Mansoorizadeh Muharram

Social networks have drastically changed how people obtain information. News in social net-works is accompanied by images and videos and thus receives more attention from readers as opposed to traditional ones. Unfortunately, fake news publishers often misuse these advantages to spread false information rapidly. Therefore, the early detection of fake news is crucial. The best way to address this issue is to design an automatic detector based on fake news content. So far, many fake news recognition systems including both traditional machine learning and deep learning models are proposed. Given that manual feature extraction methods are very time-consuming, deep learning methods are the preferred tools. This research aims to enhance the performance of existing approaches by utilizing an ensemble of deep learners based on attention mechanisms. To a great extent, the success of an ensemble model depends on the variety of its learners. To this end, we propose a novel loss function that enforces each learner to attend to different parts of news content on the one hand and obtain a good classification accuracy on the other hand. Also, the learners are built on a common deep feature extractor and only differ in their attention modules. As a result, the number of parameters is reduced efficiently, and the overfitting problem is addressed. Additionally, most research in automatic fake news detection is devoted to fully supervised setting. Given that the generation rate of news in social media is drastic and the labeling of a huge amount of data required by fully supervised models is expensive and time consuming, these models are not beneficial in real applications. To address this limitation, we extend our method for semi-supervised setting using effective augmentations, and a novel distribution-aware pseudo-labeling technique. The proposed augmentations enhance the robustness of learners and prevent overfitting effectively. Diverse learners are utilized to annotate the unlab

منحنی نگهداشت آب خاک (SWRC ) و منحنی هدایت هیدرولیکی خاک (SHCC) به عنوان ویژگی های هیدرولیکی خاک تأثیر و نقش عمده ای در زمینه های هیدرولوژی، حفاظت محیط زیست، اکولوژی، پدولوژی و بسیاری از زمینه های مرتبط با خاک دارند. با استفاده از این ویژگی ها می توان مدل های جریان آب و املاح، نفوذ، زهکشی و برنامه ریزی آبیاری را تبیین و پیش بینی نمود. با این وجود، اندازه گیری مستقیم ویژگی های هیدرولیکی خاک در مزرعه و شرایط آزمایشگاه گران، وقت گیر و خسته کننده است و گاهی اوقات اندازه گیری آن ها برای مقیاس های بزرگ امکان پذیر نیست. بنابراین، توابع انتقالی (PTFs) به عنوان روشی غیرمستقیم برای پیش بینی ویژگی های هیدرولیکی خاک توسعه یافت. توابع انتقالی یکی از روش های غیر مستقیم برای برآورد ویژگی های هیدرولیکی خاک هستند که با استفاده از روش های متعدد بین پارامترهای دیر یافت خاک مانند منحنی نگهداری آب خاک و هدایت هیدرولیکی و پارامترهای زود یافت خاک مانند بافت، چگالی ظاهری و مقدار ماده آلی که اندازه گیری آن ها آسان، سریع و کم هزینه است و در پژوهش های علوم خاک متداول اند، ارتباط برقرار می کنند. اگرچه ایجاد PTFها در مقایسه با اندازه گیری مستقیم بسیار ساده می باشد، اما انتخاب بهترین روش برای ایجاد PTF، مسئله ای است که در این زمینه وجود دارد. با توجه به بررسی کامل منابع مشاهده شد که تا به حال مقایسه جامع الگوریتم های مختلف برای تخمین SWRC و SHCC انجام نشده است. به طوری که در بسیاری از موارد الگوریتم های مشابه در مقاله ها مورد بررسی قرار گرفته است و در مقابل الگوریتم های بسیاری نیز وجود دارند که مورد بررسی و مقایسه قرار نگرفته اند. همچنین هیچ ترکیبی از الگوریتم های مختلف برای افزایش بهبود دقت تخمین صورت نپذیرفته است. در مطالعه حاضر، 28 روش شامل رگرسیون خطی چندگانه (MLR)، رگرسیون غیرخطی (NLR)، رگرسیون فرآیند گوسی (GPR) با تابع کواریانس نمایی (GPR_E)، رگرسیون فرآیند گوسی با تابع کواریانس ماترن (GPR_M)، مدل خطی تعمیم یافته (GLM)، رگرسیون غیرخطی بر پایه چند جمله ای درجه سوم، شبکه عصبی پرسپترون چند لایه (MLP)، شبکه عصبی بیزین، شبکه عصبی پایه شعاعی (RBF)، شبکه عصبی مبتنی بر ماشین یادگیری افراطی (ELM)، ماشین بردار پشتیبان (SVM) با تابع های هسته شعاعی (SVM_G)، چند جمله ای (SVM_P) و خطی (SVM_L)، روش مدیری

چکیده : بینایی ماشین علمی برای ساخت سیستم های هوشمندی است که هدف آنها آنالیز، درک و استخراج اطلاعات مفید از داده های بصری است. این داده های بصری می تواند تصاویر ساده، حجمی و توالی های ویدئویی باشد. پردازش زبان طبیعی، توانایی ماشین ها برای خواندن و درک زبان های انسانی است. پرسش و پاسخ بصری یک مسئله تحقیقاتی هوش مصنوعی است که می توان آن را نقطه تقاطع یا ترکیبی از پردازش زبان طبیعی، بینایی ماشین و استنتاج دانش دانست. در این مسئله، به عنوان ورودی یک تصویر داده می شود و سوالی در مورد آن پرسیده می شود، و هدف یافتن پاسخ صحیح به سوال ورودی است. ار آنجا که سوالات متنوعی در مورد تصویر پرسیده می شود، سیستم به درک کاملی از تصویر، و مجموعه گسترده ای از قابلیت-های هوش مصنوعی نیاز دارد، مانند تشخیص شی، تشخیص رویداد و استدلال مبتنی بر دانش. با توجه به عملکرد قابل توجه شبکه های عصبی عمیق و عملگرهای پرکاربرد کلاسیک استخراج ویژگی از تصاویر، روش های پیشین نیز از این روش ها برای حل این مسئله استفاده کرده اند که هریک نقاط ضعف و قوت مخصوص به خود را دارند. همچنین نکته ی دیگر قابل توجه در طراحی سیستم پرسش و پاسخ بصری، حوزه ی هدف برای استفاده از این سیستم می باشد. در حوزه های تخصصی مانند پزشکی که با مسائل حیاتی انسان سروکار دارند، علاوه بر تنوع و گستردگی سوالات، دقت بالای سیستم در پاسخ دهی بسیار مهم است. در این پژوهش، یک معماری جدید برای تولید مدل های پرسش و پاسخ بصری ارائه می دهیم که بیشتر از زبان مبتنی بر آنالیز داده های بصری است. همچنین، هدایت مراحل آنالیز تصویر به طور مستقیم براساس پرسش مطرح شده انجام می شود، تا بتوان در حوزه های تخصصی نیز متناسب با هر سوال مطرح شده مدلسازی را به گونه ای انجام داد که بهترین مدل برای پیش بینی پاسخ آن سوال تولید کند. معماری پیشنهادی که مبتنی بر تکنیک توجه است، دارای دو بخش کلی شامل، استخراج ویژگی از تصاویر مبتنی بر نوع سوال مطرح شده و پیش بینی پاسخ می باشد. در این راستا هفت ماژول پیشنهادی برای پاسخ به سوالات مطرح شده در مورد تصاویر ساده و حجمی، ارائه شده است. در این ماژول ها متناسب با سوال مطرح شده یکی از روش های استخراج ویژگی های عمیق (شامل استفاده از شبکه های عصبی کانولوشنال، موبایل نت و حافظه کوتاه مدت طولانی) یا روش های کلاسیک (شامل عملگرهای معروف کلاس

چکیده: بسیاری از ویدیوهایی که انسان ها را به تصویر می کشد، دارای فعالیت هایی است که بین انسان ها وجود دارد و نشان گر فرهنگ و رابطه بین آن هاست. با پیشرفت تشخیص کنش های انسان در ویدیو، محققان به شناخت و پیش بینی تعامل انسان- انسان به طور خودکار پرداخته اند. هدف از پیش بینی تعامل تشخیص زود هنگام تعامل قبل از انجام کامل آن است. که در بازیابی ویدیو بر اساس محتوا، تعامل انسان و کامپیوتر و امنیت و نظارت کاربرد دارد. اما این موضوع هنوز یک مسئله چالش برانگیز است، که این چالش می تواند ناشی ازتغییرات تصویر، نحوه اجرای متفاوت افراد در انجام یک تعامل و .. باشد. روش های موجود در این حوزه بر اساس ویژگی به ویژگی های دستی و ویژگی های یادگرفته شده تقسیم می شوند. ویژگی های یاد گرفته شده تا حدودی چالش های تنظیمات ضبط، ظاهر فرد، اندازه تصویر و نقطه دید را کاهش داده اند. انتظار ما این است که استفاده از استخراج ویژگی یادگرفته شده در مدل های پیشنهادی می تواند چالش ها را تا حد امکان کاهش دهد. در اولین مدل پیشنهادی به نام Dual-Actor CNN از دو شبکه همسان برای استخراج ویژگی های دو فرد در حال تعامل استفاده شده است. که این مدل به علت استفاده از شبکه های همسان و به اشتراک گذاری وزن ها باعث می شود چالش جهت و نقطه دید انجام کنش حل شود. در روش پیشنهادی دیگر مسئله در قالب سری زمانی به نام DTW-CNN مدل می شود، فرض بر این است که استفاده از روش روش پیچ وتاب زمانی پویا بتواند بر چالش نرخ زمان اجرای تعامل غلبه کند. از آنجایی که انجام هر کنش یا تعامل ماهیتی فازی دارد و نمی-توان حرکت مشخصی برای تعریف آن در نظر گرفت، استفاده از روش فازی می تواند باعث افزایش دقت تشخیص تعامل شود، در مدل پیشنهادی Fuzzy-Relation CNN از حرکات افراد در ویدیو دو تصویر فازی ساخته می شود که شامل حرکات افراد در حال تعامل است. این تصاویر ایجاد شده اطلاعات پیش-زمینه و نا مرتبط به تعامل را حذف می کند و تغییرات مهم حرکت افراد را با توجه به زمان آن را نگه میدارد. سپس از تصویر ایجاد شده ویژگی استخراج می شود. سه مدل بر روی مجموعه داده های TV human interaction، BIT و UT ارزیابی شده اند. نتایج نشان می دهد که دقت این مدل ها برای پیش-بینی تعامل نسبت به روش های پیشین بالاتر بوده و در بین این سه مدل روش Dual-Actor دقت بالاتری داشته است.