Wyniki wyszukiwania

Wynik wyszukiwania

Zapytanie: DEEP LEARNING
Liczba odnalezionych rekordów: 19

| | | Przesłanie wyników do modułu analizy | excel |

1/19
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

2/19
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

3/19
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

4/19
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

5/19
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

6/19
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

7/19
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

8/19
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

9/19
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

10/19
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

11/19
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

12/19
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

13/19
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

14/19
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

15/19
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

16/19
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

17/19
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

18/19
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

19/19
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: