SMART OPTIMIZER SELECTION TECHNIQUE: A COMPARATIVE STUDY OF MODIFIED DENSNET201 WITH OTHER DEEP LEARNING MODELS

Kamaran Manguri; Aree A. Mohammed

doi:10.35784/iapgos.5332

Open full text

PDF (English)

Opublikowane: gru 20, 2023

DOI: https://doi.org/10.35784/iapgos.5332

Numer Tom 13 Nr 4 (2023)

Artykuły

IMPEDANCYJNA METODA WYKRYWANIA ZABURZEŃ KRĄŻENIA KRWI DO OKREŚLENIA STOPNIA NIEDOKRWIENIA KOŃCZYNY
Valerіi Kryvonosov, Oleg Avrunin, Serhii Sander, Volodymyr Pavlov, Liliia Martyniuk, Bagashar Zhumazhanov

5-10
ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH W DIAGNOZIE SCHORZEŃ STAWU KOLANOWEGO
Konrad w, Mikołaj Wieczorek

11-14
KOMPLEKSOWE METODY UCZENIA MASZYNOWEGO I UCZENIA GŁĘBOKIEGO DO KLASYFIKACJI CHOROBY PARKINSONA I OCENY JEJ NASILENIA
Oumaima Majdoubi, Achraf Benba, Ahmed Hammouch

15-20
DIAGNOSTYKA PĘCHERZYCY Z WYKORZYSTANIEM SZTUCZNEJ INTELIGENCJI: PODEJŚCIE OPARTE NA UCZENIU MASZYNOWYM DO AUTOMATYCZNEGO WYKRYWANIA ZMIAN SKÓRNYCH
Mamun Ahmed, Salma Binta Islam, Aftab Uddin Alif, Mirajul Islam, Sabrina Motin Saima

21-26
OPTYMALIZACJA KLASYFIKACJI OBRAZÓW ULTRASONOGRAFICZNYCH TECHNIKĄ TRANSFER LEARNING: STRATEGIE DOSTRAJANIA I WPŁYW KLASYFIKATORA NA WSTĘPNIE WYTRENOWANE WARSTWY WEWNĘTRZNE
Mohamed Bal-Ghaoui, My Hachem El Yousfi Alaoui, Abdelilah Jilbab, Abdennaser Bourouhou

27-33
GENERATYWNY MODEL Z DEEP FAKE AUGUMENTATION DLA SYGNAŁÓW Z FONOKARDIOGRAMU ORAZ ELEKTROKARDIOGRAMU W STRUKTURACH LSGAN ORAZ CYCLE GAN
Swarajya Madhuri Rayavarapu, Tammineni Shanmukha Prasanthi, Gottapu Santosh Kumar, Gottapu Sasibhushana Rao, Gottapu Prashanti

34-38
INTELIGENTNA TECHNIKA WYBORU OPTYMALIZATORA: BADANIE PORÓWNAWCZE ZMODYFIKOWANEGO MODELU DENSENET201 Z INNYMI MODELAMI GŁĘBOKIEGO UCZENIA
Kamaran Manguri, Aree A. Mohammed

39-43
ULEPSZENIE ALGORYTMU USTAWIANIA CHARAKTERYSTYKI INTERPOLACJI MONOTONOWEJ KRZYWEJ
Yuliia Kholodniak, Yevhen Havrylenko, Serhii Halko, Volodymyr Hnatushenko, Olena Suprun, Tatiana Volina, Oleksandr Miroshnyk, Taras Shchur

44-50
ANALIZA IMPLEMENTACJI NARZĘDZI DOSTĘPNOŚCI NA STRONACH WWW
Marcin Cieśla, Mariusz Dzieńkowski

51-56
METODA INTERAKCJI POMIĘDZY OBIEKTAMI WEBVIEW W HYBRYDOWYCH APLIKACJACH JAVA
Denys Ratov, Oleh Zakhozhai

57-60
BROWSERSPOT – MULTIFUNKCJONALNE NARZĘDZIE DO TESTOWANIA FRONT-ENDU STRON INTERNETOWYCH ORAZ APLIKACJI SIECIOWYCH
Szymon Binek, Jakub Góral

61-65
OPTYMALIZACJA OFERT REKLAMOWYCH POPRZEZ UKIERUNKOWANIE W OPARCIU O SAMOUCZĄCĄ SIĘ BAZĘ DANYCH
Roman Kvуetnyy, Yuriy Bunyak, Olga Sofina, Oleksandr Kaduk, Orken Mamyrbayev, Vladyslav Baklaiev, Bakhyt Yeraliyeva

66-72
WYDAJNOŚĆ I NIEZAWODNOŚĆ TECHNOLOGII WYTWARZANIA APLIKACJI INTERNETOWYCH STRONY SERWERA: EXPRESS, DJANGO ORAZ SPRING BOOT
Dominik Choma, Kinga Chwaleba, Mariusz Dzieńkowski

73-78
TECHNOLOGIE CHMUROWE W EDUKACJI: PRZEGLĄD BIBLIOGRAFICZNY
Artem Yurchenko, Anzhela Rozumenko, Anatolii Rozumenko, Roman Momot, Olena Semenikhina

79-84
HYBRYDOWY, BINARNY ALGORYTM WOA OPARTY NA TRANSMITANCJI STOŻKOWEJ DO PROGNOZOWANIA DEFEKTÓW OPROGRAMOWANIA
Zakaria A. Hamed Alnaish, Safwan O. Hasoon

85-92
WYKORZYSTANIE PLATFORMY CDE WE WSPÓŁPRACY ZESPOŁOWEJ W BIM
Andrzej Szymon Borkowski, Jakub Brożyna, Joanna Litwin, Weronika Rączka, Aleksandra Szporanowicz

93-98
ASYMPTOTYCZNIE OPTYMALNY ALGORYTM PRZETWARZANIA SYGNAŁÓW PROMIENIOWANIA BOCZNEGO Z EKRANÓW MONITORÓW LCD
Dmytro Yevgrafov, Yurii Yaremchuk

99-102
TECHNIKI REGULACJI MOCY ODBIORNIKÓW AC DLA ODNAWIALNYCH ŹRÓDEŁ ENERGII
Mariusz Ostrowski

103-108
AUTOMATYCZNA REGULACJA MOCY BIERNEJ PRZEZ URZĄDZENIA FACTS W WARUNKACH NIESTABILNOŚCI NAPIĘCIA W SIECI ELEKTRYCZNEJ
Mykhailo Burbelo, Oleksii Babenko, Loboda Loboda, Denys Lebed, Oleg K. Kolesnytskyj, Saule J. Rakhmetullina, Murat Mussabekov

109-113
KONTROLA WENTYLACJI NOWEJ BEZPIECZNEJ POWŁOKI CZARNOBYLSKIEJ ELEKTROWNI JĄDROWEJ OPARTA NA ROZMYTYCH SIECIACH NEURONOWYCH
Petro Loboda, Ivan Starovit, Oleksii Shushura, Yevhen Havrylko, Maxim Saveliev, Natalia Sachaniuk-Kavets’ka, Oleksandr Neprytskyi, Dina Oralbekova, Dinara Mussayeva

114-118
MODEL PŁASKIEJ WARSTWY DIELEKTRYCZNEJ ANTENY Z NAGRZEWANIEM AERODYNAMICZNYM
Valerii Kozlovskiy, Valeriy Kozlovskiy, Oleksii Nimych, Lyudmila Klobukova, Natalia Yakymchuk

119-125
MIKSER MIKROFALOWY NA PROSTOKĄTNYCH FALOWODACH CZĘŚCIOWO WYPEŁNIONYCH DIELEKTRYKIEM
Vitaly Pochernyaev, Nataliia Syvkova, Mariia Mahomedova

126-131
SYSTEM INFORMATYCZNY DLA DIAGNOSTYKI KONKURENCYJNOŚCI BRANŻY GOSPODARCZEJ REGIONÓW UKRAINY
Liudmyla Matviichuk, Olena Liutak, Yuliia Dashchuk, Mykhailo Lepkiy, Svitlana Sidoruk

132-138
ŚRODOWISKOWA I EKONOMICZNA OCENA SKUTECZNOŚCI ROZPORZĄDZENIA O UŻYTKOWANIU GRUNTÓW
Oleksandr Harnaha, Nataliia B. Savina, Volodymyr Hrytsiuk

139-141

Archiwum

2025

Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

2021

Tom 11 Nr 4
2021-12-20 15
Tom 11 Nr 3
2021-09-30 10
Tom 11 Nr 2
2021-06-30 11
Tom 11 Nr 1
2021-03-31 14

DOI

https://doi.org/10.35784/iapgos.5332

Authors

Kamaran Manguri

kamaran@uor.edu.krd

1Erbil Polytechnic University, Erbil Technical Engineering College, Department of Technical Information System Engineering, 2University of Raparin, Department of Software and Informatics Engineering, Irak

https://orcid.org/0000-0001-8567-3367

Aree A. Mohammed

kamaran@uor.edu.krd

University of Sulaimani, College of Science, Computer Science Department, Irak

https://orcid.org/0000-0001-9710-4559

Abstrakt

Szybki wzrost i rozwój aplikacji opartych na sztucznej inteligencji wprowadzają szeroki zakres architektur modeli głębokiego uczenia i uczenia transferowego. Wybór optymalnego optymalizatora wciąż stanowi wyzwanie w celu poprawy wydajności i dokładności każdego rodzaju klasyfikacji. W niniejszej pracy proponowana jest inteligentna technika wyboru optymalizatora, wykorzystująca nowy algorytm wyszukiwania, aby pokonać to wyzwanie. Zbiór danych użyty w tej pracy został zebrany i dostosowany do celów kontroli i monitorowania dróg, zwłaszcza w sytuacjach, gdy zbliżają się pojazdy ratunkowe. W tym kontekście porównano kilka modeli głębokiego uczenia i uczenia transferowego w celu dokładnej detekcji i klasyfikacji. Ponadto, warstwy DenseNet201 zostały zamrożone, aby wybrać optymalizatora idealnego. Głównym celem jest poprawa dokładności klasyfikacji samochodów ratunkowych poprzez przeprowadzenie testów różnych metod optymalizacji, w tym (Adam, Adamax, Nadam i RMSprob). Metryki oceny wykorzystane do porównania modelu z innymi technikami głębokiego uczenia opierają się na dokładności klasyfikacji, precyzji, czułości i miarze F1. Wyniki testów pokazują, że zaproponowany optymalizator oparty na wyborze zwiększył dokładność klasyfikacji i osiągnął wynik na poziomie 98,84%.

Słowa kluczowe:

głębokie uczenie, technika optymalizacji, uczenie transferowe, dostosowany zbiór danych, zmodyfikowany DenseNet201

Bibliografia

Ahmed T. et al.: A Deep Learning based Bangladeshi Vehicle Classification using Fine-Tuned Multi-class Vehicle Image Network (MVINet) Model. 2023 International Conference on Next-Generation Computing, IoT and Machine Learning – NCIM, 2023, 1–6. DOI: https://doi.org/10.1109/NCIM59001.2023.10212619

Ahmed U. et al.: Multi-aspect detection and classification with multi-feed dynamic frame skipping in vehicle of internet things. Wireless Netw, 2022, 1–12. DOI: https://doi.org/10.1007/s11276-022-03076-9

Ashir S. M. et al.: A Transfer-Learning-Based Approach for Emergency Vehicle Detection. Eurasian Journal of Science and Engineering 8(1), 2022. DOI: https://doi.org/10.23918/eajse.v8i1p75

Biswas D. et al.: An automatic car counting system using OverFeat framework. Sensors 17(7), 2017, 1535. DOI: https://doi.org/10.3390/s17071535

Dong S. et al.: A survey on deep learning and its applications, Computer Science Review 40, 2021, 100379. DOI: https://doi.org/10.1016/j.cosrev.2021.100379

Fouad M. M. et al.: Automated vehicle inspection model using a deep learning approach. J Ambient Intell Human Comput 14, 2023, 13971–13979. DOI: https://doi.org/10.1007/s12652-022-04105-3

Ghazal B. et al.: Smart traffic light control system. Third international conference on electrical, electronics, computer engineering and their applications – EECEA, 2016, 140–145. DOI: https://doi.org/10.1109/EECEA.2016.7470780

Hassan E. et al.: The effect of choosing optimizer algorithms to improve computer vision tasks: a comparative study. Elmougy and Applications 82(11), 2023, 16591–16633. DOI: https://doi.org/10.1007/s11042-022-13820-0

Impedovo D. et al.: Vehicular traffic congestion classification by visual features and deep learning approaches: a comparison. Sensors 19(23), 2019, 5213. DOI: https://doi.org/10.3390/s19235213

Jain N. K. et al.: A review on traffic monitoring system techniques. SoCTA 2019, 569–577. DOI: https://doi.org/10.1007/978-981-13-0589-4_53

Joo H. et al.: Traffic signal control for smart cities using reinforcement learning. Computer Communications 154, 2020, 324–330. DOI: https://doi.org/10.1016/j.comcom.2020.03.005

Jung H. et al.: ResNet-based vehicle classification and localization in traffic surveillance systems. IEEE Conference on Computer Vision and Pattern Recognition Workshops, 2017, 61–67. DOI: https://doi.org/10.1109/CVPRW.2017.129

Ke X. et al.: Multi-dimensional traffic congestion detection based on fusion of visual features and convolutional neural network. IEEE Transactions on Intelligent Transportation Systems 20(6), 2018, 2157–2170. DOI: https://doi.org/10.1109/TITS.2018.2864612

Khan A. et al.: A survey of the recent architectures of deep convolutional neural networks. Artif Intell Rev 53, 2020, 5455–5516. DOI: https://doi.org/10.1007/s10462-020-09825-6

Leitner D. et al.: Recent advances in traffic signal performance evaluation. Journal of Traffic and Transportation Engineering 9(4), 2022, 507–531. DOI: https://doi.org/10.1016/j.jtte.2022.06.002

Manguri K. H. K. et al.: A Review of Computer Vision–Based Traffic Controlling and Monitoring. UHD Journal of Science and Technology 7(2), 2023, 6–15. DOI: https://doi.org/10.21928/uhdjst.v7n2y2023.pp6-15

Manguri K. H. K., Mohammed A. A: Emergency vehicles classification for traffic signal system using optimized transfer DenseNet201 model. Indonesian Journal of Electrical Engineering and Computer Science 32(2), 2023, 1058–1068. DOI: https://doi.org/10.11591/ijeecs.v32.i2.pp1058-1069

Mohammad M. A. et al.: New Ontology structure for intelligent controlling of traffic signals. Procedia Computer Science 207, 2022, 1201–1211. DOI: https://doi.org/10.1016/j.procs.2022.09.176

Qadri S. S. S. M. et al.: State-of-art review of traffic signal control methods: challenges and opportunities. Eur. Transp. Res. Rev. 12(55), 2020, 1–23. DOI: https://doi.org/10.1186/s12544-020-00439-1

Razali N. A. M. et al.: Gap, techniques and evaluation: traffic flow prediction using machine learning and deep learning. J Big Data 8(1), 2021, 1–25. DOI: https://doi.org/10.1186/s40537-021-00542-7

Roy S., Rahman M. S.: Emergency vehicle detection on heavy traffic road from cctv footage using deep convolutional neural network. International Conference on Electrical, Computer and Communication Engineering – ECCE, 2019, 1–6. DOI: https://doi.org/10.1109/ECACE.2019.8679295

Tomar I. et al.: State-of-Art review of traffic light synchronization for intelligent vehicles: current status, challenges, and emerging trends. Electronics 11(3), 2022, 465. DOI: https://doi.org/10.3390/electronics11030465

Manguri, K., & Mohammed, A. A. (2023). INTELIGENTNA TECHNIKA WYBORU OPTYMALIZATORA: BADANIE PORÓWNAWCZE ZMODYFIKOWANEGO MODELU DENSENET201 Z INNYMI MODELAMI GŁĘBOKIEGO UCZENIA. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 13(4), 39–43. https://doi.org/10.35784/iapgos.5332

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 13 Nr 4 (2023)

Archiwum

##plugins.themes.bootstrap3.article.main##

DOI

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja