University Sétif 1 FERHAT ABBAS Faculty of Sciences
Résultat de la recherche
2 résultat(s) recherche sur le mot-clé 'Apprentissage profond'
Ajouter le résultat dans votre panier Affiner la recherche Générer le flux rss de la recherche
Partager le résultat de cette recherche
Deep Belief Networks Applied to Alzheimer’s Disease Detection and Classification using Neuroimaging Data / Yacine Deradra
Titre : Deep Belief Networks Applied to Alzheimer’s Disease Detection and Classification using Neuroimaging Data Type de document : texte imprimé Auteurs : Yacine Deradra ; Yahia Benameur ; Abdelouahab Moussaoui, Directeur de thèse Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (83 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Alzheimer’s disease deep learning convolutional neural networks CNN Restricted Boltzmann machines RBMs pretrained models Inception Xception MobileNet,
DenseNet VGG-16 VGG-19 EfficientNet B7 and ResNET magnetic resonance imaging (MRI) early detection classification Vision Transformer ViT maladie d’Alzheimer apprentissage profond réseaux neuronaux convolutionnels machines de Boltzmann restreintes modèles pré-entraînés MobileNet DenseNet imagerie par résonance magnétique (IRM) détection précoceIndex. décimale : 004 Informatique Résumé : Accurately diagnosing early Alzheimer’s disease (AD) presents significant challenges
for neuroscientists and medical professionals. Current clinical, neuropsychological,
and imaging assessments have limitations, often resulting in inconclusive diagnoses for
patients with early dementia. Magnetic Resonance Imaging (MRI) combined with deep learning
techniques has emerged as a promising alternative for detecting and characterizing Alzheimer’s
disease.
Our approach involves fine-tuning and integrating deep learning models pretrained on large
datasets, including Restricted Boltzmann Machines (RBMs), convolutional neural network (CNN)
architectures both with and without attention mechanisms. Inception, Xception, MobileNet,
DenseNet, VGG-16, VGG-19, EfficientNet B7, and ResNET. Additionally, we explore the potential
of applying Vision Transformer (ViT) models powered by Keras (ViT B32).
By capitalizing on the strengths of these models and techniques, our proposed approach achieves
an accuracy of up to 94.06% for the detection and classification of Alzheimer’s disease = Le diagnostic précis de la maladie d’Alzheimer précoce présente d’importants défis pour
les neuroscientifiques et les professionnels de la santé. Les évaluations cliniques, neuropsychologiques
et d’imagerie actuelles ont des limites, conduisant souvent à des
diagnostics inconclusifs pour les patients atteints de démence précoce. L’imagerie par résonance
magnétique (IRM), combinée à des techniques d’apprentissage profond, s’est révélée être une
alternative prometteuse pour détecter et caractériser la maladie d’Alzheimer.
Notre approche consiste à affiner et à intégrer des modèles d’apprentissage profond pré-entraînés
sur de grands ensembles de données, comprenant des machines de Boltzmann restreintes (RBM),
des architectures de réseaux neuronaux convolutionnels (CNN) avec ou sans mécanismes d’attention.
Nous utilisons Inception, Xception, MobileNet, DenseNet, VGG-16, VGG-19, EfficientNet B7
et ResNet. De plus, nous explorons le potentiel d’application des modèles Vision Transformer
(ViT) alimentés par Keras (ViT B32).
En tirant parti des forces de ces modèles et techniques, notre approche proposée atteint une
précision impressionnante allant jusqu’à 94,06 % pour la détection et la classification de la
maladie d’Alzheimer précoce.Côte titre : MAI/0758 En ligne : https://drive.google.com/file/d/1lf42lgwF-sGiN3V5qlxA5Tcl-7Y3L4Ap/view?usp=drive [...] Format de la ressource électronique : Deep Belief Networks Applied to Alzheimer’s Disease Detection and Classification using Neuroimaging Data [texte imprimé] / Yacine Deradra ; Yahia Benameur ; Abdelouahab Moussaoui, Directeur de thèse . - [S.l.] : Setif:UFA, 2023 . - 1 vol (83 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Alzheimer’s disease deep learning convolutional neural networks CNN Restricted Boltzmann machines RBMs pretrained models Inception Xception MobileNet,
DenseNet VGG-16 VGG-19 EfficientNet B7 and ResNET magnetic resonance imaging (MRI) early detection classification Vision Transformer ViT maladie d’Alzheimer apprentissage profond réseaux neuronaux convolutionnels machines de Boltzmann restreintes modèles pré-entraînés MobileNet DenseNet imagerie par résonance magnétique (IRM) détection précoceIndex. décimale : 004 Informatique Résumé : Accurately diagnosing early Alzheimer’s disease (AD) presents significant challenges
for neuroscientists and medical professionals. Current clinical, neuropsychological,
and imaging assessments have limitations, often resulting in inconclusive diagnoses for
patients with early dementia. Magnetic Resonance Imaging (MRI) combined with deep learning
techniques has emerged as a promising alternative for detecting and characterizing Alzheimer’s
disease.
Our approach involves fine-tuning and integrating deep learning models pretrained on large
datasets, including Restricted Boltzmann Machines (RBMs), convolutional neural network (CNN)
architectures both with and without attention mechanisms. Inception, Xception, MobileNet,
DenseNet, VGG-16, VGG-19, EfficientNet B7, and ResNET. Additionally, we explore the potential
of applying Vision Transformer (ViT) models powered by Keras (ViT B32).
By capitalizing on the strengths of these models and techniques, our proposed approach achieves
an accuracy of up to 94.06% for the detection and classification of Alzheimer’s disease = Le diagnostic précis de la maladie d’Alzheimer précoce présente d’importants défis pour
les neuroscientifiques et les professionnels de la santé. Les évaluations cliniques, neuropsychologiques
et d’imagerie actuelles ont des limites, conduisant souvent à des
diagnostics inconclusifs pour les patients atteints de démence précoce. L’imagerie par résonance
magnétique (IRM), combinée à des techniques d’apprentissage profond, s’est révélée être une
alternative prometteuse pour détecter et caractériser la maladie d’Alzheimer.
Notre approche consiste à affiner et à intégrer des modèles d’apprentissage profond pré-entraînés
sur de grands ensembles de données, comprenant des machines de Boltzmann restreintes (RBM),
des architectures de réseaux neuronaux convolutionnels (CNN) avec ou sans mécanismes d’attention.
Nous utilisons Inception, Xception, MobileNet, DenseNet, VGG-16, VGG-19, EfficientNet B7
et ResNet. De plus, nous explorons le potentiel d’application des modèles Vision Transformer
(ViT) alimentés par Keras (ViT B32).
En tirant parti des forces de ces modèles et techniques, notre approche proposée atteint une
précision impressionnante allant jusqu’à 94,06 % pour la détection et la classification de la
maladie d’Alzheimer précoce.Côte titre : MAI/0758 En ligne : https://drive.google.com/file/d/1lf42lgwF-sGiN3V5qlxA5Tcl-7Y3L4Ap/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0758 MAI/0758 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Optimization of GAN’s Parameters using Metaheuristics Type de document : texte imprimé Auteurs : Abderraouf Attout, Auteur ; Abderaouf Chelbi ; Djemame, Safia, Directeur de thèse Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (95 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Pix2Pix Generator Discriminator Hyper-parameters Meta-heuristics Genetic Algorithm Optimization Algorithms degraded document restoration Deep Learning Generative Models Generative
Adversarial Network Restauration de documents dégradés Apprentissage profond Modèles génératifs Réseaux antagonistes génératifs Générateur Discriminateur Hyper-paramètres Métaheuristiques Algorithme génétique Algorithmes d’optimisation.Index. décimale : 004 Informatique Résumé : GANs (Generative Adversarial Networks) are an approach for model generation using deep
learning methods, such as Convolutional Neural Networks (CNNs). GANs offer an intelligent
way to construct a generative model by framing the problem as a supervised learning problem
with two sub-models: the generator model, which is trained to generate new examples, and
the discriminator model, which tries to classify examples as real (from the domain) or fake
(generated). Both models are trained together in a zero-sum game until the discriminator model
is fooled approximately half the time, indicating that the generator model is generating plausible
examples.
During this process, several hyper-parameters need to be adjusted to achieve optimal results,
such as batch size, kernel size, and number of epochs. The aim is to minimize execution time
while obtaining satisfactory performance.
In this work, we propose the application of optimization, to find an optimal adjustment for
the parameters of the generator and discriminator. This will be accomplished through manual
adjustment as well as the utilization of metaheuristics. The results will be compared with those
of previous work. Performance tests will be conducted on the historical image dataset DIBCO
2020.
The objective is to introduce an optimization into the parameter tuning step of the generator
and discriminator in GANs = Les GANs (Generative Adversarial Networks) sont une approche de génération de modèles utilisant
des méthodes d’apprentissage profond, telles que les réseaux de neurones convolutionnels
(CNN). Les GANs offrent une façon intelligente de construire un modèle génératif en définissant
le problème comme un problème d’apprentissage supervisé avec deux sous-modèles : le modèle
générateur, qui est entraîné à générer de nouveaux exemples, et le modèle discriminateur, qui
tente de classer les exemples comme réels (du domaine) ou faux (générés). Les deux modèles
sont entraînés ensemble dans un jeu à somme nulle jusqu’à ce que le modèle discriminateur soit
trompé environ la moitié du temps, ce qui indique que le modèle générateur génère des exemples
plausibles.
Pendant ce processus, plusieurs hyperparamètres doivent être ajustés pour obtenir des
résultats optimaux, tels que la taille du lot (batch size), la taille du noyau (kernel size) et
le nombre d’époques. L’objectif est de minimiser le temps d’exécution tout en obtenant des
performances satisfaisantes.
Dans ce travail, nous proposons l’application de l’optimisation afin de trouver un ajustement
optimal pour les paramètres du générateur et du discriminateur. Cela sera réalisé manuellement
et grâce à l’utilisation de métaheuristiques. Les résultats seront comparés à ceux d’un
travail précédent. Des tests de performance seront effectués sur l’ensemble de données d’images
historiques DIBCO 2020.
L’objectif est d’introduire une optimisation dans l’étape de réglage des paramètres du générateur
et du discriminateur dans les GANs.
Côte titre : MAI/0767 En ligne : https://drive.google.com/file/d/1_fxc-RWAInDUTFTUQD9bFKgqytVAzfaj/view?usp=drive [...] Format de la ressource électronique : Optimization of GAN’s Parameters using Metaheuristics [texte imprimé] / Abderraouf Attout, Auteur ; Abderaouf Chelbi ; Djemame, Safia, Directeur de thèse . - [S.l.] : Setif:UFA, 2023 . - 1 vol (95 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Pix2Pix Generator Discriminator Hyper-parameters Meta-heuristics Genetic Algorithm Optimization Algorithms degraded document restoration Deep Learning Generative Models Generative
Adversarial Network Restauration de documents dégradés Apprentissage profond Modèles génératifs Réseaux antagonistes génératifs Générateur Discriminateur Hyper-paramètres Métaheuristiques Algorithme génétique Algorithmes d’optimisation.Index. décimale : 004 Informatique Résumé : GANs (Generative Adversarial Networks) are an approach for model generation using deep
learning methods, such as Convolutional Neural Networks (CNNs). GANs offer an intelligent
way to construct a generative model by framing the problem as a supervised learning problem
with two sub-models: the generator model, which is trained to generate new examples, and
the discriminator model, which tries to classify examples as real (from the domain) or fake
(generated). Both models are trained together in a zero-sum game until the discriminator model
is fooled approximately half the time, indicating that the generator model is generating plausible
examples.
During this process, several hyper-parameters need to be adjusted to achieve optimal results,
such as batch size, kernel size, and number of epochs. The aim is to minimize execution time
while obtaining satisfactory performance.
In this work, we propose the application of optimization, to find an optimal adjustment for
the parameters of the generator and discriminator. This will be accomplished through manual
adjustment as well as the utilization of metaheuristics. The results will be compared with those
of previous work. Performance tests will be conducted on the historical image dataset DIBCO
2020.
The objective is to introduce an optimization into the parameter tuning step of the generator
and discriminator in GANs = Les GANs (Generative Adversarial Networks) sont une approche de génération de modèles utilisant
des méthodes d’apprentissage profond, telles que les réseaux de neurones convolutionnels
(CNN). Les GANs offrent une façon intelligente de construire un modèle génératif en définissant
le problème comme un problème d’apprentissage supervisé avec deux sous-modèles : le modèle
générateur, qui est entraîné à générer de nouveaux exemples, et le modèle discriminateur, qui
tente de classer les exemples comme réels (du domaine) ou faux (générés). Les deux modèles
sont entraînés ensemble dans un jeu à somme nulle jusqu’à ce que le modèle discriminateur soit
trompé environ la moitié du temps, ce qui indique que le modèle générateur génère des exemples
plausibles.
Pendant ce processus, plusieurs hyperparamètres doivent être ajustés pour obtenir des
résultats optimaux, tels que la taille du lot (batch size), la taille du noyau (kernel size) et
le nombre d’époques. L’objectif est de minimiser le temps d’exécution tout en obtenant des
performances satisfaisantes.
Dans ce travail, nous proposons l’application de l’optimisation afin de trouver un ajustement
optimal pour les paramètres du générateur et du discriminateur. Cela sera réalisé manuellement
et grâce à l’utilisation de métaheuristiques. Les résultats seront comparés à ceux d’un
travail précédent. Des tests de performance seront effectués sur l’ensemble de données d’images
historiques DIBCO 2020.
L’objectif est d’introduire une optimisation dans l’étape de réglage des paramètres du générateur
et du discriminateur dans les GANs.
Côte titre : MAI/0767 En ligne : https://drive.google.com/file/d/1_fxc-RWAInDUTFTUQD9bFKgqytVAzfaj/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0767 MAI/0767 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible