Wyniki wyszukiwania

Wynik wyszukiwania

Zapytanie: ROZSZERZANIE DANYCH
Liczba odnalezionych rekordów: 9

| | | Przesłanie wyników do modułu analizy | excel |

1/9
Nr opisu: 0000139037
Data augmentation using principal component resampling for image recognition by deep learning.
[Aut.]: O.O. Abayomi-Alli, Robertas Damasevicius, Michał Wieczorek, Marcin Woźniak.
W: Artificial intelligence and soft computing. 19th International conference, ICAISC 2020, Zakopane, Poland, October 12-14, 2020. Proceedings. Pt. 2. Eds. Leszek Rutkowski, Rafał Scherer, Marcin Korytkowski, Witold Pedrycz, Ryszard Tadeusiewicz, Jacek M. Zurada. Cham : Springer, 2020, s. 39-48, bibliogr. 23 poz. (Lecture Notes in Computer Science ; vol. 12416 Lecture Notes in Artificial Intelligence ; 0302-9743). Punktacja MNiSW 20.000

rozpoznawanie obrazów ; konwolucyjna sieć neuronowa ; analiza głównych składowych ; rozszerzanie danych ; małe dane ; uczenie głębokie

image recognition ; convolutional neural network ; principal component analysis ; data augmentation ; small data ; deep learning

2/9
Nr opisu: 0000139046
Empirical mode decomposition based data augmentation for time series prediction using NARX network.
[Aut.]: O.O. Abayomi-Alli, T. Sidekerskiene, Robertas Damasevicius, Jakub Siłka, Dawid Połap.
W: Artificial intelligence and soft computing. 19th International conference, ICAISC 2020, Zakopane, Poland, October 12-14, 2020. Proceedings. Pt. 1. Eds. Leszek Rutkowski, Rafał Scherer, Marcin Korytkowski, Witold Pedrycz, Ryszard Tadeusiewicz, Jacek M. Zurada. Cham : Springer, 2020, s. 702-711, bibliogr. 23 poz. (Lecture Notes in Computer Science ; vol. 12415 Lecture Notes in Artificial Intelligence ; 0302-9743). Punktacja MNiSW 20.000

rozszerzanie danych ; empiryczna dekompozycja sygnału ; dane zastępcze ; prognoza szeregów czasowych ; sieć NARX

data augmentation ; empirical mode decomposition ; surrogate data ; time series forecasting ; NARX network

3/9
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

4/9
Nr opisu: 0000139125
Pearson correlation-based feature selection for document classification using balanced training.
[Aut.]: I. M. Nasir, M. A. Khan, M. Yasmin, J. H. Shah, M. Gabryel, R. Scherer, Robertas Damasevicius.
-Sensors 2020 vol. 20 iss. 23, s. 1-18, bibliogr. 53 poz.. Impact Factor 3.275. Punktacja MNiSW 100.000

klasyfikacja dokumentów ; uczenie głębokie ; selekcja cech ; rozszerzanie danych ; niezrównoważony zbiór danych

document classification ; deep learning ; feature selection ; data augmentation ; imbalanced dataset

5/9
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

6/9
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

7/9
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

8/9
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

9/9
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

stosując format: