Wynik wyszukiwania
Zapytanie:
UCZENIE GŁĘBOKIE
Liczba odnalezionych rekordów:
30
Przejście do opcji zmiany formatu
|
Wyświetlenie wyników w wersji do druku
|
Pobranie pliku do edytora
|
Przesłanie wyników do modułu analizy
|
excel
|
Nowe wyszukiwanie
1/30
Nr opisu:
0000139118
A U-Net based framework to quantify glomerulosclerosis in digitized PAS and H&E stained human tissues.
[Aut.]: J.
Gallego
, Ż.
Świderska-Chadaj
, T.
Markiewicz
, M.
Yamashita
, M.A.
Gabaldon
, Arkadiusz
Gertych
.
-
Comput. Med. Imaging Graph.
2021 vol. 89
, s. 1-31, bibliogr..
Impact Factor
3.750.
Punktacja MNiSW
100.000
klasyfikacja kłębuszków nerkowych
;
uczenie głębokie
;
patologia cyfrowa
glomeruli classification
;
deep learning
;
digital pathology
2/30
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
3/30
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.
2021 vol. 68
, s. 1-15, bibliogr..
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
4/30
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
5/30
Nr opisu:
0000137638
ProteinUnet - 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.
2021 vol. 42 iss. 1
, s. 50-59, 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
6/30
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
7/30
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
8/30
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
9/30
Nr opisu:
0000138465
Automated detection of sleep stages using deep learning techniques: a systematic review of the last decade (2010-2020).
[Aut.]: H.W.
Loh
, Ch.P.
Ooi
, J.
Vicnesh
, L.S.
Oh
, O.
Faust
, Arkadiusz
Gertych
, U.R.
Acharya
.
-
Appl. Sci.
2020 vol. 10 iss. 24
, s. 1-25, bibliogr. 106 poz..
Impact Factor
2.474.
Punktacja MNiSW
70.000
zaburzenie snu
;
obturacyjny bezdech senny
;
polisomnogram nocny
;
EEG
;
EMG
;
ECG
;
sygnały HRV
;
uczenie głębokie
sleep disorder
;
obstructive sleep disorder
;
overnight polysomnogram
;
EEG
;
EMG
;
ECG
;
HRV signals
;
deep learning
10/30
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
11/30
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
12/30
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
13/30
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
14/30
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
15/30
Nr opisu:
0000138302
Gradient boosting and deep learning models approach to forecasting promotions efficiency in FMCG retail.
[Aut.]: Joanna
Henzel
, Marek
Sikora
.
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. 336-345, bibliogr. 19 poz. (
Lecture Notes in Computer Science
; vol. 12416
Lecture Notes in Artificial Intelligence
; 0302-9743).
Punktacja MNiSW
20.000
prognozowanie
;
zwiększanie gradientu
;
uczenie głębokie
forecasting
;
gradient boosting
;
deep learning
16/30
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
17/30
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
18/30
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
19/30
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
20/30
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
21/30
Nr opisu:
0000138867
Prediction of streamflow based on dynamic sliding window LSTM.
[Aut.]: L.
Dong
, D.
Fang
, X.
Wang
, W.
Wei
, Robertas
Damasevicius
, R.
Scherer
, Marcin
Woźniak
.
-
Water
2020 vol. 12 iss. 11
, s. 1-11, bibliogr. 34 poz..
Impact Factor
2.544.
Punktacja MNiSW
70.000
przepływ strumienia
;
prognoza przepływu
;
uczenie głębokie
;
sieć neuronowa
;
LSTM
streamflow
;
flow prediction
;
deep learning
;
neural network
;
LSTM
;
dynamic sliding window
22/30
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 vol. 17 iss. 11
, s. 1948-1952, bibliogr. 23 poz..
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
23/30
Nr opisu:
0000138736
Where machine learning meets smart delivery systems.
[Aut.]: Jakub
Nalepa
.
W:
Smart delivery systems
. Solving complex vehicle routing problems. Ed. by Jakub Nalepa. Amsterdam : Elsevier, 2020
, s. 203-226, bibliogr. (
Intelligent Data-Centric Systems
; ).
Punktacja MNiSW
20.000
uczenie maszynowe
;
uczenie głębokie
;
optymalizacja wariantowa
;
inteligentny system dostarczania
;
algorytm hybrydowy
machine learning
;
deep learning
;
combinatorial optimization
;
smart delivery system
;
hybrid algorithm
24/30
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
25/30
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
26/30
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
27/30
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
28/30
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
29/30
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
30/30
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
stosując format:
standardowy
pełny z etykietami pól
roboczy
redakcja skr.
redakcja peł.
kontrolny
Nowe wyszukiwanie