Поиск на английском языке Макляев

Материал из Wiki
Перейти к: навигация, поиск

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 каких-либо зависимостей. 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.

Выводы: По сравнению с русскими статьями, зарубежные статьи имеют значительно большее количество цитирований, 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