Sharif Digital Repository / Sharif University of Technology
    • [Zoom In]
    • [Zoom Out]
  • Page 
     of  0
  • [Previous Page]
  • [Next Page]
  • [Fullscreen view]
  • [Close]
 
طراحی وپیاده سازی موثر الگوریتم یادگیری عمیق برای طبقه بندی سیگنال الکتروکاردیوگرام
اویسی، محمد حسین Oveisi, Mohammad Hossein

Cataloging brief

طراحی وپیاده سازی موثر الگوریتم یادگیری عمیق برای طبقه بندی سیگنال الکتروکاردیوگرام
پدیدآور اصلی :   اویسی، محمد حسین Oveisi, Mohammad Hossein
ناشر :   صنعتی شریف
سال انتشار  :   1396
موضوع ها :   سیگنال های قلبی Electrocardiogram یادگیری عمیق Deep Learning طبقه بندی سیگنال Signal...
شماره راهنما :   ‭05-50079

Find in content

sort by

Bookmark

  • مقدمه (12)
    • تعریف جعل عمیق و تفاوت آن با جعلی‌سازی تصویر (12)
    • مزایا و معایب جعل عمیق (13)
    • روش‌های اصلی جعل عمیق (14)
      • تولید چهره (14)
      • تعویض هویت (15)
      • تغییر شکل چهره (16)
      • دستکاری ویژگی‌ها (16)
      • تعویض حالت چهره (17)
      • جعل عمیق چندوجهی (18)
    • چالش‌های یادگیری عمیق در تشخیص جعل عمیق (19)
    • روش PRNU در تشخیص جعل تصویر (20)
      • مراحل استفاده از روش PRNU در تشخیص جعل تصویر (20)
      • مزایا و معایب روش PRNU (21)
    • تشخیص جعل تصویر با استفاده از ماتریس هم‌ رخدادی (21)
      • نحوه محاسبه ماتریس هم‌ رخدادی (21)
      • نحوه تشخیص ناهنجاری (22)
    • نشان گذاری دیجیتال و کاربرد آن در تشخیص جعل تصاویر (22)
  • بررسی مجموعه داده‌ها و روش‌های ارزیابی (24)
    • مجموعه داده‌ها (24)
      • پایگاه داده اول (25)
      • پایگاه داده دوم (25)
      • پایگاه داده سوم (26)
      • پایگاه داده چهارم (27)
      • پایگاه داده پنجم (27)
    • روش‌های ارزیابی (27)
  • مروری بر روش‌های یادگیری عمیق برای تشخیص جعل تصاویر (30)
    • شبکه‌های متخاصم مولد (30)
      • شبکه متخاصم مولد رویکرد اول (31)
      • شبکه متخاصم مولد رویکرد دوم (32)
      • شبکه متخاصم مولد رویکرد سوم (33)
    • شبکه‌های خود کدگذار (33)
      • شبکه خود کدگذار رویکرد اول (34)
      • شبکه خود کدگذار رویکرد دوم (34)
    • شبکه‌های انتشار (35)
      • شبکه انتشار رویکرد اول (35)
      • شبکه انتشار رویکرد دوم (35)
    • شبکه‌های پیجشی و ماژول‌های توجه (36)
      • شبکه پیچشی رویکرد اول (37)
      • شبکه پیچشی رویکرد دوم (37)
      • شبکه پیچشی رویکرد سوم (40)
  • روش ارائه شده پروژه (42)
    • الگوی باینری محلی (43)
      • مکانیزم الگوریتم (43)
      • پارامترهای الگوریتم (44)
      • مزایا و معایب LBP (47)
    • ویژگی‌های سطح پایین و بالا (47)
    • مقایسه ویژگی LBP و ویژگی فرکانس بالا (48)
    • شبکه پیچشی رزنت (49)
    • ماژول‌های توجه (51)
      • ماژول توجه کانالی (51)
      • ماژول توجه مکانی (52)
      • ماژول توجه متقابل (53)
    • الحاق ویژگی‌ها و آموزش مدل (53)
    • مقالات LBP جعل عمیق در سال‌های اخیر (54)
  • نتایج، جمع‌بندی و کارهای آینده (56)
    • پایگاه داده DFDC (57)
    • پایگاه داده FF++ (59)
    • داده‌های متقاطع (62)
    • جمع‌بندی (62)
    • کارهای آینده (63)
  • مراجع (65)
  • مطالعات فرسایشی (68)
    • تحلیل شاخه‌های معماری پیشنهادی برای پایگاه داده FF++ (68)
    • تحلیل شاخه‌های معماری پیشنهادی برای پایگاه داده DFDC (71)
    • تحلیل شبکه پیچشی معماری پیشنهادی برای پایگاه داده DFDC (75)
Loading...