Wynik wyszukiwania
Zapytanie: DEEP LEARNING
Liczba odnalezionych rekordów: 21



Przejście do opcji zmiany formatu | Wyświetlenie wyników w wersji do druku | Pobranie pliku do edytora | Przesłanie wyników do modułu analizy | excel | Nowe wyszukiwanie
1/21
Nr opisu: 0000130985   
Data augmentation via image registration.
[Aut.]: Jakub Nalepa, Grzegorz Mrukwa, Szymon Piechaczek, Pablo Ribalta Lorenzo, M. Marcinkiewicz, B. Bobek-Billewicz, P. Wawrzyniak, P. Ulrych, J. Szymanek, M. Cwiek, Wojciech Dudzik, Michał Kawulok, M. P. Hayball.
W: 2019 IEEE International Conference on Image Processing, September 22-25, 2019, Taipei, Taiwan. Proceedings. Piscataway : IEEE, 2019, s. 4250-4254, bibliogr. 19 poz.. Punktacja MNiSW 70.000

deep learning ; rozszerzanie danych ; rejestracja obrazu ; segmentacja guza mózgu

deep learning ; data augmentation ; image registration ; brain tumor segmentation

2/21
Nr opisu: 0000131968
Deep learning for impulsive noise removal in color digital images.
[Aut.]: Krystian Radlak, Łukasz Maliński, Bogdan Smołka.
W: Real-Time Image Processing and Deep Learning 2019, Baltimore, Maryland, United States, 15-16 April 2019. Eds. Nasser Kehtarnavaz, Matthias F. Carlsohn. Bellingham : SPIE, 2019, art. no. 1099608 s. 1-9 (Proceedings of SPIE ; vol. 10996 0277-786X)

deep learning ; głębokie sieci neuronowe ; usuwanie szumów z obrazu ; poprawa jakości obrazu ; hałas impulsowy

deep learning ; deep neural networks ; image denoising ; image enhancement ; impulsive noise

3/21
Nr opisu: 0000132738   
Deep learning for multiple-image super-resolution.
[Aut.]: Michał Kawulok, Paweł Benecki, Szymon Piechaczek, Krzysztof Hrynczenko, Daniel Kostrzewa, Jakub Nalepa.
-IEEE Geosci. Remote Sens. Lett. 2019 in press, s. 1-5, bibliogr. 22 poz.
Article in press. Impact Factor 3.534. Punktacja MNiSW 140.000

konwolucyjna sieć neuronowa ; CNN ; uczenie głębokie ; przetwarzanie obrazów ; nadrozdzielczość ; SR

convolutional neural network ; CNN ; deep learning ; image processing ; super-resolution ; SR

4/21
Nr opisu: 0000129657   
Fully convolutional neural network with Augmented Atrous Spatial Pyramid Pool and fully connected fusion path for high resolution remote sensing image segmentation.
[Aut.]: G. Chen, C. Li, W. Jing, Marcin Woźniak, T. Blazauskas, R. Damasevicius.
-Appl. Sci. 2019 vol. 9 iss. 9, art. no. 1816 s. 1-13, bibliogr. 48 poz.. Impact Factor 2.217. Punktacja MNiSW 70.000

segmentacja semantyczna ; teledetekcja ; rozszerzony splot ; pełna sieć konwolucyjna ; deep learning

semantic segmentation ; remote sensing ; dilated convolution ; fully convolutional neural network ; deep learning

5/21
Nr opisu: 0000131773   
HEMIGEN: Human embryo image generator based on generative adversarial networks.
[Aut.]: D. Dirvanauskas, R. Maskeliunas, V. Raudonis, Robertas Damasevicius, R. Scherer.
-Sensors 2019 vol. 19 iss. 16, art. no. 3578 s. 1-16, bibliogr. 53 poz.. Impact Factor 3.031. Punktacja MNiSW 100.000

deep learning ; sieć neuronowa ; obraz syntetyczny ; GANs

deep learning ; neural network ; synthetic images ; GANs

6/21
Nr opisu: 0000123543   
Impact of data loss for prediction of traffic flow on an urban road using neural networks.
[Aut.]: Teresa Pamuła.
-IEEE Trans. Intell. Transp. Syst. 2019 vol. 20 iss. 3, s. 1000-1009, bibliogr. 35 poz.. Impact Factor 5.744. Punktacja MNiSW 140.000

deep learning ; predykcja natężenia ruchu ; wrażliwość na utratę danych

deep learning ; traffic flow prediction ; sensitivity to loss of data

7/21
Nr opisu: 0000132091   
Lithuanian speech recognition using purely phonetic deep learning.
[Aut.]: L. Pipiras, Rytis Maskeliunas, Robertas Damasevicius.
-Computers 2019 vol. 8 no. 4, art. no. 76 s. 1-15, bibliogr. 51 poz.. Punktacja MNiSW 20.000

rozpoznawanie mowy litewskiej ; modele fonetycznego enkodera/dekodera ; deep learning ; sztuczna sieć neuronowa

Lithuanian speech recognition ; phonetic encoder-decoder models ; deep learning ; artificial neural network

8/21
Nr opisu: 0000132590   
Machine learning techniques on gene function prediction.
[Aut.]: A. K. Sangaiah, Q. Zou, Dariusz Mrozek.
-Front. Genet. 2019 vol. 10, art. no. 938

uczenie maszynowe ; uczenie głębokie ; uczenie zespołowe ; bioinformatyka ; przewidywanie funkcji genów

machine learning ; deep learning ; ensemble learning ; bioinformatics ; gene function prediction

9/21
Nr opisu: 0000131970
On data augmentation for segmenting hyperspectral images.
[Aut.]: Jakub Nalepa, Michał Myller, Michał Kawulok, Bogdan Smołka.
W: Real-Time Image Processing and Deep Learning 2019, Baltimore, Maryland, United States, 15-16 April 2019. Eds. Nasser Kehtarnavaz, Matthias F. Carlsohn. Bellingham : SPIE, 2019, art. no. 1099609 s. 1-8 (Proceedings of SPIE ; vol. 10996 0277-786X)

splotowa sieć neuronowa ; rozszerzanie danych ; deep learning ; obrazowanie hiperspektralne ; GANs

convolutional neural network ; data augmentation ; deep learning ; hyperspectral imaging ; GANs

10/21
Nr opisu: 0000129305
Segmenting brain tumors from MRI using cascaded multi-modal U-Nets.
[Aut.]: M. Marcinkiewicz, Jakub Nalepa, Pablo Ribalta Lorenzo, Wojciech Dudzik, Grzegorz Mrukwa.
W: Brainlesion: glioma, multiple sclerosis, stroke and traumatic brain injuries. 4th International Workshop, BrainLes 2018 held in cwith MICCAI 2018, Granada, Spain, September 16, 2018. Revised selected papers. Part II. Eds.: Alessandro Crimi, Spyridon Bakas, Hugo Kuijf, Farahani Keyvan, Mauricio Reyes, Theo van Walsum. Cham : Springer, 2019, s. 13-24 (Lecture Notes in Computer Science ; vol. 11384 0302-9743)

guz mózgu ; segmentacja ; deep learning ; CNN

brain tumor ; segmentation ; deep learning ; CNN

11/21
Nr opisu: 0000129473   
Sentiment analysis of Lithuanian texts using traditional and deep learning approaches.
[Aut.]: J. Kapociute-Dzikiene, R. Damasevicius, Marcin Woźniak.
-Computers 2019 vol. 8 no. 1, art. no. 4 s. 1-16, bibliogr. 61 poz.. Punktacja MNiSW 20.000

analiza nastrojów ; uczenie maszynowe ; deep learning ; komentarze internetowe ; język litewski

sentiment analysis ; machine learning ; deep learning ; Internet comments ; Lithuanian language ; neural word embeddings

12/21
Nr opisu: 0000129745   
Super-resolution reconstruction using deep learning: should we go deeper?.
[Aut.]: Daniel Kostrzewa, Szymon Piechaczek, Krzysztof Hrynczenko, Paweł Benecki, Jakub Nalepa, Michał Kawulok.
W: Beyond databases, architectures and structures. Paving the road to smart data processing and analysis. 15th International conference, BDAS 2019, Ustroń, Poland, May 28-31, 2019. Proceedings. Eds. Stanisław Kozielski, Dariusz Mrozek, Paweł Kasprowski, Bożena Małysiak-Mrozek, Daniel Kostrzewa. Cham : Springer, 2019, s. 204-216, bibliogr. 42 poz. (Communications in Computer and Information Science ; vol. 1018 1865-0929)

rekonstrukcja super-rozdzielcza ; przetwarzanie obrazu ; splotowa sieć neuronowa ; uczenie głębokie

super-resolution reconstruction ; image processing ; convolutional neural network ; deep learning

13/21
Nr opisu: 0000132851   
Training- and test-time data augmentation for hyperspectral image segmentation.
[Aut.]: Jakub Nalepa, Michał Myller, Michał Kawulok.
-IEEE Geosci. Remote Sens. Lett. 2019 in press, s. 1-5, bibliogr.
Article in press. Impact Factor 3.534. Punktacja MNiSW 140.000

klasyfikacja ; rozszerzanie danych ; deep learning ; obrazowanie hiperspektralne ; analiza składowych głównych ; PCA ; segmentacja

classification ; data augmentation ; deep learning ; hyperspectral imaging ; principal component analysis ; PCA ; segmentation

14/21
Nr opisu: 0000132849   
Transfer learning for segmenting dimensionally reduced hyperspectral images.
[Aut.]: Jakub Nalepa, Michał Myller, Michał Kawulok.
-IEEE Geosci. Remote Sens. Lett. 2019 in press, s. 1-5, bibliogr. 19 poz.
Article in press. Impact Factor 3.534. Punktacja MNiSW 140.000

klasyfikacja ; deep learning ; obrazowanie hiperspektralne ; segmentacja ; transfer learning

classification ; deep learning ; hyperspectral imaging ; segmentation ; transfer learning

15/21
Nr opisu: 0000129654   
Validating hyperspectral image segmentation.
[Aut.]: Jakub Nalepa, Michał Myller, Michał Kawulok.
-IEEE Geosci. Remote Sens. Lett. 2019 vol. 16 iss. 3, s. 1264-1268, bibliogr. 23 poz.. Impact Factor 3.534. Punktacja MNiSW 140.000

klasyfikacja ; uczenie głębokie ; obrazowanie hiperspektralne ; segmentacja ; walidacja

classification ; deep learning ; hyperspectral imaging ; segmentation ; validation

16/21
Nr opisu: 0000127177   
Deep learning for natural language processing and language modelling.
[Aut.]: Piotr Kłosowski.
W: Signal processing: algorithms, architectures, arrangements, and applications (SPA), 19-21 September, 2018, Poznań, Poland. SPA 2018, Poznan, 19th-21st September 2018. Conference proceedings. The Institute of Electrical and Electronics Engineers Inc. Region 8 - Europe, Middle East and Africa. Poland Section. Circuits and Systems Chapters, Poznan University of Technology. Institute of Automation and Robotics. Division of Signal Processing and Electronic Systems. Piscataway : Institute of Electrical and Electronics Engineers, 2018, s. 223-228, bibliogr. 44 poz.

deep learning ; uczenie maszynowe ; analiza języka ; modelowanie języka ; przetwarzanie języka ; rozpoznawanie mowy

deep learning ; machine learning ; language analysis ; language modelling ; language processing ; speech recognition

17/21
Nr opisu: 0000125182   
Genetically-trained deep neural networks.
[Aut.]: Jakub Nalepa, Krzysztof Pawełczyk, Michał Kawulok.
W: Proceedings of the 2018 Genetic and Evolutionary Computation Conference Companion. GECCO'18 Companion, Kyoto, Japan, 15-19 July 2018. Association for Computing Machinery. New York : Association for Computing Machinery, 2018, s. 63-64, bibliogr. 7 poz.

splotowa sieć neuronowa ; deep learning ; algorytm genetyczny

convolutional neural network ; deep learning ; genetic algorithm

18/21
Nr opisu: 0000127722
Hand gesture classification with use of convolutional neural networks.
[Aut.]: Tomasz Grzejszczak, R. Roth, R. Moller.
W: 32nd Annual European Simulation and Modelling Conference. ESM 2018, Ghent, Belgium, 24-26 October 2018. [B.m.] : EUROSIS, 2018, s. 49-53, bibliogr. 27 poz.

CNN ; splotowa sieć neuronowa ; uczenie głębokie ; gesty ; HCI ; HMI ; język migowy

CNN ; convolutional neural network ; deep learning ; hand gestures ; HCI ; HMI ; sign language

19/21
Nr opisu: 0000124305   
Real time path finding for assisted living using deep learning.
[Aut.]: U. Malukas, R. Maskeliunas, R. Damasevicius, Marcin Woźniak.
-J. Univ. Comput. Sci. 2018 vol. 24 no. 4, s. 475-487, bibliogr. 32 poz.
Special issue: Advances in security and privacy of multimodal interfaces. Eds. Robertas Damasevicius, Marcin Woźniak, Vicente Alarcon-Aquino, Ivan Ganchev, Wei Wei. Impact Factor 0.910. Punktacja MNiSW 20.000

wyznaczanie drogi ; rozpoznawanie obiektów ; przetwarzanie obrazu ; deep learning ; sieć neuronowa ; nawigacja zewnętrzna

path finding ; object recognition ; image processing ; deep learning ; neural network ; outdoor navigation ; assisted living ; semantic segmentation

20/21
Nr opisu: 0000124800   
Uczenie wielowarstwowych szerokich sieci neuronowych z funkcjami aktywacji typu ReLu w zadaniach klasyfikacji.
[Aut.]: S. Płaczek, Aleksander Płaczek.
-Pozn. Univ. Technol. Acad. J., Electr. Eng. 2018 no. 96, s. 47-58, bibliogr. 6 poz.. Punktacja MNiSW 9.000

sieć neuronowa ; algorytm uczenia ; uczenie głębokie ; sieć szeroka

neural network ; training algorithm ; deep learning ; wide network

21/21
Nr opisu: 0000119586   
Przestrzenno-czasowy model predykcji natężenia ruchu z użyciem sieci neuronowych.
[Aut.]: Teresa Pamuła.
-Pr. Nauk. PWarsz., Transp. 2017 z. 117, s. 259-269, bibliogr. 10 poz.
Tytuł zeszytu: Problemy transportu w inżynierii logistyki. Cz. 1. Punktacja MNiSW 7.000

predykcja natężenia ruchu ; sieć neuronowa ; deep learning

traffic flow prediction ; neural network ; deep learning

stosując format:
Nowe wyszukiwanie