Wynik wyszukiwania
Zapytanie: UCZENIE GŁĘBOKIE
Liczba odnalezionych rekordów: 28



Przejście do opcji zmiany formatu | Wyświetlenie wyników w wersji do druku | Pobranie pliku do edytora | Przesłanie wyników do modułu analizy | excel | Nowe wyszukiwanie
1/28
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

2/28
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

3/28
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

4/28
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

5/28
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

6/28
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

7/28
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

8/28
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

9/28
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

10/28
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

11/28
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

12/28
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

13/28
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

14/28
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

15/28
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

16/28
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

17/28
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

18/28
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

19/28
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

20/28
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

21/28
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

22/28
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

23/28
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

24/28
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

25/28
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

26/28
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

27/28
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

28/28
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:
Nowe wyszukiwanie