Detecting Affect States Using VGG16, ResNet50 and SE-ResNet50 Networks

Theckedath, Dhananjay; Sedamkar, R. R.

doi:10.1007/s42979-020-0114-9

Cited by 335 publications

(157 citation statements)

References 14 publications

Supporting

Mentioning

105

Contrasting

Unclassified

Order By: Relevance

“…ImageNet is a labeled dataset including over 14 million images classified to 1000 different classes. VGG16 has been used for its robustness since it can provide a high performance and respective accuracies, even when the image datasets are small [45]. The input of VGG16 is a three channel RGB image of the fixed size of 224 × 224 pixels.…”

Section: Vgg16mentioning

confidence: 99%

“…Furthermore, only one pooling layer is used, batch normalization is implemented, and the final total network structure comprised three times more layers than VGG16. It is comparable to the VGG16 network, apart from the fact that Resnet50 has an additional identity mapping capability [45]. ResNet-50 can be trained much faster than the VGG16, since it reduces the vanishing gradient problem by creating an alternative shortcut for the gradient to pass trough.…”

Section: Vgg16mentioning

confidence: 99%

See 1 more Smart Citation

Weed Identification in Maize, Sunflower, and Potatoes with the Aid of Convolutional Neural Networks

et al. 2020

View full text Add to dashboard Cite

The increasing public concern about food security and the stricter rules applied worldwide concerning herbicide use in the agri-food chain, reduce consumer acceptance of chemical plant protection. Site-Specific Weed Management can be achieved by applying a treatment only on the weed patches. Crop plants and weeds identification is a necessary component for various aspects of precision farming in order to perform on the spot herbicide spraying or robotic weeding and precision mechanical weed control. During the last years, a lot of different methods have been proposed, yet more improvements need to be made on this problem, concerning speed, robustness, and accuracy of the algorithms and the recognition systems. Digital cameras and Artificial Neural Networks (ANNs) have been rapidly developed in the past few years, providing new methods and tools also in agriculture and weed management. In the current work, images gathered by an RGB camera of Zea mays, Helianthus annuus, Solanum tuberosum, Alopecurus myosuroides, Amaranthus retroflexus, Avena fatua, Chenopodium album, Lamium purpureum, Matricaria chamomila, Setaria spp., Solanum nigrum and Stellaria media were provided to train Convolutional Neural Networks (CNNs). Three different CNNs, namely VGG16, ResNet–50, and Xception, were adapted and trained on a pool of 93,000 images. The training images consisted of images with plant material with only one species per image. A Top-1 accuracy between 77% and 98% was obtained in plant detection and weed species discrimination, on the testing of the images.

show abstract

Section: Vgg16mentioning

confidence: 99%

Section: Vgg16mentioning

confidence: 99%

Weed Identification in Maize, Sunflower, and Potatoes with the Aid of Convolutional Neural Networks

et al. 2020

View full text Add to dashboard Cite

show abstract

“…on more than a million images, VGG-16 is trained and can classify images into 1000 object categories . All convolutional layers in VGG16 are 3 × 3 convolutional layers with 2 × 2 pooling layers with a stride size of 2 and a stride size of 1 and the same padding [31].…”

Section: Vgg16 Cnn Architecture and Resultsmentioning

confidence: 99%

The Mathematical Model and Deep Learning Features Selection for Whorl Fingerprint Classifications

Jawarneh¹,

Alsharman²

2021

IJCIS

View full text Add to dashboard Cite

In this paper, different classes of the whorl fingerprint are discussed. A general dynamical system with a parameter is created using differential equations to simulate these classes by varying the value of . The global dynamics is studied, and the existence and stability of equilibria are analyzed. The Maple is used to visualize fingerprint's orientation image as a smooth deformation of the phase portrait of a planar dynamical system. In general, the databases of fingerprint are not categorized to retained by artificial intelligence tools such Convolutional Neural Networks (CNNs) architectures, so finding a dynamical system to categorize fingerprint database of fingerprints images allows CNNs architectures to retrained with more accuracy. NIST Special Database (SD) 302d fingerprint dataset is retrained over VGG16 as CNN architecture.

show abstract

“…Bu sayede ağın derinleşmesiyle oluşan bozulmanın önüne geçilmiş olur. Bu, eğitim setine aşırı öğrenme (over-fitting) sorununu önlemeye yardımcı olur (He vd., 2016;Theckedath & Sedamkar, 2020).…”

Section: Resnet50 Modelunclassified

Derin Öğrenme Tekniklerini Kullanarak Akciğer X-Ray Görüntülerinden COVID-19 Tespiti

Bozkurt

2021

European Journal of Science and Technology

View full text Add to dashboard Cite

ÖzCOVID-19 salgını tüm dünyada hızla yayılarak küresel bir pandemi haline gelmiştir. Bu salgın, günlük yaşamda hem halk sağlığı hem de küresel ekonomi üzerinde yıkıcı bir etkiye sahip olmuştur. Bu salgının daha fazla yayılmasını önlemek ve etkilenen hastaları hızla tedavi etmek için pozitif vakaları olabildiğince erken tespit etmek çok önemlidir. COVID-19 enfeksiyonunun hızlı bir şekilde ve yüksek doğrulukta teşhisini sağlayan herhangi bir yardımcı araç uzmanlar için faydalıdır. Bu anlamda, X-Ray tomografik görüntüleme COVID-19 teşhisinde kolay erişilebilir alternatif bir araçtır. Radyoloji görüntüleme teknikleri kullanılarak elde edilen son bulgular, bu tür görüntülerin COVID-19 virüsü hakkında çarpıcı bilgiler içerdiğini göstermektedir. Radyolojik görüntülemeyle birlikte gelişmiş yapay zekâ ve makine öğrenmesi tekniklerinin uygulanması, bu hastalığın doğru tespiti için yardımcı olabilir. X-ray görüntüleri şüpheli vakaların erken tespitine yardımcı olabilse de, çeşitli viral ve bakteriyel pnömoni (zatürre) görüntüleri COVID-19 ile benzerdir ve benzer özellikler içermektedir. Dolayısıyla radyologların viral ve bakteriyel pnömoni gibi benzer akciğer hastalıklarını COVID-19'dan ayırt etmesi zordur. Bu bağlamda, COVID-19 semptomlarının viral pnömoniye benzer olması, yanlış tanılara yol açabilmektedir. Bu çalışmada, kurulan farklı modeller ile akciğer X-Ray görüntülerini COVID-19, normal ve viral pnömoni (zatürre) hastalar olarak sınıflandırabilen derin öğrenme tekniklerinin bir karşılaştırması yapılmıştır. Bu çalışmada, 11 farklı derin öğrenme tekniği üzerinde çalışılmıştır. Günümüzde popüler olan evrişimli sinir ağları tabanlı farklı tekniklerin aynı veri kümesi üzerinde deneysel çalışmaları yapılarak her bir tekniğin performans değerlendirmesi yapılmış ve en iyi tahminleme yöntemi belirlenmiştir. Yapılan deneysel çalışmalarda, en yüksek doğruluk değeri %97.17 ile DenseNet121 modeli ile elde edilmiştir.

show abstract

Detecting Affect States Using VGG16, ResNet50 and SE-ResNet50 Networks

Cited by 335 publications

References 14 publications

Weed Identification in Maize, Sunflower, and Potatoes with the Aid of Convolutional Neural Networks

Weed Identification in Maize, Sunflower, and Potatoes with the Aid of Convolutional Neural Networks

The Mathematical Model and Deep Learning Features Selection for Whorl Fingerprint Classifications

Derin Öğrenme Tekniklerini Kullanarak Akciğer X-Ray Görüntülerinden COVID-19 Tespiti

Contact Info

Product

Resources

About