گروه آموزشی گروه مهندسی هوش‌مصنوعی | سامانه جامع پژوهشی دانشگاه اصفهان

نمای کلی

گروه آموزش یکی از بخش‌های اصلی دانشکده است که مسئولیت برنامه‌ریزی، اجرا و نظارت بر فعالیت‌های آموزشی را بر عهده دارد. این گروه با همکاری اعضای هیئت علمی، به طراحی و به‌روزرسانی سرفصل‌های درسی، هماهنگی کلاس‌ها و ارتقاء کیفیت آموزشی می‌پردازد. هدف اصلی گروه آموزش، فراهم‌سازی بستری مناسب برای یادگیری مؤثر و توسعه توانمندی‌های علمی دانشجویان است. این گروه همچنین نقش مهمی در هدایت تحصیلی دانشجویان، پاسخ‌گویی به مسائل آموزشی و برگزاری جلسات مشاوره علمی ایفا می‌کند. با بهره‌گیری از روش‌های نوین آموزشی و توجه به نیازهای روز، گروه آموزش تلاش می‌کند تا فرآیند یادگیری را بهبود بخشد و زمینه‌ساز موفقیت تحصیلی دانشجویان باشد.

پروفایل ها

دکتر احمدرضا نقش نیلچی

استاد

دانشکده مهندسی کامپیوتر
گروه مهندسی هوش‌مصنوعی

دکتر حسین کارشناس نجف آبادی

دانشیار

دانشکده مهندسی کامپیوتر
گروه مهندسی هوش‌مصنوعی

دکتر حسین ماهوش محمدی

استادیار

دانشکده مهندسی کامپیوتر
گروه مهندسی هوش‌مصنوعی

دکتر حمیدرضا برادران کاشانی

استادیار

دانشکده مهندسی کامپیوتر
گروه مهندسی هوش‌مصنوعی

دکتر الهام کردی

استادیار

دانشکده مهندسی کامپیوتر
گروه مهندسی هوش‌مصنوعی

دکتر پیمان ادیبی

دانشیار

دانشکده مهندسی کامپیوتر
گروه مهندسی هوش‌مصنوعی

بیشتر

برونداد‌های پژوهشی

135

همه موارد

134

مقالات

کتاب

مقالات لاتین

Changes in facial expression as biometric: A database and benchmarks of identification

( Article . All Open Access; Green Open Access )

Naghsh nilchi, A.R., Haamer R.E., Kulkarni K., Imanpour, N., Haque M.A., Avots E., Breisch M., Nasrollahi, K., Escalera S., Ozcinar C., Baro X., Moeslund, T.B., Anbarjafari G., Haamer R.E., Kulkarni K., Imanpour, N., Haque M.A., Avots E., Breisch M., Nasrollahi, K., Escalera S., Ozcinar C., Baro X.

2025 29th International Computer Conference, Computer Society of Iran, CSICC 2025pp. 621-628

Hybrid embedding for multimodal few-frame action recognition

( Article . )

Shafizadegan, F., Naghsh nilchi, A.R., Shabaninia, E.

Multimedia Systems (14321882)31(2)

An Optimized Non-deep Learning Defense Against Adversarial Attacks for Pedestrian Detection

( Article . )

Etehadi-abari, M., Naghsh nilchi, A.R., Hoseinnezhad, R.

Journal of Signal Processing Systems (19398115)96(12)pp. 763-777

Multimodal vision-based human action recognition using deep learning: a review

( Article . Hybrid Gold )

Shafizadegan, F., Naghsh nilchi, A.R., Shabaninia, E.

Artificial Intelligence Review (02692821)57(7)

SW/SE-CNN: semi-wavelet and specific image edge extractor CNN for Gaussian image denoising

( Article . )

Esteki, S., Naghsh nilchi, A.R.

Neural Computing And Applications (09410643)36(10)pp. 5447-5469

Several state-of-the-art convolutional neural networks (CNNs)-based methods are available for image denoising tasks. CNNs are typically trained using the backpropagation algorithm, which requires all operations in the network to be differentiable. Most CNN operations satisfy this requirement and can be applied to backpropagation-based training algorithms. However, some transforms, including wavelet transform, which is useful for speeding up CNN computations as well as performing multi-resolution analysis, are not strictly differentiable. This paper addresses this challenge by proposing a wavelet-like transform that is differentiable. This new design is, in fact, a new CNN architecture named semi-wavelet, specific edge convolutional neural network (SW/SE-CNN), consisting of three newly designed layers. The first layer is a Semi-Wavelet (SW)-based layer which is a differential down-sampling operator for wavelet approximation. That is, the SW layer converts the input image into four channels. Three of these channels are estimations of the vertical, horizontal, and diagonal edges of the original image; and the fourth channel is a down-sampled version of it. The second proposed layer, called Semi-Wavelet Inverse (SWI), is to restore the original image by using the four SW output channels. Additionally, a specific edge extractor (SE), as another new layer, is designed on the basis of the well-known Sobel operator to extract specific edges of the image. The reason behind proposing the SE layer is to provide more edge information for the network; and the motive for including the SW layer is to speed the network up as well as multi-resolution analysis. Then, the new SW/SE-CNN architecture is implemented for Gaussian image denoising. The experimental results show that the new SW/SE-CNN outperformed the state-of-the-art methods for Gaussian image denoising based on the peak signal-to-noise ratio (PSNR) and structural similarity (SSIM) measurements for grayscale as well as color images. © The Author(s), under exclusive licence to Springer-Verlag London Ltd., part of Springer Nature 2024. corrected publication 2024.

کتاب ها

آموزش نرم‌افزار MATLAB مقدماتی تا پیشرفته

(تالیف)

فاطمه شفیع‌زادگان و احمدرضا نقش نیلچی

اصفهان - جهاد دانشگاهی، واحد اصفهان 1399

بیشتر