Wynik wyszukiwania
Zapytanie: DEEP LEARNING
Liczba odnalezionych rekordów: 42



Przejście do opcji zmiany formatu | Wyświetlenie wyników w wersji do druku | Pobranie pliku do edytora | Przesłanie wyników do modułu analizy | excel | Nowe wyszukiwanie
1/42
Nr opisu: 0000137379
Automated classification of axial CT slices using convolutional neural network.
[Aut.]: Paweł Badura, Jan Juszczyk, P. Bożek, Michał Smoliński.
W: Innovations in biomedical engineering. AAB 2020. International Scientific Conference Advances in Applied Biomechanics, Wisła, Poland, 15-17 May 2020. Eds. Marek Gzik, Zbigniew Paszenda, Ewa Pietka, Ewaryst Tkacz, Krzysztof Milewski. Cham : Springer, 2021, s. 329-336, bibliogr. 11 poz. (Advances in Intelligent Systems and Computing ; vol. 1223 2194-5357)

rozpoznawanie obrazów ; tomografia komputerowa ; klasyfikacja ; uczenie głębokie ; konwolucyjna sieć neuronowa

image recognition ; computed tomography ; classification ; deep learning ; convolutional neural network

2/42
Nr opisu: 0000136708
Deep learning approach to subepidermal low echogenic band segmentation in high frequency ultrasound.
[Aut.]: Joanna Czajkowska, Wojciech Dziurowicz, Paweł Badura, Szymon* Korzekwa.
W: Information Technology in Biomedicine. Eds. Ewa Pietka, Pawel Badura, Jacek Kawa, Wojciech Wieclawek. Cham : Springer, 2021, s. 3-12, bibliogr. 23 poz. (Advances in Intelligent Systems and Computing ; vol. 1186 2194-5357)

ultradźwięki o wysokiej częstotliwości ; atopowe zapalenie skóry ; segmentacja SLEB ; uczenie głębokie

high frequency ultrasound ; atopic dermatitis ; SLEB segmentation ; deep learning

3/42
Nr opisu: 0000136563   
A CNN-based active learning framework to identify mycobacteria in digitized Ziehl-Neelsen stained human tissues.
[Aut.]: M. Yang, Karolina Nurzyńska, A. E. Walts, A. Gertych.
-Comput. Med. Imaging Graph. 2020 vol. 84, bibliogr. 39 poz.. Impact Factor 3.750. Punktacja MNiSW 100.000

aktywne uczenie się ; wykrywanie pałeczek ; patologia obliczeniowa ; komputerowe wspomaganie diagnostyki ; uczenie głębokie ; gruźlica

active learning ; bacilli detection ; computational pathology ; computer-assisted diagnosis ; deep learning ; tuberculosis

4/42
Nr opisu: 0000136678   
A novel method for detection of tuberculosis in chest radiographs using artificial ecosystem-based optimisation of deep neural network features.
[Aut.]: A. T. Sahlol, M. Abd Elaziz, A. T. Jamal, Robertas Damasevicius, O. F. Hassan.
-Symmetry 2020 vol. 12 no. 7, s. 1-17, bibliogr. 61 poz.. Impact Factor 2.645. Punktacja MNiSW 70.000

gruźlica ; transfer learning ; konwolucyjna sieć neuronowa ; uczenie głębokie ; przetwarzanie obrazu ; optymalizacja oparta na sztucznym ekosystemie

tuberculosis ; transfer learning ; convolutional neural network ; deep learning ; image processing ; artificial ecosystem-based optimization

5/42
Nr opisu: 0000135544   
A novel transfer learning based approach for pneumonia detection in chest X-ray images.
[Aut.]: V. Chouhan, S. Singh, A. Khamparia, D. Gupta, P. Tiwari, C. Moreira, Robertas Damasevicius, V. H. C. de Albuquerque.
-Appl. Sci. 2020 vol. 10 iss. 2, art. no. 559 s. 1-17, bibliogr. 66 poz.. Impact Factor 2.474. Punktacja MNiSW 70.000

uczenie głębokie ; transfer learning ; przetwarzanie obrazów medycznych ; diagnostyka wspomagana komputerowo

deep learning ; transfer learning ; medical image processing ; computer-aided diagnosis

6/42
Nr opisu: 0000135373   
Application of deep learning object classifier to improve e-waste collection planning.
[Aut.]: Piotr Nowakowski, Teresa Pamuła.
-Waste Manage. 2020 vol. 109, s. 1-9, bibliogr. 42 poz.. Impact Factor 5.448. Punktacja MNiSW 200.000

e-odpady ; zużyty sprzęt elektryczny i elektroniczny ; deep learning ; klasyfikator obiektów ; detektor odpadów elektronicznych ; konwolucyjna sieć neuronowa ; planowanie zbiórki odpadów

e-waste ; waste electrical and electronic equipment ; deep learning ; object classifier ; e-waste detector ; convolutional neural network ; waste collection planning

7/42
Nr opisu: 0000137863   
Automated size-specific dose estimates using deep learning image processing.
[Aut.]: Jan Juszczyk, Paweł Badura, Joanna Czajkowska, Agata Wijata, Jacek Andrzejewski, P. Bożek, Michał Smoliński, Marta Biesok, Agata Sage, Marcin Rudzki, Wojciech Więcławek.
-Med. Image Anal. 2020 in press, s. 1-29, bibliogr.
Article in press. Impact Factor 11.148. Punktacja MNiSW 200.000

obrazowanie radiologiczne ; tomografia komputerowa ; gospodarowanie dawką ; sztuczna inteligencja ; uczenie głębokie ; systemy informacji medycznej

radiation imaging ; computed tomography ; dose management ; artificial intelligence ; deep learning ; medical information systems

8/42
Nr opisu: 0000135891   
DDTree: a hybrid deep learning model for real-time waterway depth prediction and smart navigation.
[Aut.]: F. Yang, Y. Qiao, W. Wei, X. Wang, D. Wan, Robertas Damasevicius, Marcin Woźniak.
-Appl. Sci. 2020 vol. 10 iss. 8, s. 1-16, bibliogr. 41 poz.. Impact Factor 2.474. Punktacja MNiSW 70.000

nawigacja morska ; bezpieczeństwo ; prognozowanie głębokości ; model hybrydowy ; uczenie głębokie ; inteligentna nawigacja

marine navigation ; safety ; depth prediction ; hybrid model ; deep learning ; smart navigation

9/42
Nr opisu: 0000135933   
Deep learning based switching filter for impulsive noise removal in color images.
[Aut.]: Krystian Radlak, Łukasz Maliński, Bogdan Smołka.
-Sensors 2020 vol. 20 iss. 20, s. 1-23, bibliogr. 75 poz.. Impact Factor 3.275. Punktacja MNiSW 100.000

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

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

10/42
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. 2020 vol. 17 iss. 6, s. 1062-1066, bibliogr. 22 poz.. Impact Factor 3.833. 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

11/42
Nr opisu: 0000131982   
Deep recurrent neural networks for human activity recognition during skiing.
[Aut.]: Magdalena Pawlyta, Marek Hermansa, Agnieszka Szczęsna, M. Janiak, K. Wojciechowski.
W: Man-machine interactions 6. 6th International Conference on Man-Machine Interactions, ICMMI 2019, Cracow, Poland, October 2-3, 2019. Eds. Aleksandra Gruca, Tadeusz Czachórski, Sebastian Deorowicz, Katarzyna Harężlak, Agnieszka Piotrowska. Berlin : Springer International Publishing, 2020, s. 136-145, bibliogr. 19 poz. (Advances in Intelligent Systems and Computing ; vol. 1061 2194-5357). Punktacja MNiSW 20.000

rozpoznawanie aktywności ; deep learning ; rekurencyjna sieć neuronowa

activity recognition ; deep learning ; recurrent neural network

12/42
Nr opisu: 0000136261
Detection and segmentation of brain tumors from MRI using U-Nets.
[Aut.]: Krzysztof Kotowski, Jakub Nalepa, Wojciech Dudzik.
W: Brainlesion: glioma, multiple sclerosis, stroke and traumatic brain injuries. 5th International workshop, BrainLes 2019, held in conjunction with MICCAI 2019, Shenzhen, China, October 17, 2019. Revised selected papers. Pt. 2. Eds. Alessandro Crimi, Spyridon Bakas. Cham : Springer, 2020, s. 179-190, bibliogr. 41 poz. (Lecture Notes in Computer Science ; vol. 11993 0302-9743). Punktacja MNiSW 20.000

guz mózgu ; segmentacja ; uczenie głębokie ; CNN

brain tumor ; segmentation ; deep learning ; CNN

13/42
Nr opisu: 0000135965   
Detection of speech impairments using cepstrum, auditory spectrogram and wavelet time scattering domain features.
[Aut.]: A. Lauraitis, R. Maskeliunas, Robertas Damasevicius, T. Krilavicius.
-IEEE Access 2020 vol. 8, s. 96162-96172, bibliogr. 66 poz.. Impact Factor 3.745. Punktacja MNiSW 100.000

aplikacja mobilna ; uczenie głębokie ; wspomaganie decyzji ; przetwarzanie mowy ; zaburzenia nerwowe ; rozpraszanie falkowe ; cyfryzacja w służbie zdrowia ; Internet Rzeczy Medycznych

mobile application ; deep learning ; decision support ; speech processing ; neural impairment ; wavelet scattering ; digital health ; Internet of Medical Things

14/42
Nr opisu: 0000134860   
Hyperspectral band selection using attention-based convolutional neural networks.
[Aut.]: Pablo Ribalta Lorenzo, Łukasz Tulczyjew, M. Marcinkiewicz, Jakub Nalepa.
-IEEE Access 2020 vol. 8, s. 42384-42403, bibliogr. 101 poz.. Impact Factor 3.745. Punktacja MNiSW 100.000

uczenie głębokie ; konwolucyjna sieć neuronowa ; klasyfikacja ; wybór pasma ; mechanizm skupienia uwagi

deep learning ; convolutional neural network ; classification ; band selection ; attention mechanism

15/42
Nr opisu: 0000137548   
Intracranial hemorrhage detection in head CT using double-branch convolutional neural network, support vector machine, and random forest.
[Aut.]: Agata Sage, Paweł Badura.
-Appl. Sci. 2020 vol. 10 iss. 21, s. 1-12, bibliogr. 30 poz.. Impact Factor 2.474. Punktacja MNiSW 70.000

krwotok wewnątrzczaszkowy ; diagnostyka wspomagana komputerowo ; tomografia komputerowa ; uczenie głębokie ; las losowy

intracranial hemorrhage ; computer-aided diagnosis ; computed tomography ; deep learning ; random forest

16/42
Nr opisu: 0000137661   
Multi-patch blending improves lung cancer growth pattern segmentation in whole-slide images.
[Aut.]: Ż. Świderska-Chadaj, E. Stoelinga, Arkadiusz Gertych, F. Ciompi.
W: Proceedings of 2020 IEEE 21st International Conference on Computational Problems of Electrical Engineering (CPEE), Pińczów, Poland, 16-19th September 2020. Online conference. Piscataway : Institute of Electrical and Electronics Engineers, 2020, s. 1-4, bibliogr. 15 poz.

uczenie głębokie ; rak płuc ; wzorzec wzrostu guza ; rozszerzanie danych ; cycle-GAN

deep learning ; lung cancer ; tumor growth pattern ; data augmentation ; cycle-GAN

17/42
Nr opisu: 0000136889   
NAS-HRIS: automatic design and architecture search of neural network for semantic segmentation in remote sensing images.
[Aut.]: M. Zhang, W. Jing, J. Lin, N. Fang, W. Wei, Marcin Woźniak, Robertas Damasevicius.
-Sensors 2020 vol. 20 iss. 18, s. 1-15, bibliogr. 43 poz.. Impact Factor 3.275. Punktacja MNiSW 100.000

uczenie głębokie ; teledetekcja o wysokiej rozdzielczości ; segmentacja obrazu ; wyszukiwanie architektury neuronowej ; optymalizacja sieci neuronowej ; monitoring miejski

deep learning ; high-resolution remote sensing ; image segmentation ; neural architecture search ; neural network optimisation ; urban monitoring

18/42
Nr opisu: 0000137638   
Protein Unet-An efficient alternative to SPIDER3-single for sequence-based prediction of protein secondary structures.
[Aut.]: Krzysztof Kotowski, Tomasz Smolarczyk, I. Roterman-Konieczna, Katarzyna Stąpor.
-J. Comput. Chem. 2020 in press, s. 1-10, bibliogr. 40 poz.
Article in press. Impact Factor 2.976. Punktacja MNiSW 100.000

ocena krzywizn kręgosłupa ; uczenie głębokie ; przewidywanie struktury białka ; przewidywanie struktury drugorzędowej

backbone angles estimation ; deep learning ; protein structure prediction ; secondary structure prediction ; solvent accessibility prediction

19/42
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. 2020 vol. 17 iss. 2, s. 292-296, bibliogr. 17 poz.. Impact Factor 3.833. 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

20/42
Nr opisu: 0000132849   
Transfer learning for segmenting dimensionally reduced hyperspectral images.
[Aut.]: Jakub Nalepa, Michał Myller, Michał Kawulok.
-IEEE Geosci. Remote Sens. Lett. 2020 vol. 17 iss. 7, s. 1228-1232, bibliogr. 19 poz.. Impact Factor 3.833. Punktacja MNiSW 140.000

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

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

21/42
Nr opisu: 0000133782   
Unsupervised segmentation of hyperspectral images using 3-D convolutional autoencoders.
[Aut.]: Jakub Nalepa, Michał Myller, Y. Imai, K.-I. Honda, T. Takeda, M. Antoniak.
-IEEE Geosci. Remote Sens. Lett. 2020 in press, s. 1-5, bibliogr. 23 poz.
Article in press. Impact Factor 3.833. Punktacja MNiSW 140.000

autoencoder ; grupowanie ; uczenie głębokie ; obrazowanie wielowidmowe ; HSI ; segmentacja nienadzorowana

autoencoder ; clustering ; deep learning ; hyper-spectral imaging ; HSI ; unsupervised segmentation

22/42
Nr opisu: 0000133871   
Automated identification of wood veneer surface defects using faster region-based convolutional neural network with data augmentation and transfer learning.
[Aut.]: A. Urbonas, V. Raudonis, Rytis Maskeliunas, Robertas Damasevicius.
-Appl. Sci. 2019 vol. 9 iss. 22, art. no. 4898 s. 1-20, bibliogr. 66 poz.. Impact Factor 2.474. Punktacja MNiSW 70.000

detekcja defektów ; kontrola jakości ; okleina drzewna ; rozszerzanie danych ; transfer learning ; faster R-CNN ; uczenie głębokie

defect detection ; quality control ; wood veneer ; data augmentation ; transfer learning ; faster R-CNN ; deep learning

23/42
Nr opisu: 0000134343   
Data augmentation for brain-tumor segmentation: a review.
[Aut.]: Jakub Nalepa, M. Marcinkiewicz, Michał Kawulok.
-Front. Comput. Neurosci. 2019 vol. 13, art. no. 83 s. 1-18, bibliogr. 79 poz.. Impact Factor 2.535. Punktacja MNiSW 70.000

rozszerzanie danych ; uczenie głębokie ; głębokie sieci neuronowe ; segmentacja obrazów ; MRI

data augmentation ; deep learning ; deep neural networks ; image segmentation ; MRI

24/42
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

25/42
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). Punktacja MNiSW 20.000

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

26/42
Nr opisu: 0000132590   
Editorial: 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

27/42
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 2.474. 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

28/42
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 3.275. Punktacja MNiSW 100.000

deep learning ; sieć neuronowa ; obraz syntetyczny ; GANs

deep learning ; neural network ; synthetic images ; GANs

29/42
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 6.319. Punktacja MNiSW 140.000

deep learning ; predykcja natężenia ruchu ; wrażliwość na utratę danych

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

30/42
Nr opisu: 0000132091   
Lithuanian speech recognition using purely phonetic deep learning.
[Aut.]: L. Pipiras, Rytis Maskeliunas, Robertas Damasevicius.
-Computers 2019 vol. 8 no. 4, 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

31/42
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). Punktacja MNiSW 20.000

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

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

32/42
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). Punktacja MNiSW 20.000

guz mózgu ; segmentacja ; deep learning ; CNN

brain tumor ; segmentation ; deep learning ; CNN

33/42
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

34/42
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). Punktacja MNiSW 20.000

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

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

35/42
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 3.833. Punktacja MNiSW 140.000

klasyfikacja ; uczenie głębokie ; obrazowanie hiperspektralne ; segmentacja ; walidacja

classification ; deep learning ; hyperspectral imaging ; segmentation ; validation

36/42
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.. Punktacja MNiSW 15.000

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

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

37/42
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.. Punktacja MNiSW 140.000

splotowa sieć neuronowa ; deep learning ; algorytm genetyczny

convolutional neural network ; deep learning ; genetic algorithm

38/42
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.. Punktacja MNiSW 5.000

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

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

39/42
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

40/42
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

41/42
Nr opisu: 0000132449   
Hands-free research workflow.
[Aut.]: Pablo Ribalta Lorenzo, Jakub Nalepa, L. Sanchez Ramos, J. Ranilla Pastor.
W: Proceedings of the 21st International Conference on Evaluation and Assessment in Software Engineering. EASE'17, Karlskrona, Sweden, June 15-16, 2017. Association for Computing Machinery. New York : Association for Computing Machinery, 2017, s. 70-73, bibliogr. 11 poz.

przebieg pracy badawczej ; deep learning ; kontrola źródła ; integracja ciągła

research workflow ; deep learning ; source control ; CI

42/42
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