Search Results - "СВЕРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ"
-
1
Source: Современные инновации, системы и технологии, Vol 5, Iss 2 (2025)
-
2
Authors: et al.
-
3
Contributors: Ляхов, С. В.
Subject Terms: OCR, НЕЙРОННЫЕ СЕТИ, СВЕРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ, РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ, ОЦИФРОВКА ТЕКСТА, LSTM, РАСПОЗНАВАНИЕ ТЕКСТА
File Description: application/pdf
Access URL: https://elar.uspu.ru/handle/ru-uspu/45540
-
4
Subject Terms: алгоритмы повторной идентификации, системы видеонаблюдения, компьютерное зрение, интеллектуальные системы, аугментация изображений, нейронные сети, сверточные нейронные сети, машинное обучение, информатика, нейросети
File Description: application/pdf
Access URL: https://rep.vsu.by/handle/123456789/46119
-
5
Subject Terms: электрокардиограммы, классификация, сердечно-сосудистые заболевания, сверточные нейронные сети
File Description: application/pdf
Access URL: https://rep.vsu.by/handle/123456789/48339
-
6
Contributors: Новый, В. В., науч. рук.
Subject Terms: распознавание изображений, цифровые символы, сверточные нейронные сети, нейросети
File Description: application/pdf
Access URL: https://rep.vsu.by/handle/123456789/47228
-
7
Authors: et al.
Subject Terms: сегментация изображений, гибридные модели, свёрточные нейронные сети, механизмы внимания, аудиоданные, медицинская визуализация, диагностика лёгких
Relation: https://zenodo.org/records/15424907; oai:zenodo.org:15424907; https://doi.org/10.5281/zenodo.15424907
-
8
Authors:
Contributors:
Subject Terms: OCR, ОЦИФРОВКА ТЕКСТА, РАСПОЗНАВАНИЕ ТЕКСТА, НЕЙРОННЫЕ СЕТИ, СВЕРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ, РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ, LSTM
Subject Geographic: RSVPU
File Description: application/pdf
Relation: XVII Всероссийская студенческая научно-практическая конференция «Документ в современном обществе: искусственный интеллект и цифровая трансформация». — Екатеринбург, 2024
Availability: https://elar.uspu.ru/handle/ru-uspu/45540
-
9
Authors:
Source: Научно-технический вестник информационных технологий, механики и оптики, Vol 22, Iss 1, Pp 93-100 (2024)
Subject Terms: большие данные о вторжениях, кибербезопасность, система обнаружения вторжений, независимый компонентный анализ, уменьшение размерности, гиперэвристический алгоритм светлячка, сверточные нейронные сети, nsl-kdd, Information technology, T58.5-58.64
File Description: electronic resource
-
10
Cloud-based intelligent monitoring system to implement mask violation detection and alert simulation
Authors: et al.
Source: Научно-технический вестник информационных технологий, механики и оптики, Vol 22, Iss 3, Pp 528-537 (2024)
Subject Terms: сверточные нейронные сети, cnn, pytorch, глубокое обучение, облако, Information technology, T58.5-58.64
File Description: electronic resource
-
11
Authors:
Source: Научно-технический вестник информационных технологий, механики и оптики, Vol 23, Iss 6, Pp 1178-1186 (2024)
Subject Terms: детектирование стресса, сверточные нейронные сети, машинное обучение, вариабельность сердечного ритма, субъекто-зависимые модели, Information technology, T58.5-58.64
File Description: electronic resource
-
12
Authors: S. A. Resen
Source: Научно-технический вестник информационных технологий, механики и оптики, Vol 24, Iss 5, Pp 843-848 (2024)
Subject Terms: интеллектуальные системы, 3d-реконструкция, фильтр признаков, сверточные нейронные сети, двоичный классификатор нейронных сетей, Information technology, T58.5-58.64
File Description: electronic resource
-
13
Authors: et al.
Source: FARMAKOEKONOMIKA. Modern Pharmacoeconomics and Pharmacoepidemiology; Online First ; ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология; Online First ; 2070-4933 ; 2070-4909
Subject Terms: дерматовенерология, convolutional neural networks, telemedicine, mobile applications, diagnostics dermatology, сверточные нейронные сети, программы для ЭВМ, мобильные приложения, телемедицина, диагностика
File Description: application/pdf
Relation: https://www.pharmacoeconomics.ru/jour/article/view/1269/642; Liopyris K., Gregoriou S., Dias J., Stratigos A.J. Artificial intelligence in dermatology: challenges and perspectives. Dermatol Ther. 2022; 12 (12): 2637–51. https://doi.org/10.1007/s13555-022-00833-8.; De A., Sarda A., Gupta S., Das S. Use of artificial intelligence in dermatology. Indian J Dermatol. 2020; 65 (5): 352–7. https://doi.org/10.4103/ijd.IJD_418_20.; Renders J.M., Simonart T. Role of artificial neural networks in dermatology. Dermatology. 2009; 219 (2): 102–4. https://doi.org/10.1159/000225933.; Sarvamangala D.R., Kulkarni R.V. Convolutional neural networks in medical image understanding: a survey. Evol Intell. 2022; 15 (1): 1–22. https://doi.org/10.1007/s12065-020-00540-3.; Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. Искусственный интеллект: основные термины и понятия, применение в здравоохранении и клинической медицине. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2024; 17 (3): 409–15. https://doi.org/10.17749/2070-4909/farmakoekonomika.2024.267.; Daneshjou R., Smith M.P., Sun M.D., et al. Lack of transparency and potential bias in artificial intelligence data sets and algorithms: a scoping review. JAMA Dermatol. 2021; 157 (11): 1362–9. https://doi.org/10.1001/jamadermatol.2021.3129.; Haddadin S., Ganti L. The use of artificial intelligence to detect malignant skin lesions. Mayo Clin Proc Digit Health. 2024; 2 (2): 241–5. https://doi.org/10.1016/j.mcpdig.2024.04.003.; Guido N., Hagstrom E., Ibler E., et al. A novel total body digital photography smartphone application designed to detect and monitor skin lesions: a pilot study. J Surg Dermatol. 2021; 6 (2): 14. https://doi.org/.18282/jsd.v6.i2.177.; Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. и др. Точность предварительной диагностики злокачественных меланоцитарных опухолей кожи с помощью программы искусственного интеллекта. Медицинский вестник ГВКГ им. Н.Н. Бурденко. 2025; 1: 42–51. https://doi.org/10.53652/2782-1730-2025-6-1-42-51.; Ламоткин А.И., Корабельников Д.И., Олисова О.Ю., Ламоткин И.А. Эффективность предварительной дифференциальной диагностики доброкачественных и злокачественных новообразований кожи с помощью программы искусственного интеллекта Derma Onko Check. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (2): 261–70. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.294.; Smak Gregoor A.M., Sangers T.E., Bakker L.J., et al. An artificial intelligence based app for skin cancer detection evaluated in a population based setting. NPJ Digit Med. 2023; 6 (1): 90. https://doi.org/10.1038/s41746-023-00831-w.; Marri S.S., Inamadar A.C., Janagond A.B., Albadri W. Analyzing the predictability of an artificial intelligence app (Tibot) in the diagnosis of dermatological conditions: a cross-sectional study. JMIR Dermatol. 2023; 6: e45529. https://doi.org/10.2196/45529.; Wadhawan T., Situ N., Lancaster K., et al. SkinScan©: a portable library for melanoma detection on handheld devices. Proc IEEE Int Symp Biomed Imaging. 2011; 2011: 133–6. https://doi.org/10.1109/ISBI.2011.5872372.; Marri S.S., Albadri W., Hyder M.S., et al. Efficacy of an artificial intelligence app (Aysa) in dermatological diagnosis: cross-sectional analysis. JMIR Dermatol. 2024; 7: e48811. https://doi.org/10.2196/48811.; Sokolov K., Shpudeiko V. Dynamics of the neural network accuracy in the context of modernization of the algorithms of skin pathology recognition. Indian J Dermatol. 2022; 67 (3): 312. https://doi.org/10.4103/ijd.ijd_1070_21.; Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. Предварительная дифференциальная диагностика доброкачественных и злокачественных опухолей из эпидермальной ткани кожи с применением программы искусственного интеллекта «Derma Onko Check». Современные проблемы здравоохранения и медицинской статистики. 2025; 2: 223–42. https://doi.org/10.24412/2312-2935-2025-2-223-242.; Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. и др. Точность предварительной диагностики доброкачественных и злокачественных меланоцитарных опухолей кожи с применением программы искусственного интеллекта для смартфона Derma Onko Check. Медицинский вестник ГВКГ им. Н.Н. Бурденко. 2025; 2: 39–48. https://doi.org/10.53652/2782-1730-2025-6-2-39-48.; Williamson S.M., Prybutok V. Balancing privacy and progress: a review of privacy challenges, systemic oversight, and patient perceptions in AI-driven healthcare. Appl Sci. 2024; 14 (2): 675. https://doi.org/10.3390/app14020675.; https://www.pharmacoeconomics.ru/jour/article/view/1269
-
14
Authors: et al.
Source: ENERGETIKA. Proceedings of CIS higher education institutions and power engineering associations; Том 68, № 4 (2025); 324-342 ; Энергетика. Известия высших учебных заведений и энергетических объединений СНГ; Том 68, № 4 (2025); 324-342 ; 2414-0341 ; 1029-7448 ; 10.21122/1029-7448-2025-68-4
Subject Terms: нейросеть YOLO, thermal image of an electrical installation, infrared monitoring, infrared diagnostics, temperature excess, excessive temperature, contact connections, object detection, convolutional neural networks, YOLO neural networks, термограмма электроустановки, инфракрасный контроль, инфракрасная диагностика, превышение температуры, избыточная температура, контактное соединение, детектирование объектов, сверточные нейронные сети
File Description: application/pdf
Relation: https://energy.bntu.by/jour/article/view/2480/1957; Энергетическая стратегия Российской Федерации на период до 2035 года: Распоряжение Правительства Российской Федерации от 9 июня 2020 г., № 1523-р // Министерство энергетики РФ. URL: https://minenergo.gov.ru/ministry/energy-strategy (дата обращения: 26.09.2024).; Реклоузер SMART 35 − Статистические данные по сетям и центрам питания 35 кВ в России // Elec.ru – электротехнический интернет-портал. URL: https://www.elec.ru/viewer?url=/files/2017/05/03/Reklouzer-SMART35.pdf (дата обращения: 26.09.2024).; Диагностика электрооборудования электрических станций и подстанций / А. И. Хальясмаа, С. А. Дмитриев, С. Е. Кокин, Д. А. Глушков. Екатеринбург: Изд-во Урал. ун-та, 2015. 64 с.; Секретарев, Ю. А. Модели текущего технического состояния электрооборудования для расчета надежности систем электроснабжения монопотребителей в рамках риск-ориентированного подхода / Ю. А. Секретарев, А. А. Горшунов // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2025. Т. 68, № 1. С. 17–34. https://doi.org/10.21122/1029-7448-2025-68-1-17-34.; Хлебцов, А. П. Развитие методов и устройств диагностики силового электрооборудования трансформаторных подстанций / А. П. Хлебцов, Л. Х. Зайнутдинова, А. Н. Шилин // Электротехнические и информационные комплексы и системы. 2020. Т. 16, № 3. С. 14–27. https://doi.org/10.17122/1999-5458-2020-16-3-14-27.; Кувшинов, А. А. Диагностика технического состояния электрооборудования в системах электроснабжения: учеб. пособие / А. А. Кувшинов, В. П. Тараканов. Тольятти: ТГУ, 2016. 90 с.; Сви, П. М. Методы и средства диагностики оборудования высокого напряжения / П. М. Сви. М.: Энергоатомиздат, 1992. 240 с.; Максудов, Д. В. Методы селекции сигналов частичных разрядов в изоляции силовых трансформаторов / Д. В. Максудов, Е. М. Федосов // Вестник УГАТУ. 2009. Т. 12, № 2. С. 138–143.; Вдовико, В. П. Частичные разряды в диагностировании высоковольтного оборудования / В. П. Вдовико. М.: Наука, 2007. 156 с.; Кучинский, Г. С. Частичные разряды в высоковольтных конструкциях / Г. С. Кучинский. Л.: Энергия, Ленингр. отд-ние, 1979. 224 с.; Гавриленко, А. В. Методика вибрационного обследования силовых трансформаторов / А. В. Гавриленко, А. П. Долин. URL: https://megaom.ucoz.ru/_ld/0/40_____.pdf.; Пузина, Е. Ю. Системы мониторинга силовых трансформаторов тяговых подстанций / Е. Ю. Пузина, А. Г. Туйгунова, И. А. Худоногов. Иркутск: ИрГУПС, 2020. 184 с.; Вавилов, В. П. Инфракрасная термография и тепловой контроль / В. П. Вавилов. М.: ИД Спектр, 2009. 544 с.; Власенко, С. А. Мониторинг и диагностика болтовых электрических соединений системы тягового электроснабжения: монография / С. А. Власенко, И. В. Игнатенко. Хабаровск: Изд-во ДВГУПС, 2022. 107 с.; Коренчиак, Д. Тепловое измерение и его применение для диагностики масляных трансформаторов распределительных сетей. / Д. Коренчиак, M. Себок, М. Гуттен // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2019. Т. 62, № 6. С. 583–594. https://doi.org/10.21122/1029-7448-2019-62-6-583-594.; РД 153-34.0-20.363–99 Основные положения методики инфракрасной диагностики электрооборудования и ВЛ. М.: СПО ОРГРЭС, 2001. 136 с.; РД 34.45-51.300–97 Объем и нормы испытаний электрооборудования. М.: Изд-во НЦ ЭНАС, 2004. 256 с.; Величко, В. А. Предложения по совершенствованию системы критериев оценки состояния электрооборудования по результатам инфракрасного контроля / В. А. Величко, А. Д. Чернова // Проблемы и перспективы развития электроэнергетики и электротехники: материалы V Всерос. науч.-практ. (с междунар. участием) конф., посвящ. празднованию 55-летия КГЭУ. Казань: КГЭУ, 2023. Т. 2. С. 219–228.; Лебедь, Н. И. Имитационное моделирование автоматизированных систем управления технологических процессов в электроэнергетике и АПК / Н. И. Лебедь. Волгоград: ФГБОУ ВО Волгоградский ГАУ, 2022. 88 с.; Standard for Infrared Inspection of Electrical Systems & Rotating Equipment. NJ: Infraspection Institute, 2016. URL: https://www.atlanticleak.com/wp-content/uploads/2019/08/Stan-dard-for-Infrared-Inspection-of-Electrical-systems-and-Rotating-Equipment.pdf (date of access 26.09.2024).; Kim, J. S. Infrared Thermal Image-Based Sustainable Fault Detection for Electrical Facilities / J. S. Kim, K. N. Choi, S. W. Kang // Sustainability. 2021. Vol 13, № 2. P. 557. https://doi.org/10.3390/su13020557.; Xu, F. Research on Power Equipment Troubleshooting Based on Improved AlexNet Neural Network / F. Xu, S. Liu, and W. Zhang // Journal of Measurements in Engineering. 2024. Vol. 12, No 1. Р. 162–182. https://doi.org/10.21595/jme.2023.23786.; Wu, J. An Infrared Image Detection of Power Equipment Based on Super-Resolution Reconstruction and YOLOv4 / J. Wu, X. Li, Y. Zhou // The Journal of Engineering. 2022. Vol. 2022, No 10. P. 1006–1016. https://doi.org/10.1049/tje2.12187.; Efficient Real-Time Detection of Electrical Equipment Images Using a Lightweight Detector Model / C. Qi, Z. Chen, X. Chen [et al.] // Frontiers in Energy Research. 2023. Vol. 11. P. 1291382. https://doi.org/10.3389/fenrg.2023.1291382.; Electric Substation Inspection: YOLOv5 in Hotspot Detection Through Thermal Imaging / D. A. Pérez-Aguilar, J. M. Pérez-Aguilar, A. P. Pérez-Aguilar [et al.] // Ingenius, Revista Ciencia y Tecnología. 2024. Vol 31. P. 43–54. https://doi.org/10.17163/ings.n31.2024.04.; 王媛彬. 基于自适应特征融合和注意力机制的变电设备红外图像识别 /王媛彬, 吴冰超 // 电子与信息学报. 2024. Vol. 46, No 9. P. 3749–3756 = Wang, Y., Infrared Image Recognition of Substation Equipment Based on Adaptive Feature Fusion and Attention Mechanism / Y. Wang, B. Wu // Journal of Electronics & Information Technology. 2024. Vol. 46, No 9. P. 3749–3756. https://doi.org/10.11999/JEIT231047.; Ahmed, K. R. Smart Pothole Detection Using Deep Learning Based on Dilated Convolution / K. R. Ahmed // Sensors. 2021. Vol. 21, No 24. P. 8406. https://doi.org/10.3390/s21248406.; Величко, В. А. Программная реализация алгоритма по автоматизации тепловизионной диагностики оборудования подстанций с использованием нейросети YOLOv5 / В. А. Величко, А. Д. Косенко // Университетский комплекс как региональный центр образования, науки и культуры: материалы Всерос. науч.-метод. конф., Оренбург, 01–03 февр. 2024 г. Оренбург: Оренбургский государственный университет, 2024. С. 1209–1214.; Чернова, А. Д. Разметка изображений элементов электроустановок для обучения нейросети Yolov5 / А. Д. Чернова, В. А. Величко // Энергетика: состояние, проблемы, перспективы: материалы XIV Всероссийской науч.-техн. конф., Оренбург. Оренбург: Оренбург. гос. ун-т, 2023. С. 217–222.; Ярышев, С. Н. Технологии глубокого обучения и нейронных сетей в задачах видеоанализа / С. Н. Ярышев, В. А. Рыжова. СПб.: Ун-т ИТМО, 2022. 82 с.; Обучение YOLOv5 на пользовательских данных // Ultralytics. URL: https://docs.ultralytics.com/yolov5/tutorials/train_custom_data/ (дата обращения: 11.01.2024).; Gomede, E. The Significance of Train-Validation-Test Split in Machine Learning / E. Gome-de // Medium. URL: https://medium.com/@evertongomede/the-significance-of-train-valida-tion-test-split-in-machine-learning-91ee9f5b98f3. Publ. date: 28.08.2023.; https://energy.bntu.by/jour/article/view/2480
-
15
Authors: et al.
Source: Digital Transformation; Том 31, № 2 (2025); 77-83 ; Цифровая трансформация; Том 31, № 2 (2025); 77-83 ; 2524-2822 ; 2522-9613
Subject Terms: предиктивная аналитика, emotion recognition, anthropogenic threats, “smart city”, convolutional neural networks, intelligent video surveillance, predictive analytics, распознавание эмоций, антропогенные угрозы, «умный город», сверточные нейронные сети, интеллектуальное видеонаблюдение
File Description: application/pdf
Relation: https://dt.bsuir.by/jour/article/view/944/359; Об утверждении Программы социально-экономического развития Беларуси на 2021–2025 годы: Указ Президента Республики Беларусь от 29 июля 2021 г. № 292 [Электронный ресурс]. Режим доступа: https://pravo.by/document/?guid=3871&p0=P32100292. Дата доступа: 01.04.2025.; Шаталова, В. В. Большие данные: как технологии Big Data меняют нашу жизнь / В. В. Шаталова, Д. В. Лихачевский, Т. В. Казак // BIG DATA и анализ высокого уровня: сб. науч. ст. VII Междунар. науч.-практ. конф., г. Минск, 19–20 мая 2021 г. Минск: Бестпринт, 2021. С. 188–192.; Косарева, Е. М. «Умный» город как система мониторинга общественной безопасности / Е. М. Косарева, Д. В. Лихачевский // Искусственный интеллект в Беларуси: III форум IT-Академграда, г. Минск, 10–11 окт. 2024 г. Минск: Объед. ин-т проблем информ. Нац. акад. наук Беларуси, 2024. С. 162–166.; Косарева, Е. М. Признаки потенциально опасных лиц как одной из угроз в системах «умного» города / Е. М. Косарева, Д. В. Лихачевский // Современные проблемы радиоэлектроники и телекоммуникаций: сб. науч. тр. № 7. М.-Севастополь: Изд-ва РНТОРЭС им. А. С. Попова, СевГУ, 2024.; Косарева, Е. М. Методы машинного обучения для распознавания потенциальных антропогенных угроз в системах «умного» города / Е. М. Косарева, Д. В. Лихачевский // Цифровая среда: технологии и перспективы. DETP 2024: сб. матер. II Междунар. науч.-практ. конф., г. Брест, 31 окт.–1 нояб. 2024 г. Брест: Брест. гос. техн. ун-т, 2024. С. 86–90.; Васильев, Л. В. Юридическая психология, 6-е изд. / Л. В. Васильев. СПб.: Питер, 2009.; https://dt.bsuir.by/jour/article/view/944
-
16
Authors: et al.
Source: FARMAKOEKONOMIKA. Modern Pharmacoeconomics and Pharmacoepidemiology; Vol 18, No 3 (2025); 365-375 ; ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология; Vol 18, No 3 (2025); 365-375 ; 2070-4933 ; 2070-4909
Subject Terms: диагностика, computer vision, convolutional neural networks, visual transformers, image classification, melanoma, benign neoplasms, malignant neoplasms, diagnosis, компьютерное зрение, сверточные нейронные сети, трансформеры, классификация изображений, меланома, доброкачественные опухоли, злокачественные опухоли
File Description: application/pdf
Relation: https://www.pharmacoeconomics.ru/jour/article/view/1256/635; Schaumburg F., Berli C. Challenges and proposed solutions for optical reading on point-of-need testing systems. Front Sensors. 2023; 4. https://doi.org/10.3389/fsens.2023.1327240.; Visalini S., Kanagavalli R. A comprehensive survey of pneumonia diagnosis: image processing and deep learning advancements. In: 2023 3rd International Conference on Innovative Mechanisms for Industry Applications (ICIMIA). https://doi.org/10.1109/ICIMIA60377.2023.10426403.; Prabha S., Gupta S., Pandey S.P. Deep learning for medical image segmentation using convolutional neural networks. In: 2024 International Conference on Optimization Computing and Wireless Communication (ICOCWC). https://doi.org/10.1109/ICOCWC60930.2024.10470841.; Das M., Sambodhi P.P., Khare A., Naik S.A. Challenges of medical text and image processing. In: 2022 International Conference on Advancements in Smart, Secure and Intelligent Computing (ASSIC). https://doi.org/10.1109/ASSIC55218.2022.10088402.; Choudhury S., Gowri R., Babu Sena P., Dinh-Thuan D. (Eds) Intelligent Communication, Control and Devices Proceedings of ICICCD 2020: Proceedings of ICICCD 2020. https://doi.org/10.1007/978-981-16-1510-8.; Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. и др. Искусственный интеллект в здравоохранении и медицине: история ключевых событий, его значимость для врачей, уровень развития в разных странах. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2024; 17 (2): 243–50. https://doi.org/10.17749/2070-4909/farmakoekonomika.2024.254.; Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. и др. Точность предварительной диагностики злокачественных меланоцитарных опухолей кожи с помощью программы искусственного интеллекта Melanoma Check. Медицинский вестник Главного военного клинического госпиталя им. Н.Н. Бурденко. 2025; 1: 42–51. https://doi.org/10.53652/2782-1730-2025-6-1-42-51.; Zhou Z., Jin Y., Ye H., et al. Classification, detection, and segmentation performance of image-based AI in intracranial aneurysm: a systematic review. BMC Med Imaging. 2024; 24 (1): 164. https://doi.org/10.1186/s12880-024-01347-9.; Корабельников Д.И., Ламоткин А.И. Эффективность применения искусственного интеллекта в клинической медицине. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (1): 114–24. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.287.; Alzubaidi L., Zhang J., Humaidi A.J., et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. J Big Data. 2021; 8 (1): 53. https://doi.org/10.1186/s40537-021-00444-8.; LeCun Y., Bengio Y., Hinton G. Deep learning. Nature. 2015; 521: 436–44. https://doi.org/10.1038/nature14539.; Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. Предварительная дифференциальная диагностика доброкачественных и злокачественных опухолей из эпидермальной ткани кожи с применением программы искусственного интеллекта «Derma Onko Check». Современные проблемы здравоохранения и медицинской статистики. 2025; 2: 223–42. https://doi.org/10.24412/2312-2935-2025-2-223-242.; Ламоткин А.И., Корабельников Д.И., Олисова О.Ю., Ламоткин И.А. Эффективность предварительной дифференциальной диагностики доброкачественных и злокачественных новообразований кожи с помощью программы искусственного интеллекта Derma Onko Check. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (2): 261–70. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.294.; Milletari F., Ahmadi S.A., Kroll C., et al. Hough-CNN: deep learning for segmentation of deep brain regions in MRI and ultrasound. Computer Vision Image Underst. 2017; 164: 92–102. https://doi.org/10.48550/arXiv.1601.07014.; Yamada M., Saito Y., Imaoka H., et al. Development of a real-time endoscopic image diagnosis support system using deep learning technology in colonoscopy. Sci Rep. 2019; 9 (1): 14465. https://doi.org/10.1038/s41598-019-50567-5.; Yadav D., Rathor S. Bone fracture detection and classification using deep learning approach. In: 2020 International Conference on Power Electronics & IoT Applications in Renewable Energy and its Control (PARC). https://doi.org/10.1109/PARC49193.2020.236611.; Rahman T., Chowdhury M.E., Khandakar A., et al. Transfer learning with deep convolutional neural network (CNN) for pneumonia detection using chest X-ray. Appl Sci. 2020; 10 (9): 3233. https://doi.org/10.3390/app10093233.; Hamamoto R., Suvarna K., Yamada M., et al. Application of artificial intelligence technology in oncology: towards the establishment of precision medicine. Cancers. 2020; 12 (12): 3532. https://doi.org/10.3390/cancers12123532.; Asada K., Kobayashi K., Joutard S., et al. Uncovering prognosisrelated genes and pathways by multi-omics analysis in lung cancer. Biomolecules. 2020; 10: 524. https://doi.org/10.3390/biom10040524.; Kobayashi K., Bolatkan A., Shiina S., Hamamoto R. Fully-connected neural networks with reduced parameterization for predicting histological types of lung cancer from somatic mutations. Biomolecules. 2020; 10 (9): 1249. https://doi.org/10.3390/biom10091249.; Takahashi S., Asada K., Takasawa K., et al. Predicting deep learning based multi-omics parallel integration survival subtypes in lung cancer using reverse phase protein array data. Biomolecules. 2020; 10 (10): 1460. https://doi.org/10.3390/biom10101460.; Takahashi S., Sakaguchi Y., Kouno N., et al. Comparison of vision transformers and convolutional neural networks in medical image analysis: a systematic review. J Med Syst. 2024; 48 (1): 84. https://doi.org/10.1007/s10916-024-02105-8.; Selvaraju R.R., Cogswell M., Das A., et al. Grad-CAM: visual explanations from deep networks via gradient-based localization. In: 2017 Proceedings of the IEEE international conference on computer vision. https://doi.org/10.48550/arXiv.1610.02391.; Takahashi S., Takahashi M., Kinoshita M., et al. Fine-tuning approach for segmentation of gliomas in brain magnetic resonance images with a machine learning method to normalize image differences among facilities. Cancers. 2021; 13: 1415. https://doi.org/10.3390/cancers13061415.; Nam H., Lee H., Park J., et al. Reducing domain gap by reducing style bias. In: 2021 Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. https://doi.org/10.48550/arXiv.1910.11645.; Yan W., Wang Y., Gu S., et al. The domain shift problem of medical image segmentation and vendor-adaptation by Unet-GAN. In: Medical Image Computing and Computer Assisted Intervention– MICCAI 2019: 22nd International Conference, Shenzhen, China, October 13–17, 2019, Proceedings, Part II. https://doi.org/10.48550/arXiv.1910.13681.; Barzekar H., Patel Y., Tong L., Yu Z. MultiNet with transformers: a model for cancer diagnosis using images. arXiv:230109007. https://doi.org/10.48550/arXiv.2301.09007.; Vaswani A., Shazeer N., Parmar N., et al. Attention is all you need. In: Advances in Neural Information Processing Systems 30 (NIPS 2017). https://doi.org/10.48550/arXiv.1706.03762.; Dosovitskiy A., Beyer L., Kolesnikov A., et al. An image is worth 16×16 words: transformers for image recognition at scale. arXiv:201011929. https://doi.org/10.48550/arXiv.2010.11929.; Liu Y., Wu Y.H., Sun G., et al. Vision transformers with hierarchical attention. arXiv:210603180. https://doi.org/10.48550/arXiv.2106.03180.; Han K., Wang Y., Chen H., et al. A survey on vision transformer. arXiv:2012.12556. https://doi.org/10.48550/arXiv.2012.12556.; Hatamizadeh A., Yin H., Heinrich G., et al. In: 2023 Global context vision transformers. arXiv:2206.09959. https://doi.org/10.48550/arXiv.2206.09959.; He K., Gan C., Li Z., et al. Transformers in medical image analysis. Intel Med. 2023; 3 (1): 59–78. https://doi.org/10.1016/j.imed.2022.07.002.; Stassin S., Corduant V., Mahmoudi S.A., Siebert X. Explainability and evaluation of vision transformers: an in-depth experimental study. Electronics. 2023; 13 (1): 175. https://doi.org/10.3390/electronics13010175.; Chetoui M., Akhloufi M.A. Explainable vision transformers and radiomics for COVID-19 detection in chest X-rays. J Clin Med. 2022; 11 (11): 3013. https://doi.org/10.3390/jcm11113013.; Dipto S.M., Reza M.T., Rahman M.N.J., et al. An XAI integrated identification system of white blood cell type using variants of vision transformer. In: Proceedings of the Second International Conference on Innovations in Computing Research (ICR’23). https://doi.org/10.1007/978-3-031-35308-6_26.; Cao Y.H., Yu H., Wu J. Training vision transformers with only 2040 images. arXiv:2201.10728. https://doi.org/10.48550/arXiv.2201.10728.; Lee S.H., Lee S., Song B.C. Vision transformer for small-size datasets. arXiv:211213492. https://doi.org/10.48550/arXiv.2112.13492.; Liu Y., Sangineto E., Bi W., et al. Efficient training of visual transformers with small datasets. arXiv:2106.03746. https://doi.org/10.48550/arXiv.2106.03746.; Fukushima K. Neocognitron: a self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biol Cybernetics. 1980; 36 (4): 193–202. https://doi.org/10.1007/BF00344251.; LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition. Proceedings IEEE. 1998; 86 (11): 2278–324. https://doi.org/10.1109/5.726791.; Hamamoto R., Komatsu M., Takasawa K., et al. Epigenetics analysis and integrated analysis of multiomics data, including epigenetic data, using artificial intelligence in the era of precision medicine. Biomolecules. 2020; 10 (1): 62. https://doi.org/10.3390/biom10010062.; Himel G.M.S., Islam M.M., Al-Aff K.A., et al. Skin cancer segmentation and classification using vision transformer for automatic analysis in dermatoscopy-based noninvasive digital system. Int J Biomed Imaging. 2024; 2024: 3022192. https://doi.org/10.1155/2024/3022192.; https://www.pharmacoeconomics.ru/jour/article/view/1256
-
17
Authors:
Source: Mathematics. Mechanics. Physics; Том 17, № 2 (2025); 23-34 ; Математика. Механика. Физика; Том 17, № 2 (2025); 23-34 ; 2409-6547 ; 2075-809Х
Subject Terms: Neural network algorithms, UAVs, detection, convolutional neural networks, YOLO, нейросетевые алгоритмы, БПЛА, обнаружение, сверточные нейронные сети
File Description: application/pdf
-
18
Authors:
Source: System Analysis in Science and Education = Sistemnyj analiz v nauke i obrazovanii; No. 1 (2025); 16-22 ; Системный анализ в науке и образовании; № 1 (2025); 16-22 ; 2071-9612
Subject Terms: прореживание, глубокое обучение, сверточные нейронные сети, сравнение каналов, корреляция, pruning, deep learning, convolutional neural networks, channel comparison, correlation
File Description: application/pdf
Relation: https://sanse.ru/index.php/sanse/article/view/648/616; https://sanse.ru/index.php/sanse/article/view/648
Availability: https://sanse.ru/index.php/sanse/article/view/648
-
19
Subject Terms: рекуррентные нейронные сети, геофизика, генеративные состязательные сети, прогнозирование природных явлений, нейронные сети, сверточные нейронные сети, искусственные нейронные сети, сейсмический мониторинг
File Description: application/pdf
Access URL: https://elib.belstu.by/handle/123456789/68689
-
20
Authors:
Source: Информатика и автоматизация, Vol 23, Iss 4, Pp 1047-1076 (2024)
Subject Terms: аэрофотоснимки, сверхвысокое разрешение, семантическая сегментация, сверточные нейронные сети, визуальные трансформеры, генеративно-состязательные сети, Electronic computers. Computer science, QA75.5-76.95
File Description: electronic resource
Nájsť tento článok vo Web of Science 
Full Text Finder