در این مقاله، تشخیص وقایع بصری در ویدئو، با بهره­ گیری از اطلاعات زمانی سیگنال، به صورت تحلیلی موردتوجه قرار دارد. با استفاده از یادگیری انتقالی، توصیف گرهای آموزش دیده روی تصاویر به ویدئو اعمال می شوند تا تشخیص وقایع را با استفاده از منابع محاسباتی محدود، ممکن سازند. در این مقاله، یک شبکه عصبی کانولوشنی به عنوان استخراج کننده نمرات مفاهیم از قاب های ویدئو به کار می رود. ابتدا پارامترهای این شبکه روی زیرمجموعه ای از داده های آموزش تنظیم دقیق می شوند؛ سپس، توصیف گرهای خروجی از لایه های تمام متصل آن به عنوان توصیف گر سطح قاب مورداستفاده قرار می گیرند. توصیف گرهای به دست آمده، کدگذاری و در نهایت نرمالیزه سازی و طبقه بندی می شوند. نوآوری عمده این مقاله، ترکیب اطلاعات زمانی ویدئو در کدگذاری توصیف گرهای آن است. گنجاندن ساختاری اطلاعات بصری در فرایند کدگذاری توصیف گرهای ویدئویی، ، اغلب نادیده گرفته می شود. این موضوع به کاهش دقت منجر می­ شود. برای حل این مسأله، یک روش کدگذاری نوین ارائه می شود که مصالحه بین پیچیدگی محاسبات و دقت در شناسایی وقایع ویدیویی را بهبود می­ دهد. در این کدگذاری، بعد زمانی سیگنال ویدئویی برای ساخت یک بردار مکانی-زمانی از توصیف گرهای مجتمع محلی ( VLAD ) استفاده، سپس نشان داده می شود که کدگذاری پیشنهادی ماهیتاً یک مسأله بهینه سازی است که با الگوریتم های موجود به راحتی قابل حل است. در مقایسه با بهترین روش های موجود در حوزه تشخیص وقایع بصری مبتنی بر توصیف گرهای سطح قاب، روش پیشنهادی مدل بهتری را از ویدئو ارائه می کند. روش ارائه شده بر حسب سه معیار میانگین دقت متوسط، میانگین فراخوانی متوسط و معیار F به عملکرد بالاتری بر روی هر دو مجموعه داده آزمون مورد بررسی دست می یابد. نتایج به دست آمده توانمندی روش پیشنهادی را در بهبود عملکرد سامانه های تشخیص وقایع بصری تأیید می کنند.

افزایش نرخ رشد صنعت حمل و نقل کانتینری در دهه های اخیر و پیش بینی ادامه روند این رشد در سالیان آتی، نشان دهنده اهمیت حمل و نقل کانتینری و نقش کلیدی کانتینرها در حمل و نقل دریایی است. با ورود کانتینر به عرصه حمل و نقل کالا، این حوزه دچار تحول عظیمی شده است. اما تا به امروز همچنان مشکل عدم توازن بین ورودی و خروجی کانتینر به بنادر پا بر جاست. این ناهماهنگی بین واردات و صادرات کالا، معضلی به نام کانتینر خالی را به وجود آورده است. دراین مقاله به بررسی مساله تغییر موقعیت کانتینر خالی در شرایط عدم قطعیت، پرداخته شده است. از رویکرد استوار سناریویی مبتنی بر اثر ریسک ادغام، به منظور مد ل سازی عدم قطعیت برخی از پارامترهای مساله، تحت سناریوهای مختلف استفاده شده است. در نهایت نتایج محاسباتی حاصل نشان دهنده عملکرد مناسب مدل پیشنهادی تحت شرایط عدم قطعیت و اهمیت استفاده از رویکرد استوار در حل مساله تغییر موقعیت کانتینر خالی است.

طبقه بندی تصاویر مبتنی بر شبکه عصبی کانولوشن (CNN) به صورت گسترده در حوزه بینایی ماشین مورد مطالعه قرار گرفته است. تصاویر نوفه ای در نتایج خروجی CNN تأثیر مستقیم دارند که باعث کاهش دقت خروجی و افزایش زمان فرآیند آموزش شبکه می شوند. همچنین تصاویر تخریب شده ای که در مرحله پیش پردازش بهبود یافته اند، ممکن است به دلیل عدم بهبود کافی، اثر نامطلوب در فرآیند آموزش CNN داشته باشند. هدف این مقاله، اصلاح معماری شبکه عصبی کانولوشنال جهت مقاوم سازی در برابر تصاویر آغشته به نوفه ضربه، تصاویر با پیکسل های فاقد مقدار، تلفات پیکسل های تصاویر در ارسال و انتقال بسته ها، تصاویر تخریب شده با داده های پرت و تصاویر دست کاری شده است. از آنجا که پیش پردازش جهت حذف نوفه و بهبود کیفیت تصاویر نوفه ای به طورمعمول زمان بر و پرهزینه است، روش پیشنهادی با کاهش عملیات مورد نیاز در مرحله پیش پردازش، به طبقه بندی و تشخیص اشیا تصاویر نوفه ای را انجام می دهد. لایه ادغام، لایه کانولوشن و تابع هزینه برای مقاوم سازی CNN در برابر نوفه اصلاح می شوند. نتایج شبیه سازی نشان می دهد که به کارگیریی NR-CNN برای طبقه بندی تصاویر نوفه ای، دقت و سرعت آموزش شبکه CNN را افزایش می دهد. روش پیشنهادی با میانگین خطای 24% در مقایسه با روش VGG-Net نتیجه بهتری در طبقه بندی تصاویر موجود در پایگاه داده PascalVOC دارد؛ بنابراین می توان نتیجه گرفت که NR-CNN می تواند برای طبقه بندی و تشخیص شیء در تصاویر نوفه ای سودمند باشد.

در این پژوهش، اثرات ایندول استیک اسید بر برخی پارامترهای فیزیولوژیکی و بیوشیمیایی در بذرهای گیاه سویا تحت تنش آلومینیوم کلرید بررسی شده است. بذرها پس از استریل شدن در ظروف پتری حاوی آب مقطر کشت شدند. سپس گیاهک های 6 روزه به گلدان های حاوی شن شسته شده منتقل شدند و با محلول غذایی هوگلند در شرایط کنترل شده (16 ساعت روشنایی و 8 ساعت تاریکی، دما 25oC در روز 18oC در شب) آبیاری شدند. گیاهان 20 روزه با غلظت های مختلف آلومینیوم کلرید (0، 50، 100، 200 و 300 میکرومولار) و ایندول استیک اسید (0، 50 و 100 میکرومولار) تیمار شدند و برداشت گیاهان 15 روز بعد انجام گرفت. گیاهان با افزایش غلظت کلرور آلومینیوم، کاهش محتوای نسبی آب برگ ها و میزان پروتئین، قندهای محلول، کلروفیل های a، b، کاروتنوئیدها و فتوسنتز را نشان دادند، اما میزان تنفس و نقطه جبران CO2 در آن ها افزایش یافت. با افزودن ایندول استیک اسید به محیط کشت، گیاهان کاهش بیش تر میزان قندهای محلول، کلروفیل های a، b، کاروتنوئیدها و فتوسنتز و افزایش بیش تر دیگر عوامل را نشان دادند. هم چنین با افزایش غلظت کلرور آلومینیوم در محیط کشت در هر دو حالت بدون اکسین و با اکسین افزایش میزان قندهای نامحلول، پرولین و پراکسیداسیون لیپید ریشه مشاهده شد. با افزودن هورمون اکسین اگرچه در برخی موارد اثرات تنشی آلومینیوم افزایش یافت، اما با افزایش هر چه بیش تر میزان پرولین ها و برخی آنتی اکسیدانت ها بردباری گیاه سویا را در شرایط تنش کمی تعدیل بخشید.

1در سال­های اخیر، طبقه­بندی بلادرنگ نوع خودرو، به دلیل کاربردش در کنترل و تحلیل ترافیک، از موضوعات جذاب و بسیار پرکاربرد بوده ­است. با توجه به محدودیت تعداد نمونه ای آموزشی برچسب دار باکیفیت، تغییرات در وضعیت زاویه­ای خودرو و دوربین، کیفیت و وضوح تصویر، نور و شرایط آب و هوایی، دقت تشخیص از چالش های مهم در سیستم های تشخیص نوع خودرو می باشد. در این مقاله، یک شبکه­ی کانولوشن بلادرنگ جدید برای تشخیص نوع خودرو­ها با دقت بالا معرفی شده­است. در ساختار عصبی پیشنهادی، لایه­ی ادغام جدید با استفاده از تبدیل موجک هار علاوه بر کاهش ابعاد نقشه­ی ویژگی خروجی از لایه­ی کانولوشن، قابلیت استخراج ویژگی را نیز دارد. نوآوری دیگر ساختاری، استفاده از بلوک­های فشار-تحریک قبل از لایه­های کانولوشن میانی می باشد که موجب بالارفتن دقت بازشناسی می شود. علاوه براین، در الگوریتم یادگیری پس انتشار، با اصلاح روش به­روز­رسانی وزن­ها، از طریق تغییر ساختار بهینه­سازها، پایداری بیشتر شبکه و بالا­تر­رفتن دقت بازشناسی حاصل شده است. روش پیشنهادی روی دو مجموعه داده­ی IRVD و مجموعه MIO-TCD ارزیابی شده­است. نتایج ارزیابی نشان می دهند که ساختار پیشنهادی در مقایسه با ساختار­های کانولوشن رایج، از نظر معیار­های طبقه­بندی، عملکرد بهتری داشته است.