ҚОРАМОЛ ЮЗ ТАСВИРЛАРИГА ДАСТЛАБКИ ИШЛОВ БЕРИШ УСУЛЛАРИ

Fazilbek Zaripov

Authors

Фазилбек Зарипов Махсетович Муҳаммад ал-Хоразмий номидаги Тошкент ахборот технологиялари университети

Keywords:

идентификация, дастлабки ишлов бериш, қорамол идентификацияси, гаусс методи, тасвирларга ишлов бериш

Abstract

Қорамолларни идентификация қилишда юз тасвирларига дастлабки ишлов бериш жараёнлари муҳим аҳамиятга эга. Ушбу тадқиқотда қорамол юз тасвирларини тайёрлаш учун қўлланиладиган асосий алгоритмлар, уларнинг қўлланилиши ва самарадорлиги таҳлил қилинган. Таклиф этилган усуллар орасида тасвирларнинг ўлчамини нормаллаштириш, шовқинларни фильтрлаш, ранг ва контрастни яхшилаш, шунингдек, қизиқиш майдонларини нормаллаштириш каби жараёнлар мавжуд. Тадқиқот натижалари тасвирларга дастлабки ишлов бериш чуқур ўқитиш моделларининг аниқлик даражасини сезиларли даражада оширишини кўрсатади. Масалан, қайта ишланган тасвирлардан фойдаланган ҳолда, моделнинг идентификация самарадорлиги 10-15% гача яхшиланган. Шунингдек, мақолада келтирилган алгоритмлар ҳар хил сифатли маълумот тўпламларини шакллантириш учун қўлланиши мумкин бўлган универсал ечим сифатида тавсия этилади. Ушбу тадқиқот натижалари қорамолларни идентификация қилишдаги аниқликни оширишга ҳисса қўшади ва тасвирларга дастлабки ишлов бериш соҳасидаги илмий изланишлар учун янги имкониятларни очиб беради.

References

Koresh HJD (2024) Impact of the Preprocessing Steps in Deep Learning-Based Image Classifications. National Academy Science Letters:1–3. https://doi.org/10.1007/s40009-023-01372-2

A. Shamila Ebenezer, S. Deepa Kanmani, Mahima Sivakumar et al. (2022) Effect of image transformation on EfficientNet model for COVID-19 CT image classification. Materials Today: Proceedings 51:2512–2519. https://doi.org/10.1016/j.matpr.2021.12.121

Aladhadh S, Alsanea M, Aloraini M et al. (2022) An Effective Skin Cancer Classification Mechanism via Medical Vision Transformer. Sensors 22. https://doi.org/10.3390/s22114008

Joseph S, Olugbara OO (2022) Preprocessing Effects on Performance of Skin Lesion Saliency Segmentation. Diagnostics 12. https://doi.org/10.3390/diagnostics12020344

Anjali Gautam, Balasubramanian Raman (2021) Towards effective classification of brain hemorrhagic and ischemic stroke using CNN. Biomedical Signal Processing and Control 63:102178. https://doi.org/10.1016/j.bspc.2020.102178

Castiglione A, Vijayakumar P, Nappi M et al. (2021) COVID-19: Automatic Detection of the Novel Coronavirus Disease From CT Images Using an Optimized Convolutional Neural Network. IEEE Transactions on Industrial Informatics 17:6480–6488. https://doi.org/10.1109/TII.2021.3057524

Jifara W, Feng J, Godana A et al. (2021) DFD-Net: lung cancer detection from denoised CT scan image using deep learning. Frontiers of Computer Science 15. https://doi.org/10.1007/s11704-020-9050-z

Ha E-G, Jeon KJ, Kim YH et al. (2021) Automatic detection of mesiodens on panoramic radiographs using artificial intelligence. Scientific Reports 11:23061. https://doi.org/10.1038/s41598-021-02571-x

Hashemi M (2019) Enlarging smaller images before inputting into convolutional neural network: zero-padding vs. interpolation. J Big Data 6:3084:1-13. https://doi.org/10.1186/s40537-019-0263-7