Výsledky vyhľadávania - "трансферное обучение"
-
1
-
2
-
3
Predmety: inspection automation, металлургическое производство, дообучение, deep learning, non-destructive testing, retraining, transfer learning, model combination, product quality, комбинирование моделей, дефектоскопия, автоматизация контроля, трансферное обучение, качество продукции, metallurgical production, глубокое обучение
-
4
-
5
-
6
Autori:
Zdroj: Electronics and Control Systems; Vol. 2 No. 72 (2022); 26-31
Электроника и системы управления; Том 2 № 72 (2022); 26-31
Електроніка та системи управління; Том 2 № 72 (2022); 26-31Predmety: классификация изображений, трансферне навчання, мікроконтролери, класифікація зображен, ESP32, трансферное обучение, машинне навчання, transfer learning, микроконтроллеры, машинное обучение, microcontrollers, image classification
Popis súboru: application/pdf
Prístupová URL adresa: https://jrnl.nau.edu.ua/index.php/ESU/article/view/16939
-
7
Autori:
Zdroj: Информатика и автоматизация, Vol 21, Iss 5, Pp 963-982 (2022)
Predmety: 0211 other engineering and technologies, 0207 environmental engineering, QA75.5-76.95, 02 engineering and technology, 15. Life on land, neural networks, satellite imagery, классификация землепользования, Deep transfer learning, land use land cover classification, глубокое трансферное обучение, Electronic computers. Computer science, deep transfer learning, нейронные сети, спутниковые снимки
Prístupová URL adresa: https://doaj.org/article/007fd1eec0b74c52bbc6d0ab1680f21e
-
8
-
9
-
10
Autori: a ďalší
Zdroj: Eastern-European Journal of Enterprise Technologies; Vol. 1 No. 9(115) (2022): Information and controlling system; 84-92
Eastern-European Journal of Enterprise Technologies; Том 1 № 9(115) (2022): Информационно-управляющие системы; 84-92
Eastern-European Journal of Enterprise Technologies; Том 1 № 9(115) (2022): Інформаційно-керуючі системи; 84-92Predmety: автоматическое распознавание речи, увага, connectionist temporal classification, автоматичне розпізнавання мови, 02 engineering and technology, інтегральна, малоресурсна мова, transfer learning, end-to-end, low-resource language, attention, 03 medical and health sciences, трансферне навчання, ASR, коннекціоністська часова класифікація, 0202 electrical engineering, electronic engineering, information engineering, интегральный, коннекционистская временная классификация, трансферное обучение, 0305 other medical science, малоресурсный язык, внимание
Popis súboru: application/pdf
-
11
Autori: a ďalší
Zdroj: Medical Visualization; Том 28, № 3 (2024); 12-21 ; Медицинская визуализация; Том 28, № 3 (2024); 12-21 ; 2408-9516 ; 1607-0763
Predmety: трансферное обучение, pancreas, pancreatic lesions, machine learning, deep convolutional neural networks, segmentation, transfer learning, поджелудочная железа, образования поджелудочной железы, машинное обучение, искусственные нейронные сети, сегментация
Popis súboru: application/pdf
Relation: https://medvis.vidar.ru/jour/article/view/1483/896; https://medvis.vidar.ru/jour/article/downloadSuppFile/1483/2404; https://medvis.vidar.ru/jour/article/downloadSuppFile/1483/2405; https://medvis.vidar.ru/jour/article/downloadSuppFile/1483/2406; https://medvis.vidar.ru/jour/article/downloadSuppFile/1483/2407; https://medvis.vidar.ru/jour/article/downloadSuppFile/1483/2408; https://medvis.vidar.ru/jour/article/downloadSuppFile/1483/2409; Isensee F., Petersen J., Klein A. et al. nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation. arXiv; 2018; 2. https://arxiv.org/abs/1809.10486 .https://doi.org/10.48550/arXiv.1809.10486; Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. arXiv; 2015; 2. https://arxiv.org/abs/1505.04597. https://doi.org/10.48550/arXiv.1505.04597; Kenner B., Chari S.T., Kelsen D. et al. Artificial Intelligence and Early Detection of Pancreatic Cancer: 2020 Summative Review. Pancreas. 2021; 50 (3): 251–279. https://doi.org/10.1097/MPA.0000000000001762; Mello-Thoms C., Mello C.A.B. Clinical applications of artificial intelligence in radiology. Br. J. Radiol. 2023; 96 (1150): 20221031. https://doi.org/10.1259/bjr.20221031; Anghel C., Grasu M.C., Anghel D.A. et al. Pancreatic Adenocarcinoma: Imaging Modalities and the Role of Artificial Intelligence in Analyzing CT and MRI Images. Diagnostics (Basel). 2024; 14 (4): 438. https://doi:10.3390/diagnostics14040438; Chu L.C., Park S., Kawamoto S. et al. Application of Deep Learning to Pancreatic Cancer Detection: Lessons Learned From Our Initial Experience. J. Am. Coll. Radiol. 2019; 16 (9 Pt B): 1338–1342. https://doi:10.1016/j.jacr.2019.05.034; Zou K.H., Warfield S.K., Bharatha A. et al. Statistical validation of image segmentation quality based on a spatial overlap index. Academic radiology. 2004; 11 (2): 178–189. https://doi.org/10.1016/s1076-6332(03)00671-8; Ni H., Zhou G., Chen X. et al. Predicting Recurrence in Pancreatic Ductal Adenocarcinoma after Radical Surgery Using an AX-Unet Pancreas Segmentation Model and Dynamic Nomogram. Bioengineering (Basel). 2023; 10 (7): 828. https://doi:10.3390/bioengineering10070828; Mahmoudi T., Kouzahkanan Z.M., Radmard A.R. et al. Segmentation of pancreatic ductal adenocarcinoma (PDAC) and surrounding vessels in CT images using deep convolutional neural networks and texture descriptors. Sci. Rep. 2022; 12 (1): 3092. https://doi:10.1038/s41598-022-07111-9; Antonelli M., Reinke A., Bakas S. et al. The Medical Segmentation Decathlon. Nat. Commun. 2022; 13 (1): 4128. https://doi.org/10.1038/s41467-022-30695-9; Li J., Qi L., Chen Q. et al. A dual meta-learning framework based on idle data for enhancing segmentation of pancreatic cancer. Medical Image Analysis. 2022; 78: 102342. https://doi.org/10.1016/j.media.2021.102342; Miao Q., Wang X., Cui J. et al. Artificial intelligence to predict T4 stage of pancreatic ductal adenocarcinoma using CT imaging. Comput. Biol. Med. 2024; 171: 108125. https://doi:10.1016/j.compbiomed.2024.108125; Tikhonova V.S., Karmazanovsky G.G., Kondratyev E.V. et al. Radiomics model-based algorithm for preoperative prediction of pancreatic ductal adenocarcinoma grade. Eur. Radiol. 2023; 33 (2): 1152–1161. https://doi:10.1007/s00330-022-09046-1; Alves N., Schuurmans M., Litjens G. et al. Fully Automatic Deep Learning Framework for Pancreatic Ductal Adenocarcinoma Detection on Computed Tomography. Cancers (Basel). 2022; 14 (2): 376. https://doi:10.3390/cancers14020376; Fedorov A., Beichel R., Kalpathy-Cramer J. et al. 3D Slicer as an image computing platform for the Quantitative Imaging Network. Magn. Reson. Imaging. 2012; 30 (9): 1323–1341. https://doi.org/10.1016/j.mri.2012.05.001; Ronneberger O., Fischer P., Brox T. U-Net: Convolutional networksfor biomedical image segmentation, in Medical Image Computing and Computer-Assisted Intervention. MICCAI; 2015, Springer, 9351 (2015): 234–241. https://doi.org/10.1007/978-3-319-24574-4_28; Wasserthal J., Breit H.C., Meyer M.T. et al. TotalSegmentator: Robust Segmentation of 104 Anatomic Structures in CT Images. Radiol. Artif. Intell. 2023; 5 (5): e230024. https://doi.org/10.1148/ryai.230024; Roth H., Farag A., Turkbey E.B. et al. Data From Pancreas-CT (Version 2) [Data set]. The Cancer Imaging Archive. 2016. https://doi.org/10.7937/K9/TCIA.2016.tNB1kqBU; Cai Y., Long Y., Han Z. et al. Swin Unet3D: a three-dimensional medical image segmentation network combining vision transformer and convolution. BMC Med. Inform. Deci.s Mak. 2023; 23 (1): 33. https://doi.org/10.1186/s12911-023-02129-z; https://medvis.vidar.ru/jour/article/view/1483
-
12
Autori: a ďalší
Prispievatelia: a ďalší
Zdroj: Adaptivni Sistemi Avtomatičnogo Upravlinnâ, Vol 1, Iss 36 (2020)
Adaptive systems of automatic control; Том 1, № 36 (2020): Adaptive Systems of Automatic Control; 93-113
Адаптивные системы автоматического управления; Том 1, № 36 (2020): Адаптивные системы автоматического управления; 93-113
Адаптивні системи автоматичного управління; Том 1, № 36 (2020): Адаптивні системи автоматичного управління; 93-113Predmety: neural network, GRU, языковая модель, кодер, transfer learning, глибоке навчання, NLP, RNN, 7. Clean energy, нейронная сеть, Automation, language model, embeddings, LSTM, encoder, decoder, attention, Transformer, deep learning, трансформер, трансферное обучение, нейронна мережа, мовна модель, декодер, трансфорормер, трансферне навчання, НЛП, 16. Peace & justice, глубокое обучение, T59.5, transformer
Popis súboru: application/pdf
-
13
-
14
Autori: a ďalší
Prispievatelia: a ďalší
Zdroj: Medical Visualization; Том 27, № 1 (2023); 158-169 ; Медицинская визуализация; Том 27, № 1 (2023); 158-169 ; 2408-9516 ; 1607-0763
Predmety: трансферное обучение, quality assurance, machine learning, artificial neural network, Deep convolutional neural networks, transfer learning, контроль качества, машинное обучение, искусственные нейронные сети, глубокие сверточные нейронные сети
Popis súboru: application/pdf
Relation: https://medvis.vidar.ru/jour/article/view/1332/787; Kim T.K., Yi P.H., Wei J. et al. Deep learning method for automated classification of anteroposterior and postero-anterior chest radiographs. J. Digit. Imaging. 2019; 32 (6): 925–930. https://doi.org/10.1007/s10278-019-00208-0; Shet N., Chen J., Siegel E. Continuing challenges in defining image quality. Pediatr. Radiol. 2011; 41 (5): 582–589. https://doi.org/10.1007/s00247-011-2028-0; McDonald R.J., Schwartz K.M., Eckel L.J. et al. The effects of changes in utilization and technological advancements of cross-sectional imaging on radiologist workload. Acad. Radiol. 2015; 22 (9): 1191–1198. https://doi.org/10.1016/j.acra.2015.05.007; Willis C.E., Nishino T.K., Wells J.R. et al. Automated quality control assessment of clinical chest images. Med. Phys. 2018; 45 (10): 4377–4391. https://doi.org/10.1002/mp.13107; Rale A.P., Gharpure D.C., Ravindran V.R. et al. Comparison of different ANN techniques for automatic defect detection in X-Ray images. 2009 International Conference on Emerging Trends in Electronic and Photonic Devices & Systems. 2009; 193–197. https://doi.org/10.1109/ELECTRO.2009.5441138; Морозов С.П., Кузьмина Е.С., Ледихова Н.В., Владзимирский А.В., Трофименко И.А., Мокиенко О.А., Панина Е.В., Андрейченко А.Е., Омелянская О.В., Гомболевский В.А., Полищук Н.С., Шулькин И.М., Решетников Р.В. Мобилизация научно-практического потенциала службы лучевой диагностики г. Москвы в пандемию COVID-19. Digital Diagn. 2020. 1 (1): 5–12. https://doi.org/10.17816/DD51043; Приказ Министерства здравоохранения РФ от 30 ноября 2017 г. № 965н “Об утверждении порядка организации и оказания медицинской помощи с применением телемедицинских технологий” // base.garant.ru [Электронный ресурс]. URL: https://base.garant.ru/71851294/; Приказ Департамента здравоохранения города Москвы от 01.04.2020 №323 “О создании дистанционного референс-центра по лучевой диагностике”. tele-med.ai [Электронный ресурс]. URL: https://tele-med.ai/biblioteka-dokumentov/dzm-prikaz-01042020-323-distanc-referens-centr-ld; Приказ Департамента здравоохранения города Москвы от 15.03.2018 № 183 “Об утверждении регламента организации оказания медицинской помощи по профилям “рентгенология” и “радиология” с применением телемедицинских технологий”. consultant.ru [Электронный ресурс]. URL: http://www.consultant.ru/cons/cgi/online.cgi?req=doc&base=MLAW&n=184819#vjWHo7T82RuFXi2g1; Приказ Департамента здравоохранения города Москвы от 31.12.2019 №1160 “Об утверждении Регламента регистрации данных в Едином радиологическом информационном сервисе автоматизированной информационной системы города Москвы «Единая медицинская информационно-аналитическая система города Москвы»”. mos.ru [Электронный ресурс]. URL: https://www.mos.ru/dzdrav/documents/department-acts/view/233696220/; Morozov S.P., Ledikhova N.V., Panina E.V. et al. Performance quality of X-ray technicians when they interact remotely with the reference center for diagnostic radiology using telemedicine technologies. Natsional'noe Zdravookhranenie. 2021; 2 (2): 36–46.; Rajkomar A., Lingam S., Taylor A.G. et al. High-Throughput Classification of Radiographs Using Deep Convolutional Neural Networks. J. Digit. Imaging. 2017; 30 (1): 95–101. https://doi.org/10.1007/s10278-016-9914-9; CheXpert Dataset //URL: https://stanfordmlgroup.github.io/competitions/chexpert/ (дата обращения 23.03.2022); Chest X-rays dataset. URL: https://www.kaggle.com/datasets/raddar/chest-xrays-indiana-university (дата обращения 26.03.2022); Chest X-Ray Images (Pneumonia). URL: https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia (дата обращения 20.12.2021); NIH ChestX-ray14. URL: https://nihcc.app.box.com/v/ChestXray-NIHCC (дата обращения 20.12.2021); Приказ Департамента здравоохранения города Москвы от 25.12.2017 № 918 о регламенте регистрации данных в системе “Единый радиологический информационный сервис” в медицинских организациях государственной системы здравоохранения города Москвы”. consultant.ru [Электронный ресурс]. URL: http://www.consultant.ru/cons/cgi/online.cgi?req=doc&base=MLAW&n=183590#zudlo7TsbVSwYBM12; Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. 3rd Int. Conf. Learn. Represent. ICLR 2015. Conf. Track Proc. 2015: 1–14. https://doi.org/10.48550/arXiv.1409.1556; ROC-инструмент ГБУЗ НПКЦ ДиТ ДЗМ // URL: https://roc-analysis.mosmed.ai/ ROC analysis tool of Scientific and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow City Health Department // URL: https://roc-analysis.mosmed.ai/; Chan H.P., Samala R.K., Hadjiiski L.M., Zhou C. Deep Learning in Medical Image Analysis. Adv. Exp. Med. Biol. 2020; 1213: 3–21. https://doi.org/10.1007/978-3-030-33128-3_1; Litjens G., Kooi T., Bejnordi B.E. et al. A survey on deep learning in medical image analysis. Med. Image Anal. 2017; 42: 60–88. https://doi.org/10.1016/j.media.2017.07.005; Sahiner B., Pezeshk A., Hadjiiski L.M. et al. Deep learning in medical imaging and radiation therapy. Med. Phys. 2019; 46 (1): 1–36. https://doi.org/10.1002/mp.13264; Mazurowski M.A., Buda M., Saha A., Bashir M.R. Deep learning in radiology: An overview of the concepts and a survey of the state of the art with focus on MRI. J. Magn. Reson. Imaging. 2019; 49 (4) : 939–954. https://doi.org/10.1002/jmri.26534; Rahaman M.M., Li C., Yao Y. et al. Identification of COVID-19 samples from chest X-Ray images using deep learning: A comparison of transfer learning approaches. J. Xray Sci. Technol. 2020; 28 (5): 821–839. https://doi.org/10.3233%2FXST-200715; Arias-Garzón D., Alzate-Grisales J.A., Orozco-Arias S. et al. COVID-19 detection in X-ray images using convolutional neural networks. Mach. Learn Appl. 2021; 6: 100–138. https://doi.org/10.1016/j.mlwa.2021.100138; Morozov S.P., Vladzymyrskyy A.V., Klyashtornyy V.G. et al. Clinical acceptance of software based on artificial intelligence technologies (radiology). arXiv preprint arXiv:1908.00381. 2019. https://doi.org/10.48550/arXiv.1908.00381; https://medvis.vidar.ru/jour/article/view/1332
-
15
Autori: a ďalší
Prispievatelia: a ďalší
Zdroj: Medical Visualization; Том 28, № 2 (2024); 134-144 ; Медицинская визуализация; Том 28, № 2 (2024); 134-144 ; 2408-9516 ; 1607-0763
Predmety: трансферное обучение, quality assurance, DICOM metadata, DICOM-tags, dataset generation, deep convolutional neural networks, transfer learning, контроль качества, метаданные DICOM, DICOM-теги, формирование наборов данных, глубокие сверточные нейронные сети
Popis súboru: application/pdf
Relation: https://medvis.vidar.ru/jour/article/view/1346/855; https://medvis.vidar.ru/jour/article/downloadSuppFile/1346/2115; https://medvis.vidar.ru/jour/article/downloadSuppFile/1346/2116; McDonald R.J., Schwartz K.M., Eckel L.J. et al. The effects of changes in utilization and technological advancements of cross-sectional imaging on radiologist workload. Acad. Radiol. 2015; 22 (9): 1191–1198. https://doi.org/10.1016/j.acra.2015.05.007; van Leeuwen K.G., de Rooij M., Schalekamp S. et al. How does artificial intelligence in radiology improve efficiency and health outcomes? Pediatr. Radiol. 2022; 52 (11): 2087–2093. https://doi.org/10.1007/s00247-021-05114-8; Chetlen A.L., Chan T.L., Ballard D.H. et al. Addressing Burnout in Radiologists. Acad. Radiol. 2019; 26 (4): 526–533. https://doi.org/10.1016/j.acra.2018.07.001; Hosny A., Parmar Ch., Quackenbush J. et al. Artificial intelligence in radiology. Nat. Rev. Cancer. 2018; 18 (8): 500–510. https://doi.org/10.1038/s41568-018-0016-5; Rubin D.L. Artificial Intelligence in Imaging: The Radiologist’s Role. J. Am. Coll. Radiol. 2019; 16 (9): 1309–1317. https://doi.org/10.1016/j.jacr.2019.05.036; Savadjiev P., Chong J., Dohan A. et al. Demystification of AI-driven medical image interpretation: past, present and future. Eur. Radiol. 2019; 29 (3): 1616–1624. https://doi.org/10.1007/s00330-018-5674-x; Acosta J.N., Falcone G.J., Rajpurkar P. The Need for Medical Artificial Intelligence That Incorporates Prior Images. Radiology. 2022; 304 (2): 283–288. https://doi.org/10.1148/radiol.212830; Павлов Н.А., Андрейченко А.Е., Владзимирский А.В., Ревазян А.А., Кирпичев Ю.С., Морозов С.П. Эталонные медицинские датасеты (MosMedData) для независимой внешней оценки алгоритмов на основе искусственного интеллекта в диагностике. Dig. Diagn. 2021; 2 (1): 49–66. https://doi.org/10.17816/DD60635; Willemink M.J., Koszek W.A., Hardell C. et al. Preparing Medical Imaging Data for Machine Learning. Radiology. 2020; 295 (1): 4–15. https://doi.org/10.1148/radiol.2020192224; Park S.H., Han K. Methodologic Guide for Evaluating Clinical Performance and Effect of Artificial Intelligence Technology for Medical Diagnosis and Prediction. Radiology. 2018; 286 (3): 800–809. https://doi.org/10.1148/radiol.2017171920; European Society of Radiology (ESR). What the radiologist should know about artificial intelligence – an ESR white paper. Insights. Imaging. 2019; 10 (1): 44. https://doi.org/10.1186/s13244-019-0738-2; Борисов А.А., Семенов С.С., Арзамасов К.М. Использование трансферного обучения для автоматизированного поиска дефектов на рентгенограммах органов грудной клетки. Медицинская визуализация. 2023; 27 (1): 158–169. https://doi.org/10.24835/1607-0763-1243; Juszczyk J., Badura P., Czajkowska J. et al. Automated size-specific dose estimates using deep learning image processing. Medical Image Analysis. 2021; 68: 101898. https://doi.org/10.1016/j.media.2020.101898; Keshavamurthy K.N., Elnajjar P., El-Rowmeim A. et al. Application of Deep Learning Techniques for Characterization of 3D Radiological Datasets – A Pilot Study for Detection of Intravenous Contrast in Breast MRI. Proc. SPIE Int. Soc. Opt. Eng. 2019; 10954: 109540X. https://doi.org/10.1117/12.2513809; DICOM standart // URL: https://www.dicomstandard.org/ (дата обращения 10.01.2023); CheXpert Dataset //URL: https://stanfordmlgroup.github.io/competitions/chexpert/ (дата обращения 23.12.2022); Chest X-rays dataset // URL: https://www.kaggle.com/datasets/raddar/chest-xrays-indiana-university (дата обращения 26.12.2022); Chest X-Ray Images (Pneumonia)// URL: https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia (дата обращения 20.12.2022); NIH ChestX-ray14 //URL: https://nihcc.app.box.com/v/ChestXray-NIHCC (дата обращения 20.12.2022); Han B., Du J., Jia Y. et al. Zero-Watermarking Algorithm for Medical Image Based on VGG19 Deep Convolution Neural Network. J. Healthc. Eng. 2021; 2021: 5551520. https://doi.org/10.1155/2021/5551520; Karacı A. VGGCOV19-NET: automatic detection of COVID-19 cases from X-ray images using modified VGG19 CNN architecture and YOLO algorithm. Neural. Comput. Appl. 2022; 34 (10): 8253–8274. https://doi.org/10.1007/s00521-022-06918-x; ROC-инструмент ГБУЗ НПКЦ ДиТ ДЗМ // URL: https://roc-analysis.mosmed.ai/; Mustra M., Delac K., Grgic M. et al. Overview of the DICOM standard. ELMAR, 2008. 50th International Symposium. Zadar, Croatia: 39–44. ISBN 978-1-4244-3364-3; Gueld M.O., Kohnen M., Keysers D. et al. Quality of DICOM header information for image categorization. Proc. SPIE 4685. Medical Imaging 2002: PACS and Integrated Medical Information Systems: Design and Evaluation. https://doi.org/10.1117/12.467017; Santosh K.C., Wendling L. Angular relational signature-based chest radiograph image view classification. Med. Biol. Eng. Comput. 2018; 56 (8): 1447–1458. https://doi.org/10.1007/s11517-018-1786-3; Urinbayev K., Orazbek Y., Nurambek Y. et al. End-to-End Deep Diagnosis of X-ray Images. 2020 42nd Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) in conjunction with the 43rd Annual Conference of the Canadian Medical and Biological Engineering Society. https://doi.org/10.1109/EMBC44109.2020.9175208; https://medvis.vidar.ru/jour/article/view/1346
-
16
Zdroj: Международный научный журнал "Современные информационные технологии и ИТ-образование". 18
-
17
Autori:
Prispievatelia:
Predmety: Covid-19, электрокардиограмма, машинное обучение, глубокое обучение, трансферное обучение, сверточная нейронная сеть, electrocardiogram, machine learning, deep Learning, transfer training, convolutional neural network, 004.032.26:616
Popis súboru: application/pdf
Dostupnosť: http://earchive.tpu.ru/handle/11683/76281
-
18
Autori: a ďalší
Zdroj: Eastern-European Journal of Enterprise Technologies
Predmety: трансферне навчання, малоресурсный язык, коннекционистская временная классификация, внимание, інтегральна, автоматическое распознавание речи, трансферное обучение, интегральный, transfer learning, end-to-end, low-resource language, connectionist temporal classification, Indonesia, автоматичне розпізнавання мови, малоресурсна мова, коннекціоністська часова класифікація, увага, ASR, attention
Popis súboru: application/pdf
-
19
Zdroj: Technology audit and production reserves; Vol. 1 No. 2(63) (2022): Information and control systems; 10-13
Technology audit and production reserves; Том 1 № 2(63) (2022): Информационно-управляющие системы; 10-13
Technology audit and production reserves; Том 1 № 2(63) (2022): Інформаційно-керуючі системи; 10-13Predmety: computer resources, трансферне навчання, обсяг комп'ютерних ресурсів, convolutional neural networks, трансферное обучение, объем компьютерных ресурсов, нейронные сети, transfer learning, сверточные нейронные сети, neural networks, нейронні мережі, згорткові нейронні мережі
Popis súboru: application/pdf
Prístupová URL adresa: http://journals.uran.ua/tarp/article/view/252695
-
20
Zdroj: Radio Electronics, Computer Science, Control; No. 3 (2021): Radio Electronics, Computer Science, Control; 124-132
Радиоэлектроника, информатика, управление; № 3 (2021): Радиоэлектроника, информатика, управление; 124-132
Радіоелектроніка, iнформатика, управління; № 3 (2021): Радіоелектроніка, інформатика, управління; 124-132Predmety: виявлення аномалій, акустичний сигнал, трансферне навчання, спектрограма, скалограма, кіберфізична система, обнаружение аномалий, акустический сигнал, трансферное обучение, спектрограмма, скалограмма, киберфизическая система, anomaly detection, acoustic signal, transfer learning, spectrogram, scalogram, cyber-physical system
Popis súboru: application/pdf
Prístupová URL adresa: http://ric.zntu.edu.ua/article/view/241880
Nájsť tento článok vo Web of Science 
Full Text Finder