مجموعه های دیگر و سایت یوتیوب گرد آوری شده منجر شده است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14446 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
25609	‭COM A ‭43 1402	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

تشخیص سرطان دهانه رحم از روی تصاویر پاپ‌اسمیر با استفاده از یادگیری انتقالی ترکیبی (1402) / زمان وزیری ، مهشید، نویسنده

نوع مدرک: متون چاپی سرشناسه زمان وزیری ، مهشید، نویسنده شماره بازیابی : ‭COM A ‭ عنوان : تشخیص سرطان دهانه رحم از روی تصاویر پاپ‌اسمیر با استفاده از یادگیری انتقالی ترکیبی عنوان موازی : An Ensemble Transfer Learning Model for Cervical Cancer Detection on Pap Smear Images ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1402 صفحه شمار: 104ص شابک/شاپا 25327 یادداشت پایان‌نامه کارشناسی‌ارشد رشته کامپیوتر گرایش هوش مصنوعی و رباتیکز شناسه افزوده : راستین ، نیلوفر، نویسنده توصیفگرها سرطان دهانه رحم، پاپ‌اسمیر، یادگیری عمیق، یادگیری انتقالی، شبکه‌های عصبی کانولوشنی  Cervical cancer, Pap smear, Deep learning, Transfer learning, Convolutional neural networks لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14271 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
25327	‭COM A ‭	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

دسته بندی سرطان دهان با استفاده از یادگیری انتقالی و مکانیزم توجه (1403) / شیرانی ، آرش، نویسنده

نوع مدرک: متون چاپی سرشناسه شیرانی ، آرش، نویسنده شماره بازیابی : ‭COM A ‭46 1403 عنوان : دسته بندی سرطان دهان با استفاده از یادگیری انتقالی و مکانیزم توجه عنوان موازی : Oral cancer classification using transfer learning and attention mechanism ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1403 صفحه شمار: 79ص شابک/شاپا 25722 یادداشت پایان‌نامه کارشناسی ارشد رشته کامپیوتر گرایش هوش مصنوعی و رباتیکز شناسه افزوده : راستین ، نیلوفر، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها یادگیری انتقالی، مکانیزم توجه، DenseNet-121، سرطان دهان  Transfer learning, Attention mechanism , DenseNet-121, Oral cancer چکیده : سرطان دهان، به ویژه کارسینوم سلول سنگفرشی دهانی (OSCC)، یک بیماری خطرناک با علل پیچیده و میزان مرگ ومیر بالا است. تشخیص زودهنگام و دقیق نقش کلیدی در افزایش نرخ بقا و کاهش عوارض آن دارد. روش های تشخیصی سنتی، مانند بررسی های بافت شناسی، علاوه بر زمان بر بودن، به دلیل وابستگی به تفسیر متخصصان آسیب شناسی، مستعد خطای انسانی هستند. با پیشرفت های اخیر در یادگیری عمیق، به ویژه شبکه های عصبی کانولوشنی، سیستم های تشخیص خودکار برای شناسایی سرطان توسعه یافته اند. بااین حال، مدل های متداول شبکه عصبی کانولوشنی، اغلب در شناسایی روابط فضایی گسترده و وابستگی های بلندمدت در تصاویر بافت شناسی دچار ضعف هستند، درحالی که این ویژگی ها برای تحلیل دقیق الگوهای پیچیده ضروری اند. در این پژوهش، یک مدل DenseNet-121 بهینه شده با ماژول های موازی توجه کانالی و فضایی برای حل این چالش ها معرفی شده است. این ماژول ها با تمرکز بر ویژگی های مهم در ابعاد کانالی و فضایی، فرایند استخراج ویژگی را بهبود می بخشند. مدل پیشنهادی بر روی دو مجموعه داده ی متنوع بافت شناسی ارزیابی شده و نتایجی بهتر از روش های پیشین ارائه داده است. بدون استفاده از افزایش داده، مدل به دقت %97.88 و %93.50 در مجموعه داده های مورد بررسی دست یافته است. همچنین، با اعمال افزایش داده، عملکرد مدل بهبود یافته و دقت آن روی مجموعه داده ها به ترتیب به 99.23% و %95.51 افزایش یافته است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14558 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
25722	‭COM A ‭46 1403	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

طبقه بندی تومورهای مغزی با استفاده از شبکه های کانولوشنی موازی (1403) / فخار ، نیلوفر، نویسنده

نوع مدرک: متون چاپی سرشناسه فخار ، نیلوفر، نویسنده شماره بازیابی : ‭COM A ‭45 1403 عنوان : طبقه بندی تومورهای مغزی با استفاده از شبکه های کانولوشنی موازی عنوان موازی : Classification of Brain Tumors using Parallel Convolutional Networks ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1403 صفحه شمار: 88ص شابک/شاپا 25719 یادداشت پایان‌نامه کارشناسی‌ارشد :رشته کامپیوتر گرایش هوش مصنوعی و رباتیکز شناسه افزوده : راستین ، نیلوفر، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها طبقه بندی تومور مغزی، یادگیری عمیق، افزایش داده، شبکه‌های کانولوشنی پیش‌آموزش‌دیده، شبکه مولد متخاصم  Brain tumor classification, deep learning, data augmentation, pre-trained convolutional networks, generative adversarial network. چکیده : تومورهای مغزی یکی از جدی‌ترین بیماری‌های تهدیدکننده زندگی هستند که تشخیص دقیق و به‌موقع آن‌ها نقشی حیاتی در کاهش مرگ ‌ومیر بیماران ایفا می‌کند. تصویربرداری رزونانس مغناطیسی یکی از راه های کارآمد برای تشخیص این تومور مغزی است. در این پژوهش از شبکه‌های مولد متخاصم شرطی برای افزایش مجموعه داده Figshare که حاوی تصاویر رزونانس مغناطیسی است، استفاده شده است. سپس شبکه‌های کانولوشنی پیش آموزش دیده Xception و EfficientNetB0 به صورت موازی برای استخراج ویژگی از مجموعه داده افزایش یافته به کار برده شده اند. سپس توسط یک لایه کاملاً متصل با تابع فعالساز سافت مکس طبقه بندی شدند. ارزیابی عملکرد روش پیشنهادی ، دقت 96.09%، صحت96.12% ، بازیابی 95.28% و معیار F برابر با 95.68% را نشان داد. یافته‌های این پژوهش بیانگر آن است که روش پیشنهادی نسبت به روش های دیگر عملکرد بهتری دارد و می‌تواند بهبود قابل‌توجهی در تشخیص تومورهای مغزی ایجاد کند و در نتیجه به کاهش مرگ ‌ومیر ناشی از این بیماری کمک نماید لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14555 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
25719	‭COM A ‭45 1403	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

طبقه‌بندی نوع تومور مغزی با استفاده از شبکه‌های عصبی کانولوشن مبتنی بر گراف با کمک تصاویر MRI (1403) / بلوچستانی اصل ، حسین، نویسنده

نوع مدرک: متون چاپی سرشناسه بلوچستانی اصل ، حسین، نویسنده شماره بازیابی : ‭COM soft ‭81 1403 عنوان : طبقه‌بندی نوع تومور مغزی با استفاده از شبکه‌های عصبی کانولوشن مبتنی بر گراف با کمک تصاویر MRI عنوان موازی : Classification of brain tumor type using Graph Convolutional Network with MRI ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1403 صفحه شمار: 89ص شابک/شاپا 25868 یادداشت پایان‌نامه کارشناسی ارشد: رشته کامپیوتر گرایش مهندسی نرم‌افزار شناسه افزوده : راستین ، نیلوفر، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها تومور مغزی، شبکه عصبی، شبکه‌های کانولوشنی مبتنی بر گراف، شبکه‌های کانولوشنی پیش آموزش‌دیده.  Brain Tumor, Neural Network, Graph Convolutional Networks, Pre-Trained Convolutional Networks چکیده : تومورهای مغزی درحقیقت رشد غیرطبیعی سلول‌های درون مغز یا بافت‌های اطراف آن هستند. تشخیص و طبقه‌بندی تومورهای مغزی یکی از چالش‌های مهم در تصویربرداری پزشکی است که تأخیر در شناسایی و تفکیک صحیح نوع آن‌ها می‌تواند پیامدهای جبران‌ناپذیری برای بیماران به همراه داشته باشد. تصویربرداری رزونانس مغناطیسی یکی از راه‌های کارآمد برای تشخیص تومورهای مغزی است. روش پیشنهادی متشکل از شبکه کانولوشن مبتنی بر گراف برای طبقه‌بندی تصاویر رزونانس مغناطیسی می‌باشد. در مدل اول، ابتدا ویژگی‌های تصاویر MRI از طریق شبکه‌های کانولوشنی آموزش‌دیده استخراج شده، سپس این ویژگی‌ها به‌عنوان ورودی به یک شبکه عصبی گرافی ارسال و طبقه‌بندی انجام می‌شود. در مدل دوم، با استفاده از ماتریس مجاورت، ارتباط بین نواحی مختلف تصویر به‌صورت یک گراف مدل‌سازی شده و سپس از طریق یک شبکه کانولوشنی پردازش و طبقه‌بندی انجام می‌شود. در این پژوهش از مجموعه داده Brain Tumor MRI برای آموزش نهایی مدل استفاده گردید. پس از آموزش مدل‌ها با استفاده از این مجموعه داده‌ها، عملکرد مدل‌های پیشنهادی از نظر معیارهای ارزیابی استاندارد مورد بررسی قرار گرفت. در این ارزیابی مدل اول به دقت 0.9844، صحت 0.9846، یادآوری 0.9844، و امتیاز F1 0.9844 و مدل دوم به دقت 0.9673، صحت 0.9687، یادآوری 0.9673، و امتیاز F1 0.9673 در بهترین حالت دست یافتند لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14704 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
25868	‭COM soft ‭81 1403	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

پیش‌بینی قیمت بیت‌کوین با استفاده از شبکه متخاصم مولد (1403) / مانیان ، مهدی، نویسنده

نوع مدرک: متون چاپی سرشناسه مانیان ، مهدی، نویسنده شماره بازیابی : ‭COM soft ‭83 1403 عنوان : پیش‌بینی قیمت بیت‌کوین با استفاده از شبکه متخاصم مولد عنوان موازی : Bitcoin price prediction using Generative Adversarial Networks ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1403 صفحه شمار: 85ص شابک/شاپا 25880 یادداشت پایان نامه کارشناسی ارشد: رشته مهندسی کامپیوتر گرایش نرم افزار شناسه افزوده : راستین ، نیلوفر، استاد راهنما توصیفگرها یادگیری عمیق، پیش بینی قیمت بیت‌کوین، پیش بینی سری زمانی، شبکه متخاصم مولد  Deep Learning, Bitcoin Price Prediction, Time Series Forecasting, Generative Adversarial Networks   چکیده : بیت‌کوین یک ارز دیجیتال غیرمتمرکز است که در سال 2009 توسط ساتوشی ناکاموتو معرفی شد. این ارز بر پایه فناوری بلاک‌چین فعالیت می‌کند و امکان انجام تراکنش‌های همتابه‌همتا بدون نیاز به واسط‌هایی مانند بانک‌ها را فراهم می‌کند. پیش‌بینی قیمت بیت‌کوین با استفاده از تکنیک‌های یادگیری عمیق اخیراً توجه زیادی را به خود جلب کرده است. با وجود موفقیت شبکه‌های متخاصم مولد (GAN) در حوزه‌های مختلف، مسئله‌ی مهمی‌در پیش‌بینی قیمت بیت‌کوین وجود دارد: توانایی درک دقیق همبستگی بین داده‌های زمانی. علاوه بر این، شبکه‌های GAN با چالش‌های ذاتی قابل توجهی مانند ناپایداری در آموزش و پدیده‌ی فروپاشی مد مواجه هستند. در این پایان نامه، از تکنیک‌های پنجره‌بندی و شرطی‌سازی برای درک همبستگی بین قیمت‌ها و سایر ویژگی‌های مرتبط مانند شاخص‌های تکنیکال استفاده شده است. همچنین، از یک مولد هیبریدی مبتنی بر حافظه طولانی-کوتاه‌مدت (LSTM) استفاده شده است که یک لایه کانولوشن را با LSTM ترکیب می‌کند تا یادگیری از داده‌های زمانی بهبود یابد. همچنین از توابع هزینه مناسب برای متمایز‌کننده و مولد بهره گرفته شده تا پایداری آموزش افزایش یافته و فروپاشی مد کاهش یابد. اجرای روش پیشنهادی بر روی مجموعه داده روزانه بیت‌کوین برگرفته از وبسایت Yahoo Finance از تاریخ آگوست 2017 تا نوامبر 2024، با استفاده از داده‌های 2 روز گذشته برای پیش‌بینی 1 روز آینده، منجر به دست یافتن به مقدار 1193 برای معیار خطای جذر میانگین مربعات و مقدار 0.995 برای معیار ضریب تعیین شد. نتایج تجربی نشان می‌دهند که روش پیشنهادی به طور قابل توجهی از روش‌های پیشرفته موجود بهتر عمل می‌کند. کد منبع این روش در گیت‌هاب در دسترس است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14716 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
25880	‭COM soft ‭83 1403	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت