Accueil › Annuaire des chercheurs › Nassima Dif
Nassima Dif
Affiliation : École Supérieure en Informatique de Sidi Bel Abbes
- 20Publications (affiliation algérienne)
- 22Publications au total
- 133Citations
- 6Indice h
Profil de recherche
Nassima Dif compte 20 publications référencées (2018–2025). Ses travaux paraissent principalement dans « Lecture notes in networks and systems », « International Journal of Swarm Intelligence Research » et « International Conference on Networking and Advanced Systems (ICNAS) ». Son article le plus cité, « A New Deep Learning Model Selection Method for Colorectal Cancer Classification » (2020), a été cité 33 fois. 6 de ces publications datent des trois dernières années d’activité. Ses travaux sont cosignés avec au moins 12 chercheurs.
C’est vous ? Faites connaître vos travaux
Créez gratuitement votre profil DzCademia et ajoutez vos articles : ils apparaîtront plus facilement sur Google et dans les assistants d’IA comme ChatGPT. Plus de personnes pourront vous lire et vous citer.
Créer mon profil gratuit Ajouter mes publicationsDomaines de recherche
- AI in cancer detection
- Advanced Neural Network Applications
- Metaheuristic Optimization Algorithms Research
- Gene expression and cancer classification
- Domain Adaptation and Few-Shot Learning
Publications (20)
- Multi-Label Classification of Digitized Clinical Records Using Transformer-Based Models
- An Efficient Transferred Cascade System for COVID-19 Detection from Chest X-ray Images
- FCC-FMLO and FLeft-FRight: two novel multi-view fusion techniques for breast density assessment from mammograms
- Breast Density Prediction from Mammograms: A Comprehensive Review
- New attention-gated residual deep convolutional network for accurate lung segmentation in chest x-rays
- A Comparative Study Among Recursive Metaheuristics for Gene Selection
- Regions of interest selection in histopathological images using subspace and multi-objective stream clustering
- COVID-19 Classification From X-rays : A Comparative Study
- Transfer learning from synthetic labels for histopathological images classification
- A Novel Dynamic Hybridization Method for Best Feature Selection
- A New Deep Learning Model Selection Method for Colorectal Cancer Classification
- A New Intra Fine-Tuning Method Between Histopathological Datasets in Deep Learning
- Deep Learning Methods for Mitosis Detection in Breast Cancer Histopathological Images: A Comprehensive Review
- Efficient Regularization Framework for Histopathological Image Classification Using Convolutional Neural Networks.
- An Automatic Blocking Keys Selection For Efficient Record Linkage
- A Comparative Study Among Recursive Metaheuristics for Gene Selection
- L'apprentissage profond pour le traitement des images
- An Enhanced Recursive Firefly Algorithm for Informative Gene Selection
- Gene Selection for Microarray Data Classification Using Hybrid Meta-Heuristics
- A Multi-Verse Optimizer Approach for Instance Selection and Optimizing 1-NN Algorithm
Revues de publication
- Lecture notes in networks and systems × 2
- International Journal of Swarm Intelligence Research × 2
- International Conference on Networking and Advanced Systems (ICNAS) × 1
- Informatica × 1
- Multimedia Tools and Applications × 1
- Evolving Systems × 1
Publications par année
- 20252
- 20242
- 20232
- 20222
- 20212
- 20207
- 20191
- 20182
Collaborations
Établissements partenaires : Université Djilali de Sidi Bel Abbès · Evolutionary Engineering & Distributed Information Systems Laboratory
Co-auteurs
- Zakaria Encadreur Elberrichi
- Sidi Mohamed Benslimane
- Mohamed Amine Abdelali
- Mohamed El Amine Boudinar
- Khawla Senkadi
- Maroua Belmiloud
- Benchouk Jesia Asma
- Mohamed walid Attaoui
- Hamid Naceur Benkhaled
- Latefa Oulladji
- Djamal Berrabah
- Nesrine Boudoukhani
Données bibliographiques issues d’OpenAlex (base ouverte).
Pourquoi choisir Dzcademia ?
Pour donner à vos travaux plus de chances d’être découverts et recommandés par les IA. Profils, articles et communications : donnez à votre recherche une présence publique structurée. Les métadonnées intégrées aident les moteurs de recherche et les assistants IA à identifier vos travaux et à comprendre leurs références.
Commenter avec Google
Connecte-toi avec Google pour commenter directement sur cette page.