Wynik wyszukiwania
Zapytanie:
DEEP NEURAL NETWORKS
Liczba odnalezionych rekordów:
16
Przejście do opcji zmiany formatu
|
Wyświetlenie wyników w wersji do druku
|
Pobranie pliku do edytora
|
Przesłanie wyników do modułu analizy
|
excel
|
Nowe wyszukiwanie
1/16
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
2/16
Nr opisu:
0000135370
Estimation of the energy consumption of battery electric buses for public transport networks using real-world data and deep learning.
[Aut.]: Teresa
Pamuła
, Wiesław
Pamuła
.
-
Energies
2020 vol. 13 iss. 9
, art. no. 2340 s. 1-17, bibliogr. 29 poz..
Impact Factor
2.702.
Punktacja MNiSW
140.000
autobus elektryczny
;
zużycie energii
;
głębokie sieci neuronowe
;
sieć transportu publicznego
battery electric bus
;
energy consumption
;
deep neural networks
;
public transport network
3/16
Nr opisu:
0000134235
Fully-automated deep learning-powered system for DCE-MRI analysis of brain tumors.
[Aut.]: Jakub
Nalepa
, Pablo
Ribalta Lorenzo
, M.
Marcinkiewicz
, B.
Bobek-Billewicz
, P.
Wawrzyniak
, Maksym
Walczak
, Michał
Kawulok
, Wojciech
Dudzik
, Krzysztof
Kotowski
, I.
Burda
, B.
Machura
, Grzegorz
Mrukwa
, P.
Ulrych
, M. P.
Hayball
.
-
Artif. Intell. Med.
2020 vol. 102
, art. no. 101769 s. 1-21, bibliogr. 89 poz..
Impact Factor
4.383.
Punktacja MNiSW
100.000
głębokie sieci neuronowe
;
model farmakokinetyczny
;
segmentacja guza
;
DCE-MRI
;
perfuzja
;
mózg
deep neural networks
;
pharmacokinetic model
;
tumor segmentation
;
DCE-MRI
;
perfusion
;
brain
4/16
Nr opisu:
0000139000
Konwolucyjne sieci neuronowe w zagadnieniach klasyfikacji.
[Aut.]: Paweł
Śliwa
, Witold
Beluch
.
W:
Metody komputerowe - 2020
. Studencka konferencja naukowa, Gliwice, wrzesień 2020. Red.: Grzegorz Dziatkiewicz, Jacek Ptaszny. Katedra Mechaniki i Inżynierii Obliczeniowej. Wydział Mechaniczny Technologiczny. Politechnika Śląska. Gliwice : Katedra Mechaniki i Inżynierii Obliczeniowej. Wydział Mechaniczny Technologiczny. Politechnika Śląska, 2020
, s. 149-152, bibliogr. 2 poz.
konwolucyjna sieć neuronowa
;
głęboka sieć neuronowa
;
trening sieci neuronowej
convolutional neural network
;
deep neural networks
;
neural networks training
5/16
Nr opisu:
0000132301
Protein secondary structure prediction: a review of progress and directions.
[Aut.]: Tomasz
Smolarczyk
, I.
Roterman-Konieczna
, Katarzyna
Stąpor
.
-
Curr. Bioinform.
2020 vol. 15 iss. 2
, s. 90-107, bibliogr. 129 poz..
Impact Factor
2.068.
Punktacja MNiSW
40.000
przewidywanie struktury drugorzędowej białka
;
dopasowanie wielu sekwencji
;
PSSM
;
głębokie sieci neuronowe
;
uczenie maszynowe
;
HHblits
;
struktura wczesnego stadium białka
protein secondary structure prediction
;
multiple sequence alignment
;
PSSM
;
deep neural networks
;
machine learning
;
HHblits
;
protein early-stage structure
6/16
Nr opisu:
0000137038
The concept of a control system shell for autonomous mobile robots.
[Aut.]: Mateusz
Kosior
, Piotr
Przystałka
, Wawrzyniec
Panfil
.
W:
Advances in signal processing and artificial intelligence
. Proceedings of the 2nd International Conference on Advances in Signal Processing and Artificial Intelligence. ASPAI' 2020, 18-20 November 2020 Berlin, Germany. Proceedings of the 2nd International Conference on Advances in Signal Processing and Artificial Intelligence. ASPAI' 2020 18-20, November 2020 Berlin, Germany. Ed. by Sergey Y. Yurish. Ed. Sergey Y. Yurish. Barcelona : IFSA Publishing, 2020
, s. 84-87, bibliogr. 17 poz.
robot autonomiczny
;
powłoka systemu sterowania
;
reprezentacja wiedzy
;
głębokie sieci neuronowe
autonomous robot
;
control system shell
;
knowledge representation
;
deep neural networks
7/16
Nr opisu:
0000134271
Towards resource-frugal deep convolutional neural networks for hyperspectral image segmentation.
[Aut.]: Jakub
Nalepa
, M.
Antoniak
, Michał
Myller
, Pablo
Ribalta Lorenzo
, M.
Marcinkiewicz
.
-
Microprocess. Microsyst.
2020 vol. 73
, art. no. 102994 s. 1-14, bibliogr. 98 poz..
Impact Factor
1.161.
Punktacja MNiSW
40.000
obrazowanie hiperspektralne
;
głębokie sieci neuronowe
;
splotowa sieć neuronowa
;
kwantyzacja
;
segmentacja
;
klasyfikacja
hyperspectral imaging
;
deep neural networks
;
convolutional neural network
;
quantization
;
segmentation
;
classification
8/16
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
9/16
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
10/16
Nr opisu:
0000129767
Segmenting brain tumors from FLAIR MRI using fully convolutional neural networks.
[Aut.]: Pablo
Ribalta Lorenzo
, Jakub
Nalepa
, B.
Bobek-Billewicz
, P.
Wawrzyniak
, G.
Mrukwa
, Michał
Kawulok
, P.
Ulrych
, M. P.
Hayball
.
-
Comput. Methods Programs Biomed.
2019 vol. 176
, s. 135-148, bibliogr. 55 poz..
Impact Factor
3.632.
Punktacja MNiSW
100.000
segmentacja obrazu
;
głębokie sieci neuronowe
;
MRI
;
guz mózgu
image segmentation
;
deep neural networks
;
MRI
;
brain tumor
11/16
Nr opisu:
0000125422
Deep learning features for face age estimation: better than human?.
[Aut.]: Krzysztof
Kotowski
, Katarzyna
Stąpor
.
W:
Beyond databases, architectures and structures
. Facing the challenges of data proliferation and growing variety. 14th International conference, BDAS 2018 held at the 24th IFIP World Computer Congress, WCC 2018, Poznan, Poland, September 18-20, 2018. Proceedings. Eds. Stanisław Kozielski, Dariusz Mrozek, Paweł Kasprowski, Bożena Małysiak-Mrozek, Daniel Kostrzewa. Cham : Springer, 2018
, s. 376-389, bibliogr. 36 poz. (
Communications in Computer and Information Science
; vol. 928 1865-0929).
Punktacja MNiSW
20.000
głębokie sieci neuronowe
;
ocena wieku
;
analiza twarzy
deep neural networks
;
age estimation
;
face analysis
12/16
Nr opisu:
0000132446
Memetic evolution of deep neural networks.
[Aut.]: Pablo
Ribalta Lorenzo
, Jakub
Nalepa
.
W:
Proceedings of the 2018 Genetic and Evolutionary Computation Conference Companion
. GECCO'18, July, 15-19, 2018, Kyoto, Japan. Ed.: Hernan Aguirre. Association for Computing Machinery. New York : Association for Computing Machinery, 2018
, s. 505-512, bibliogr. 35 poz..
Punktacja MNiSW
140.000
algorytm memetyczny
;
głębokie sieci neuronowe
;
segmentacja obrazu
memetic algorithm
;
deep neural networks
;
image segmentation
13/16
Nr opisu:
0000127021
Segmentation of hyperspectral images using quantized convolutional neural networks.
[Aut.]: Pablo
Ribalta Lorenzo
, M.
Marcinkiewicz
, Jakub
Nalepa
.
W:
21st Euromicro Conference on Digital System Design
. DSD 2018, 29-31 August 2018 Prague, Czech Republic. Proceedings. Eds.: Martin Novotny, Nikos Konofaos, Amund Skavhaug. Piscataway : IEEE, 2018
, s. 260-267, bibliogr. 38 poz..
Punktacja MNiSW
20.000
segmentacja
;
obrazowanie hiperspektralne
;
głębokie sieci neuronowe
;
kwantyzacja wagi
segmentation
;
hyperspectral imaging
;
deep neural networks
;
weight quantization
14/16
Nr opisu:
0000117947
Hyper-parameter selection in deep neural networks using parallel particle swarm optimization.
[Aut.]: Pablo
Ribalta Lorenzo
, Jakub
Nalepa
, L. S.
Ramos
, J. R.
Pastor
.
W:
Proceedings of the 2017 Genetic and Evolutionary Computation Conference Companion
. GECCO'17 Companion, July 15-19, 2017, Berlin, Germany. Association for Computing Machinery. New York : Association for Computing Machinery, 2017
, s. 1864-1871, bibliogr. 25 poz.
głębokie sieci neuronowe
;
dobór hiperparametrów
;
optymalizacja rojem cząstek
;
równoległy algorytm ewolucyjny
deep neural networks
;
hyper-parameter selection
;
particle swarm optimization
;
parallel evolutionary algorithm
15/16
Nr opisu:
0000117928
Particle swarm optimization for hyper-parameter selection in deep neural networks.
[Aut.]: Pablo
Ribalta Lorenzo
, Jakub
Nalepa
, Michał
Kawulok
, L. S.
Ramos
, J. R.
Pastor
.
W:
Proceedings of the 2017 Genetic and Evolutionary Computation Conference
. GECCO'17, July 15-19, 2017, Berlin, Germany. Association for Computing Machinery. New York : Association for Computing Machinery, 2017
, s. 481-488, bibliogr. 35 poz.
głębokie sieci neuronowe
;
dobór hiperparametrów
;
optymalizacja rojem cząstek
deep neural networks
;
hyper-parameter selection
;
particle swarm optimization
16/16
Nr opisu:
0000119902
Towards detecting high-uptake lesions from lung CT scans using deep learning.
[Aut.]: Krzysztof
Pawełczyk
, Michał
Kawulok
, Jakub
Nalepa
, M.
Hayball
, S. J.
McQuaid
, V.
Prakash
, B.
Ganeshan
.
W:
Image analysis and processing - ICIAP 2017
. 19th International Conference, Catania, Italy, September 11-15, 2017. Proceedings. Pt. 2. Eds. Sebastiano Battiato, Giovanni Gallo, Raimondo Schettini, Filippo Stanco. Cham : Springer, 2017
, s. 310-320, bibliogr. 27 poz. (
Lecture Notes in Computer Science
; vol. 10485 0302-9743).
Punktacja MNiSW
70.000
głębokie sieci neuronowe
;
wykrywanie uszkodzeń
;
PET/CT zobrazowanie
;
PET/CT
deep neural networks
;
damage detection
;
PET/CT imaging
;
PET/CT
stosując format:
standardowy
pełny z etykietami pól
roboczy
redakcja skr.
redakcja peł.
kontrolny
Nowe wyszukiwanie