Поиск на английском языке Макляев

Материал из Wiki
(Различия между версиями)
Перейти к: навигация, поиск
Строка 54: Строка 54:
 
Статья доступна для свободного чтения. Имеет 46 пристатейных ссылок и 523 цитирования.
 
Статья доступна для свободного чтения. Имеет 46 пристатейных ссылок и 523 цитирования.
  
Авторы работы решают задачу распознавания человеческой деятельности (HAR) традиционно решались с использованием технических характеристик, полученных с помощью эвристических процессов. Их исследования показывают, что глубокие сверточные нейронные сети подходят для автоматизации извлечения признаков из необработанных входных данных датчиков. Однако человеческая деятельность состоит из сложных последовательностей двигательных движений, и фиксация этой временной динамики является фундаментальной для успешной HAR. Основываясь на недавнем успехе рекуррентных нейронных сетей для доменов временных рядов, они предлагают общую глубокую структуру для распознавания активности на основе сверточных и рекуррентных модулей LSTM, которая: (i) подходит для мультимодальных носимых датчиков; (ii) может выполнять слияние датчиков естественным образом; (iii) не требует экспертных знаний при проектировании функций; и (iv) явно моделирует временную динамику активации функций. Они оценивают их структуру на двух наборах данных, один из которых был использован в задаче распознавания общественной активности.
+
Авторы работы решают задачу распознавания человеческой деятельности (HAR) традиционно решались с использованием технических характеристик, полученных с помощью эвристических процессов. Их исследования показывают, что глубокие сверточные нейронные сети подходят для автоматизации извлечения признаков из необработанных входных данных датчиков. Однако человеческая деятельность состоит из сложных последовательностей двигательных движений, и фиксация этой временной динамики является фундаментальной для успешной HAR. Основываясь на недавнем успехе рекуррентных нейронных сетей для доменов временных рядов, они предлагают общую глубокую структуру для распознавания активности на основе сверточных и рекуррентных модулей LSTM, которая: 1) подходит для мультимодальных носимых датчиков; 2) может выполнять слияние датчиков естественным образом; 3) не требует экспертных знаний при проектировании функций; и 4) явно моделирует временную динамику активации функций. Они оценивают их структуру на двух наборах данных, один из которых был использован в задаче распознавания общественной активности.
  
 
Выводы: По сравнению с русскими статьями, зарубежные статьи имеют значительно большее количество цитирований и критериев оценивания. Также можно заметить, что выбранная мною тема более развита в зарубежных странах, и как следствие имеется большая возможность найти интересную и хорошую статью.
 
Выводы: По сравнению с русскими статьями, зарубежные статьи имеют значительно большее количество цитирований и критериев оценивания. Также можно заметить, что выбранная мною тема более развита в зарубежных странах, и как следствие имеется большая возможность найти интересную и хорошую статью.

Версия 02:33, 26 ноября 2020

Neural network modeling

Neural network modeling, neural networks.

Цель моего поиска - найти более-менее интересные публикации на тему создания и использования нейронных сетей для математического описания множества полученных экспериментальных данных. Для поиска необходимых мне публикаций нужно использовать зарубежные научные электронные ресурсы.

Все статьи найдены в поисковой интернет-платформе Web of science, объединяющей реферативные базы данных публикаций в научных журналах и патентов, в том числе базы, учитывающие взаимное цитирование публикаций. Для Scopus необходимо зайти с IP РХТУ, иначе невозможно воспользоваться поиском публикаций.

В качестве дополнительного параметра поиска была выбрана сортировка по рейтингу.

Статья №1. Deep Learning for Generic Object Detection: A Survey Liu, L; Ouyang, WL; Wang, XG ; Fieguth, P ; Chen, J ; Liu, XW INTERNATIONAL JOURNAL OF COMPUTER VISION Том: 128 Выпуск: 2 Стр.: 261-318

ST1.png

Эта статья даёт всесторонний обзор последних достижений в этой области, вызванных методами глубокого обучения. В неё включено более 300 исследовательских работ, охватывающих многие аспекты обнаружения общих объектов: структуры обнаружения, представление функций объекта, создание предложения объекта, контекстное моделирование, стратегии обучения и метрики оценки.

Статья написана авторами из Японии и доступна для свободного чтения. Имеет 326 пристатейных ссылок и 57 цитирований. Например она ссылается на статью Analyzing the Performance of Multilayer Neural Networks for Object Recognition 2005 года с импакт фактором 0.402. Относится к категории COMPUTER SCIENCE, THEORY & METHODS и занимает 62 ранг из 71, Q4 - квартиль в категории.

Статью цитируют авторы работы Object Detection and Image Segmentation with Deep Learning on Earth Observation Data: A Review-Part I: Evolution and Recent Trends Hoeser, T ; Kuenzer, C REMOTE SENSING Том: 12 Выпуск: 10 Номер статьи: 1667. Импакт фактор 4,509 за 2019 год. Относится к категории REMOTE SENSING, занимает ранг 9 из 30, квартиль в категории Q2.

Статья №2. Novel deep genetic ensemble of classifiers for arrhythmia detection using ECG signals Plawiak, P; Acharya, UR NEURAL COMPUTING & APPLICATION Том: 32 Выпуск: 15 Стр.: 11137-11161.

ST2.png

Статья доступна для свободного чтения. Имеет 80 пристатейных ссылок и 49 цитирований.

Авторы данной работы предлагают модель, которая может быть применена в облачных вычислениях или реализована в мобильных устройствах для немедленной оценки сердечного здоровья с максимальной точностью с помощью методов ансамблевого обучения, глубокого обучения и эволюционных вычислений.

Выбранная мною статья ссылается на другую работу Novel deep genetic ensemble of classifiers for arrhythmia detection using ECG signals Plawiak, P; Acharya, UR имеющую импакт фактор 2,672 за 2019 год и участвует в рейтинге двух категорий COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE (ранг в категории 58 из 137, квартиль в категории Q2) и COMPUTER SCIENCE, INFORMATION SYSTEMS (ранг в категории 71 из 156, квартиль в категории Q2).

Данную статью цитируют авторы работы Classification of myocardial infarction with multi-lead ECG signals and deep CNN Baloglu, UB; Talo, M; Yildirim, O; Tan, RS; Acharya, UR. Эта работа относится к категории COMPUTER SCIENCE,ARTIFICIAL INTELLIGENCE занимает ранг : 44 из 137, квартиль в категории Q2.

Статья №3. Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning Shin, HC; Roth, HR; Gao, MC; Lu, L ; Xu, ZY; Nogues, I ; Yao, JH; Mollura, D; Summers, RM IEEE TRANSACTIONS ON MEDICAL IMAGING Том: 35 Выпуск: 5 Стр.: 1285-1298 Специальный выпуск: SI

ST3.png

Статья доступна для свободного чтения. Имеет 73 ссылки и 1338 цитирования.

Авторы данной работу изучают две специфические проблемы компьютерного обнаружения (CADe), а именно обнаружение торакоабдоминальных лимфатических узлов (LN) и классификацию интерстициальных заболеваний легких (ILD). Они достигли высочайшего уровня производительности при обнаружении ЛУ средостения и сообщают о первых результатах пятикратной перекрестной проверки классификации прогнозирования аксиальных КТ-срезов с категориями ILD. Их обширная эмпирическая оценка, анализ модели CNN и ценные идеи могут быть расширены на проектирование высокопроизводительных систем CAD для других задач медицинской визуализации.

Статья №4 Brain tumor segmentation with Deep Neural Networks Havaei, M ; Davy, A ; Warde-Farley, D ; Biard, A MEDICAL IMAGE ANALYSIS Том: 35 Стр.: 18-31

ST4.png

Статья доступна для свободного чтения. Имеет 49 пристатейных ссылок и 792 цитирования.

В этой статье они представляют полностью автоматический метод сегментации опухоли головного мозга на основе глубоких нейронных сетей (DNN). Предлагаемые сети адаптированы к глиобластомам (как низкой, так и высокой степени), изображенным на МР-изображениях. По своей природе эти опухоли могут появляться в любом месте головного мозга и иметь практически любую форму, размер и контраст. Для решения поставленной задачи они используют метод машинного обучения, которое использует гибкую, высокопроизводительную DNN и при этом является чрезвычайно эффективным. Они дают описание выбора различных моделей, которые, по их мнению, необходимы для получения конкурентоспособных характеристик. Они исследуют, в частности, различные архитектуры, основанные на сверточных нейронных сетях (CNN), то есть DNN, специально адаптированных для данных изображений.

Статья №5 Deep Convolutional and LSTM Recurrent Neural Networks for Multimodal Wearable Activity Recognition Ordonez, FJ; Roggen, D SENSORS Том: 16 Выпуск: 1 Номер статьи: 115

ST5.png

Статья доступна для свободного чтения. Имеет 46 пристатейных ссылок и 523 цитирования.

Авторы работы решают задачу распознавания человеческой деятельности (HAR) традиционно решались с использованием технических характеристик, полученных с помощью эвристических процессов. Их исследования показывают, что глубокие сверточные нейронные сети подходят для автоматизации извлечения признаков из необработанных входных данных датчиков. Однако человеческая деятельность состоит из сложных последовательностей двигательных движений, и фиксация этой временной динамики является фундаментальной для успешной HAR. Основываясь на недавнем успехе рекуррентных нейронных сетей для доменов временных рядов, они предлагают общую глубокую структуру для распознавания активности на основе сверточных и рекуррентных модулей LSTM, которая: 1) подходит для мультимодальных носимых датчиков; 2) может выполнять слияние датчиков естественным образом; 3) не требует экспертных знаний при проектировании функций; и 4) явно моделирует временную динамику активации функций. Они оценивают их структуру на двух наборах данных, один из которых был использован в задаче распознавания общественной активности.

Выводы: По сравнению с русскими статьями, зарубежные статьи имеют значительно большее количество цитирований и критериев оценивания. Также можно заметить, что выбранная мною тема более развита в зарубежных странах, и как следствие имеется большая возможность найти интересную и хорошую статью.

Персональные инструменты
Пространства имён

Варианты
Действия
Навигация
Инструменты