由于缺乏自动注释系统，大多数发展城市的城市机构都是数字未标记的。因此，在此类城市中，位置和轨迹服务（例如Google Maps，Uber等）仍然不足。自然场景图像中的准确招牌检测是从此类城市街道检索无错误的信息的最重要任务。然而，开发准确的招牌本地化系统仍然是尚未解决的挑战，因为它的外观包括文本图像和令人困惑的背景。我们提出了一种新型的对象检测方法，该方法可以自动检测招牌，适合此类城市。我们通过合并两种专业预处理方法和一种运行时效高参数值选择算法来使用更快的基于R-CNN的定位。我们采用了一种增量方法，通过使用我们构造的SVSO（Street View Signboard对象）签名板数据集，通过详细评估和与基线进行比较，以达到最终提出的方法，这些方法包含六个发展中国家的自然场景图像。我们在SVSO数据集和Open Image数据集上展示了我们提出的方法的最新性能。我们提出的方法可以准确地检测招牌（即使图像包含多种形状和颜色的多种嘈杂背景的招牌）在SVSO独立测试集上达到0.90 MAP（平均平均精度）得分。我们的实施可在以下网址获得：https：//github.com/sadrultoaha/signboard-detection
translated by 谷歌翻译
在现代资本市场中，由于各种社会，财务，政治和其他动态因素，股票的价格通常被认为是高度波动和不可预测的。借助计算和周到的投资，股票市场可以通过最少的资本投资来确保可观的利润，而错误的预测可以轻松地为投资者带来灾难性的财务损失。本文介绍了最近引入的机器学习模型 - 变压器模型的应用，以预测孟加拉国领先的证券交易所达卡证券交易所（DSE）的未来价格。变压器模型已被广泛用于自然语言处理和计算机视觉任务，但据我们所知，从未在DSE进行股票价格预测任务。最近，介绍了代表时间序列功能的Time2VEC编码，使得可以采用变压器模型进行股票价格预测。本文集中于基于变压器的模型的应用，以根据其历史和每周的数据来预测DSE中列出的八个特定股票的价格转移。我们的实验证明了大多数股票的有希望的结果和可接受的根平方误差。
translated by 谷歌翻译
由于对人工智能的大量解释，我们日常生活的各个领域都使用了机器学习技术。在世界上，在许多情况下，可以预防简单的犯罪，甚至可能发生或找到对此负责的人。面孔是我们拥有的一个独特特征，并且可以轻松区分许多其他物种。但是，不仅不同的物种，它在确定与我们同一物种的人的人类中也起着重要作用。关于这个关键功能，如今最常发生一个问题。当相机指向时，它无法检测到一个人的脸，并且变成了糟糕的图像。另一方面，在安装了抢劫和安全摄像头的地方，由于较低的摄像头，强盗的身份几乎无法区分。但是，仅制作出出色的算法来工作和检测面部就会降低硬件的成本，而专注于该领域的成本并不多。面部识别，小部件控制等可以通过正确检测到面部来完成。这项研究旨在创建和增强正确识别面孔的机器学习模型。总共有627个数据是从孟加拉国不同的四个天使的面孔中收集的。在这项工作中，CNN，Harr Cascade，Cascaded CNN，Deep CNN和MTCNN是实施的五种机器学习方法，以获得我们数据集的最佳准确性。创建和运行模型后，多任务卷积神经网络（MTCNN）通过培训数据而不是其他机器学习模型实现了96.2％的最佳模型精度。
translated by 谷歌翻译
机器学习（ML）从研究人员和从业者获得了相当大的关注，作为一种新的和适应性的疾病诊断工具。随着ML的进步和本领域的纸张和研究的增殖，需要完全检查机器学习的疾病诊断（MLBDD）。本文从一本书中，本文从2012年到2021年全面研究了MLBDD论文。因此，特定的关键字，1710篇关于助理信息的文件已从科学（WOS）数据库（WOS）数据库中提取，并集成到Excel数据表中进行进一步分析。首先，我们根据年度出版物和最富有成效的国家/地区，机构和作者来检查出版物结构。其次，使用R-Studio软件可视化国家/地区，机构，作者和文章的共同引文网络。他们进一步在引文结构和最具影响力的方面进行了检查。本文概述了MLBDD的研究人员对该主题感兴趣的研究人员，对那些对在这一领域进行更多研究的人进行彻底和完整的MLBDD研究。
translated by 谷歌翻译
在全球范围内，有实质性的未满足需要有效地诊断各种疾病。不同疾病机制的复杂性和患者人群的潜在症状具有巨大挑战，以发展早期诊断工具和有效治疗。机器学习（ML），人工智能（AI）区域，使研究人员，医师和患者能够解决这些问题的一些问题。基于相关研究，本综述解释了如何使用机器学习（ML）和深度学习（DL）来帮助早期识别许多疾病。首先，使用来自Scopus和Science（WOS）数据库的数据来给予所述出版物的生物计量研究。对1216个出版物的生物计量研究进行了确定，以确定最多产的作者，国家，组织和最引用的文章。此次审查总结了基于机器学习的疾病诊断（MLBDD）的最新趋势和方法，考虑到以下因素：算法，疾病类型，数据类型，应用和评估指标。最后，该文件突出了关键结果，并向未来的未来趋势和机遇提供了解。
translated by 谷歌翻译
使用视频/图像的驾驶员嗜睡检测是当今驾驶员安全时间最重要的领域之一。在诸如嗜睡检测的计算机视觉应用中应用的深度学习技术，尤其是卷积神经网络（CNN）的发展，由于近几十年来，由于技术的巨大增加，已经显示出有前途的结果。关闭或闪烁过度，打呵欠，点头和闭塞的眼睛都是嗜睡的关键方面。在这项工作中，我们在Yawdd数据集上应用了四种不同的卷积神经网络（CNN）技术，以检测和检查困难程度的程度，这取决于具有特定姿势和遮挡变化的打开频率。初步计算结果表明，我们所提出的集合卷积神经网络（ECNN）通过实现0.935的F1得分优于传统的基于CNN的方法，而另外三个CNN，如CNN1，CNN2和CNN3接近的方法，则获得0.92,0.90，和0.912 F1分别分别分别进行评分。
translated by 谷歌翻译
心脏病是当今世界的重大挑战之一，以及全球许多死亡的主要原因之一。最近的机器学习（ML）应用程序的进步表明，使用心电图（ECG）和患者数据，在早期阶段检测心脏病是可行的。然而，ECG和患者数据往往是不平衡的，这最终引起了传统ML的挑战，无偏见。多年来，许多研究人员和从业者都公开了几个数据级别和算法级别解决方案。为了提供更广泛的现有文献，本研究采用系统的文献综述（SLR）方法来揭示与心脏病预测中的不平衡数据相关的挑战。在此之前，我们使用从2012年和11月15日至11月15日之间的知名期刊获得的451个参考文献进行了荟萃分析。对于深入的分析，考虑到以下因素，考虑了49个参考文献，考虑到以下因素：心脏病类型，算法，应用程序和解决方案。我们的SLR研究表明，当时当前的方法在处理不平衡数据时遇到各种打开问题/问题，最终阻碍其实际适用性和功能。
translated by 谷歌翻译
面部及其表达是数字图像的有效科目之一。检测图像的情绪是计算机视野领域的古代任务;然而，从图像进行反向合成的面部表达式 - 是非常新的。使用不同面部表情的再生图像的这种操作，或者改变图像中的现有表达需要生成的对抗网络（GaN）。在本文中，我们的目标是使用GaN改变图像中的面部表情，其中具有初始表达式（即，快乐）的输入图像被改变为同一个人的不同表达式（即，厌恶）。我们在Mug数据集的修改版本上使用了Stargn技术来完成此目标。此外，我们通过在从给定文本中的情感指示的图像中重塑面部表情进一步扩展我们的工作。因此，我们应用了一个长期的短期内存（LSTM）方法来从文本中提取情绪并将其转发给我们的表达式更改模块。作为我们的工作管道的演示，我们还创建了一个博客的应用程序原型，该博客将根据用户的文本情绪与不同的表达式重新生成配置文件图片。
translated by 谷歌翻译
Brac大学（Bracu）参与了大学罗佛挑战（URC），这是由Mars社会组织的大学级学生的机器人竞赛，以设计和建造一个将用于火星早期探险家的流动站。Bracu已经设计和开发了一个全功能的下一代火星罗孚，蒙古托伊，可以在星球火星的极端敌对状态下运行。不仅拥有自主和手动控制功能的蒙古Tori，它还能够进行科学任务，以确定火星环境中的土壤和风化的特点。
translated by 谷歌翻译
In recent years, social media has been widely explored as a potential source of communication and information in disasters and emergency situations. Several interesting works and case studies of disaster analytics exploring different aspects of natural disasters have been already conducted. Along with the great potential, disaster analytics comes with several challenges mainly due to the nature of social media content. In this paper, we explore one such challenge and propose a text classification framework to deal with Twitter noisy data. More specifically, we employed several transformers both individually and in combination, so as to differentiate between relevant and non-relevant Twitter posts, achieving the highest F1-score of 0.87.
translated by 谷歌翻译