تخطى إلى المحتوى
العالِم العربي
  • الصفحة الرئيسية
  • مجالات الأبحاث
  • أحدث الأبحاث
  • عن الموقع
  • تواصل معنا
  1. الرئيسية
  2. قائمة الكلمات المفتاحية
  3. التعلم العميق

الأبحاث المرتبطة بالكلمة المفتاحية: التعلم العميق




  • شبكات عصبية كابسول محسّنة لتصنيف أمراض أوراق الطماطم

    2024 | المؤلف: Lobna M. Abouelmagd وآخرون | المجلة: EURASIP Journal on Image and Video Processing | المجال: علوم النبات (Plant Science)

    تقدم ورقة البحث نهجًا جديدًا لاكتشاف وتصنيف أمراض أوراق الطماطم باستخدام شبكة عصبية كبسولية محسّنة (CapsNet). غالبًا ما تكافح الشبكات العصبية التلافيفية التقليدية (CNNs) في التقاط العلاقات المكانية في الصور، وهو أمر حاسم لتحديد الخصائص المحددة لأمراض الأوراق. تستفيد منهجية CapsNet المقترحة من تقنيات تعزيز البيانات والمعالجة المسبقة لتحسين التدريب، محققة دقة مثيرة للإعجاب تبلغ…


  • نموذج قابل للتفسير يعتمد على تعلم الرسوم البيانية لتشخيص مرض باركنسون باستخدام تخطيط الدماغ المتعلق بالصوت

    2024 | المؤلف: Shuzhi Zhao وآخرون | المجلة: npj Digital Medicine | المجال: علم الأعصاب الإدراكي (Cognitive Neuroscience)

    تتناول هذه الدراسة التباين السريري لمرض باركنسون (PD) والتحديات في تحديد العلامات الحيوية الموثوقة لتخطيط الدماغ الكهربائي (EEG). بينما تم تطبيق التعلم الآلي على تخطيط الدماغ الكهربائي في حالة الراحة لتشخيص مرض باركنسون، فإن فعاليته محدودة من خلال قابلية تفسير الميزات والتباين الفطري لبيانات حالة الراحة. تقدم هذه الدراسة نموذج تعلم عميق جديد، معالجة إشارات…


  • نظام تعلم عميق لتوقع وقت تقدم اعتلال الشبكية السكري

    2024 | المؤلف: Ling Dai وآخرون | المجلة: Nature Medicine | المجال: الأشعة والطب النووي والتصوير الطبي (Radiology, Nuclear Medicine and Imaging)

    اعتلال الشبكية السكري (DR) هو سبب رئيسي للعمى القابل للتجنب على مستوى العالم، يتميز بمخاطر تقدم متغيرة بين الأفراد المصابين بالسكري. لمواجهة هذا التحدي، قام الباحثون بتطوير والتحقق من صحة نظام تعلم عميق يسمى DeepDR Plus، الذي يتنبأ بمدة تقدم DR ضمن إطار زمني مدته خمس سنوات باستخدام صور قاع العين. تم تدريب النظام مسبقًا…


  • نموذج دمج تعلم عميق لتصنيف دقيق للأورام الدماغية في صور الرنين المغناطيسي

    2024 | المؤلف: Nechirvan Asaad Zebari وآخرون | المجلة: CAAI Transactions on Intelligence Technology | المجال: طب الأعصاب (Neurology)

    تقديم الكشف وتصنيف أورام الدماغ تحديات كبيرة بسبب التباين في مظهرها عبر صور الرنين المغناطيسي (MRI). تتناول هذه البحث هذه التحديات من خلال اقتراح نموذج دمج تعلم عميق (DL) يعزز دقة تصنيف أورام الدماغ. يدمج النموذج ميزات مستخرجة من عدة هياكل تعلم عميق، تحديدًا VGG16 وResNet50 وشبكات الاعتقاد العميقة التلافيفية (CDBN)، ويستخدم مصنف Softmax. لتعزيز…


  • الرصد الفضائي يكشف عن نشاط صناعي واسع في البحر

    2024 | المؤلف: Fernando Paolo وآخرون | المجلة: Nature | المجال: علم البيئة (Ecology)

    يقدم هذا القسم من ورقة البحث تحليلًا شاملاً للأنشطة الصناعية في محيطات العالم، باستخدام صور الأقمار الصناعية، وبيانات GPS للسفن، ونماذج التعلم العميق لرسم خريطة لهذه الأنشطة من 2017 إلى 2021. تشير النتائج إلى أن جزءًا كبيرًا من سفن الصيد الصناعية – 72-76% – لا يتم تتبعه علنًا، خاصة في مناطق مثل جنوب آسيا وجنوب…


  • يمكن إعادة بناء مجالات الرياح والضغط للأعاصير الاستوائية الواقعية من بيانات متفرقة باستخدام التعلم العميق

    2024 | المؤلف: Ryan Eusebi وآخرون | المجلة: Communications Earth & Environment | المجال: علوم الغلاف الجوي (Atmospheric Science)

    تناقش هذه الفقرة الدور الحاسم للأعاصير الاستوائية في التسبب في فقدان كبير في الأرواح والممتلكات، مما يبرز ضرورة التقييم الدقيق للمخاطر والتنبؤ. تعتبر إعادة بناء حقول الرياح والضغط بدقة ضرورية لهذه الأهداف، ومع ذلك فإن الطرق الحالية غالبًا ما تكون كثيفة حسابيًا ومحدودة النطاق. يقترح المؤلفون شبكة عصبية مستنيرة بالفيزياء (PINN) كبديل واعد لاستيعاب بيانات…


  • تحسين تصنيف أمراض بذور الذرة: الاستفادة من MobileNetV2 مع تعزيز الميزات والتعلم الانتقالي

    2024 | المؤلف: Mohannad Alkanan وآخرون | المجلة: Frontiers in Applied Mathematics and Statistics | المجال: علوم النبات (Plant Science)

    تبحث هذه الدراسة في تطبيق الذكاء الاصطناعي (AI) في تصنيف أمراض الذرة، باستخدام نسخة محسّنة من MobileNetV2 كنموذج أساسي. تستخدم الدراسة مجموعة بيانات شاملة تحتوي على صور مصنفة إلى أربع فئات من الأمراض: مكسورة، مشوهة، مقطوعة الحرير، ونقية. يتضمن النموذج طبقات إضافية—تجميع متوسط، تسطيح، كثافة، إسقاط، وsoftmax—لتحسين استخراج الميزات وقدرات التصنيف. يتم تطبيق تقنيات ضبط…


  • نموذج توقع السلاسل الزمنية لاستخراج أنماط السلاسل غير الثابتة باستخدام التعلم العميق ونمذجة

    2024 | المؤلف: Huimin Han وآخرون | المجلة: Journal of Cloud Computing Advances Systems and Applications | المجال: علم الإدارة وبحوث العمليات (Management Science and Operations Research)

    تقدم هذه الورقة نموذجًا هجينًا لتوقع السلاسل الزمنية يدمج بين التغاير الشرطي الذاتي العام (GARCH)، وتحليل النمط التجميعي الكامل مع الضوضاء التكيفية (CEEMDAN)، والشبكات العصبية التلافيفية (GCN). يعالج النموذج التعقيدات الكامنة في بيانات السلاسل الزمنية، مثل الاتجاهات وعدم الثبات، من خلال استخدام GARCH أولاً لتعلم التقلبات ثم تطبيق CEEMDAN لتفكيك البيانات بشكل فعال. تبسط هذه…


  • مجموعة بيانات انزلاق التربة CAS: مجموعة بيانات كبيرة ومتعددة المستشعرات لاكتشاف انزلاق التربة القائم على التعلم العميق

    2024 | المؤلف: Yulin Xu وآخرون | المجلة: Scientific Data | المجال: الإدارة والرصد والسياسات والقانون (Management, Monitoring, Policy and Law)

    مجموعة بيانات الانهيارات الأرضية من CAS هي مجموعة بيانات شاملة وكبيرة الحجم مصممة للكشف عن الانهيارات الأرضية المعتمدة على التعلم العميق، تم تطويرها من قبل مجموعة الذكاء الاصطناعي في معهد مخاطر الجبال والبيئة، الأكاديمية الصينية للعلوم (CAS). تتناول هذه المجموعة من البيانات التحديات الكبيرة في التعرف على الانهيارات الأرضية، لا سيما في ضوء الزيادة في…


  • تحسين توقعات بنية البروتينات الأحادية والمعقدة باستخدام DeepMSA2 مع بيانات الميتاجينوم الضخمة

    2024 | المؤلف: Wei Zheng وآخرون | المجلة: Nature Methods | المجال: علم الأحياء الجزيئي (Molecular Biology)

    تم تقديم خط أنابيب DeepMSA2 كنهج جديد لبناء محاذاة متعددة التسلسلات الموحدة (MSAs) للبروتينات أحادية ومتعددة السلاسل، باستخدام بحث محاذاة تكراري عبر قواعد البيانات الجينومية والميتا جينومية. تشير الاختبارات الشاملة إلى أن MSAs التي تم إنشاؤها بواسطة DeepMSA2 تعزز بشكل كبير دقة توقعات الهيكل الثلاثي والرباعي للبروتين مقارنة بالطرق الحالية المتطورة. ومن الجدير بالذكر أنه…


←السابق
1 … 91 92 93 94
التالي→

حقوق النشر © 2026 العالِم العربي. جميع الحقوق محفوظة. موقع العالِم العربي غير مسؤول عن محتوى المواقع الخارجية.