Suchergebnisse - "Redes Neuronales Convolucionales"
-
1
Autoren: Nagarajan, Bhalaji
Weitere Verfasser: University/Department: Universitat de Barcelona. Departament de Matemàtiques i Informàtica
Thesis Advisors: Radeva, Petia, Aguilar, Eduardo
Quelle: TDX (Tesis Doctorals en Xarxa)
Schlagwörter: Processament d'imatges, Proceso de imágenes, Image processing, Visió per ordinador, Visión por ordenador, Computer vision, Xarxes neuronals convolucionals, Redes neuronales convolucionales, Convolutional neural networks, Aprenentatge automàtic, Aprendizaje automático, Machine learning, Ciències Experimentals i Matemàtiques
Dateibeschreibung: application/pdf
Zugangs-URL: http://hdl.handle.net/10803/692851
-
2
Autoren: Vila Muñoz, Maria del Mar
Weitere Verfasser: University/Department: Universitat de Barcelona. Departament de Matemàtiques i Informàtica
Thesis Advisors: Igual Muñoz, Laura, Grau, Maria, Radeva, Petia
Quelle: TDX (Tesis Doctorals en Xarxa)
Schlagwörter: Aprenentatge automàtic, Aprendizaje automático, Machine learning, Diagnòstic per la imatge, Diagnóstico por imagen, Diagnostic imaging, Malalties cardiovasculars, Enfermedades cardiovasculares, Cardiovascular diseases, Xarxes neuronals convolucionals, Redes neuronales convolucionales, Convolutional neural networks, Ciències Experimentals i Matemàtiques
Dateibeschreibung: application/pdf
Zugangs-URL: http://hdl.handle.net/10803/692998
-
3
Autoren: Pezzano, Giuseppe
Weitere Verfasser: University/Department: Universitat de Barcelona. Facultat de Matemàtiques
Thesis Advisors: Radeva, Petia, Ribas Ripoll, Vicent
Quelle: TDX (Tesis Doctorals en Xarxa)
Schlagwörter: Xarxes neuronals convolucionals, Redes neuronales convolucionales, Convolutional neural networks, Aprenentatge automàtic, Aprendizaje automático, Machine learning, Diagnòstic per la imatge, Diagnóstico por imagen, Diagnostic imaging, Càncer de pulmó, Cáncer de pulmón, Lung cancer, COVID-19, Ciències Experimentals i Matemàtiques
Dateibeschreibung: application/pdf
Zugangs-URL: http://hdl.handle.net/10803/689814
-
4
Autoren: Llorella Costa, Fabio Ricardo
Weitere Verfasser: University/Department: Universitat de Girona. Departament d'Informàtica, Matemàtica Aplicada i Estadística (2013-)
Thesis Advisors: Patow, Gustavo
Quelle: TDX (Tesis Doctorals en Xarxa)
Schlagwörter: Imaginació visual, Imaginación visual, Visual imagery, Interfícies cervell-màquina, Interfaces cerebro-máquina, Brain-computer interfaces, Aprenentatge profund, Aprendizaje profundo, Deep learning, Xarxes neuronals convolucionals, Redes neuronales convolucionales, Convolutional neural networks, Senyals EEG, Señales EEG, EEG signals
Time: 616.8
Dateibeschreibung: application/pdf
Zugangs-URL: http://hdl.handle.net/10803/688911
-
5
Autoren: Pascual i Guinovart, Guillem
Weitere Verfasser: University/Department: Universitat de Barcelona. Facultat de Matemàtiques
Thesis Advisors: Vitrià i Marca, Jordi, Seguí Mesquida, Santi
Quelle: TDX (Tesis Doctorals en Xarxa)
Schlagwörter: Aprenentatge automàtic, Aprendizaje automático, Machine learning, Incertesa (Teoria de la informació), Incertidumbre (Teoría de la información), Uncertainty (Information theory), Xarxes neuronals convolucionals, Redes neuronales convolucionales, Convolutional neural networks, Processament digital d'imatges, Proceso digital de imágenes, Digital image processing, Càpsula endoscòpica, Cápsula endoscópica, Capsule endoscopy, Ciències Experimentals i Matemàtiques
Dateibeschreibung: application/pdf
Zugangs-URL: http://hdl.handle.net/10803/688997
-
6
Autoren: Clèrigues Garcia, Albert
Weitere Verfasser: University/Department: Universitat de Girona. Departament d'Arquitectura i Tecnologia de Computadors, University/Department: Universitat de Girona. Institut de Recerca en Visió per Computador i Robòtica
Thesis Advisors: Lladó Bardera, Xavier, Oliver i Malagelada, Arnau, Valverde Valverde, Sergi
Quelle: TDX (Tesis Doctorals en Xarxa)
Schlagwörter: Aprenentatge profund, Aprendizaje profundo, Deep learning, Lesions cerebrals, Lesiones cerebrales, Brain lesions, Atròfia cerebral, Atrofia cerebral, Cerebral atrophy, Imatges per ressonància magnètica, Imágenes por resonancia magnética, Magnetic resonance imaging, Ressonància magnètica cerebral, Resonancia magnética cerebral, Brain MRI, Xarxes neuronals convolucionals, Redes neuronales convolucionales, Convolutional neural networks, Segmentació de teixits, Segmentación de tejidos, Tissue segmentation
Time: 616.8
Dateibeschreibung: application/pdf
Zugangs-URL: http://hdl.handle.net/10803/688369
-
7
Autoren: Banús Paradell, Núria
Weitere Verfasser: University/Department: Universitat de Girona. Departament d'Informàtica, Matemàtica Aplicada i Estadística (2013-)
Thesis Advisors: nbanusparadell@gmail.com, Boada, Imma, Xiberta, Pau
Quelle: TDX (Tesis Doctorals en Xarxa)
Schlagwörter: Indústria alimentària, Processament d'aliments, Industria alimentaria, Procesado de alimentos, Food processing industry, Xarxes neuronals convolucionals, Redes neuronales convolucionales, Convolutional neural networks, Automatització de la indústria, Automatización de la industria, Industry automation, Visió per computador, Visión por computador, Machine vision, Intel·ligència artificial, Inteligencia artificial, Artificial intelligence, Computer vision for automation, Aprenentatge profund, Aprendizaje profundo, Deep learning, Control de qualitat d'envasos d'aliments, Control de calidad de envases de alimentos, Packaging quality control
Dateibeschreibung: application/pdf
Zugangs-URL: http://hdl.handle.net/10803/673469
-
8
Autoren: Bolaños Solà, Marc
Weitere Verfasser: University/Department: Universitat de Barcelona. Departament de Matemàtiques i Informàtica
Thesis Advisors: Radeva, Petia
Quelle: TDX (Tesis Doctorals en Xarxa)
Schlagwörter: Aprenentatge automàtic, Aprendizaje automático, Machine learning, Algorismes, Algoritmos, Algorithms, Adquisició del coneixement (Sistemes experts), Adquisición de conocimientos (Sistemas expertos), Knowledge acquisition (Expert systems), Percepció de les formes, Percepción de formas, Form perception, Xarxes neuronals convolucionals, Redes neuronales convolucionales, Convolutional neural networks, Ciències Experimentals i Matemàtiques
Dateibeschreibung: application/pdf
Zugangs-URL: http://hdl.handle.net/10803/671672
-
9
Autoren: Acevedo Lipes, Andrea Milena
Weitere Verfasser: University/Department: Universitat de Barcelona. Facultat de Medicina i Ciències de la Salut
Thesis Advisors: Rodellar, José, Merino, Anna (Merino González), Sala Llonch, Roser
Quelle: TDX (Tesis Doctorals en Xarxa)
Schlagwörter: Química clínica, Clinical chemistry, Cèl·lules sanguínies, Células sanguíneas, Blood cells, Xarxes neuronals convolucionals, Redes neuronales convolucionales, Convolutional neural networks, Oncologia, Oncología, Oncology, Diagnòstic, Diagnóstico, Diagnosis, Malalties hematològiques, Enfermedades hematológicas, Hematologic diseases, Ciències de la Salut
Dateibeschreibung: application/pdf
Zugangs-URL: http://hdl.handle.net/10803/671387
-
10
Autoren: Bernal Moyano, Jose
Weitere Verfasser: University/Department: Universitat de Girona. Departament d'Arquitectura i Tecnologia de Computadors, University/Department: Universitat de Girona. Institut de Recerca en Visió per Computador i Robòtica
Thesis Advisors: Oliver i Malagelada, Arnau, Lladó Bardera, Xavier
Quelle: TDX (Tesis Doctorals en Xarxa)
Schlagwörter: Aprenentatge profund, Aprendizaje profundo, Deep learning, Atròfia cerebral, Atrofia cerebral, Cerebral atrophy, Quantificació, Cuantificación, Quantification, Xarxes neuronals convolucionals, Redes neuronales convolucionales, Convolutional neural networks, Segmentació de teixits, Segmentación de tejidos, Tissue segmentation, Imatges per ressonància magnètica, Imágenes por resonancia magnética, Magnetic resonance imaging, Ressonància magnètica cerebral, Resonancia magnética cerebral, Brain MRI
Time: 616.8
Dateibeschreibung: application/pdf
Zugangs-URL: http://hdl.handle.net/10803/671699
-
11
Autoren: Aguilar, Eduardo
Weitere Verfasser: University/Department: Universitat de Barcelona. Departament de Matemàtiques i Informàtica
Thesis Advisors: Radeva, Petia
Quelle: TDX (Tesis Doctorals en Xarxa)
Schlagwörter: Processament d'imatges, Proceso de imágenes, Image processing, Visió per ordinador, Visión por ordenador, Computer vision, Xarxes neuronals convolucionals, Redes neuronales convolucionales, Convolutional neural networks, Ciències Experimentals i Matemàtiques
Dateibeschreibung: application/pdf
Zugangs-URL: http://hdl.handle.net/10803/670751
-
12
Autoren: Agarwal, Richa
Weitere Verfasser: University/Department: Universitat de Girona. Departament d'Arquitectura i Tecnologia de Computadors
Thesis Advisors: Martí Marly, Robert, Díaz Montesdeoca, Oliver, Lladó Bardera, Xavier
Quelle: TDX (Tesis Doctorals en Xarxa)
Schlagwörter: Càncer de mama, Cáncer de mama, Breast cancer, Detecció assistida per ordinador, Detección asistida por ordenador, Computer aided detection, Imatges mèdiques, Imágenes médicas, Medical imaging, Cancer imaging, 3D, Xarxes neuronals convolucionals, Redes neuronales convolucionales, Convolutional neural netwoks, Ultrasons, Ultrasonidos, Ultrasounds, Mamografia, Mamografía, Mammography, ABUS, Deep learning, Aprenentatge profund, Aprendizaje profundo
Dateibeschreibung: application/pdf
Zugangs-URL: http://hdl.handle.net/10803/670295
-
13
Autoren: Rafegas Fonoll, Ivet
Weitere Verfasser: University/Department: Universitat Autònoma de Barcelona. Departament de Ciències de la Computació
Thesis Advisors: Vanrell i Martorell, Maria Isabel
Quelle: TDX (Tesis Doctorals en Xarxa)
Schlagwörter: Visió per computador, Visión por computador, Computer vision, Xarxes neuronals convolucionals, Redes neuronales convolucionales, Convolutional neural networks, Índex de selectivitat, Índices de selectividad, Selectivity indexes, Tecnologies
Dateibeschreibung: application/pdf
Zugangs-URL: http://hdl.handle.net/10803/458641
-
14
Autoren:
Quelle: Innovación y Software, Vol 6, Iss 1 (2025)
-
15
Autoren:
Quelle: Maderas: Ciencia y Tecnología, Vol 27 (2025)
Schlagwörter: Clasificación de defectos, clasificación multiclase, imágenes multiespectrales, tableros melamínicos, redes neuronales convolucionales, visión por computador, Forestry, SD1-669.5, Manufactures, TS1-2301
Dateibeschreibung: electronic resource
-
16
Autoren: et al.
Quelle: Informática y Sistemas, Vol 8, Iss 2, Pp 52-59 (2024)
-
17
Autoren:
Quelle: Tecnología en Marcha, Pp ág. 62-67 (2025)
-
18
Autoren:
Weitere Verfasser:
Quelle: RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
Universitat Politècnica de València (UPV)
Revista de Teledetección, Iss 65 (2025)Schlagwörter: Geography (General), Parámo, segmentación semántica, Remote sensing, redes neuronales convolucionales, Semantic segmentation, parámo, Segmentación semántica, Redes neuronales convolucionales, teledetección, Teledetección, G1-922, Páramo, Convolutional neural networks
Dateibeschreibung: application/pdf
-
19
Autoren: et al.
Weitere Verfasser: et al.
Schlagwörter: Redes neuronales convolucionales, Aprendizaje profundo, Lindero, Catastro, Ingeniería Catastral y Geodesia -- Tesis y disertaciones académicas, Extracción automatizada de linderos prediales, Catastro -- Actualización, Convolutional neural networks, Deep learning, Boundary, Cadastre
Dateibeschreibung: pdf; application/pdf
Relation: A. Kirillov, R. Girshick, K. He, and P. Dollár, “Panoptic feature Pyramid networks,” arXiv.org, Jan. 08, 2019. Available: https://arxiv.org/abs/1901.02446; Altamirano L. (2021). Deep Learning aplicado a la segmentación semántica de Imágenes aéreas. Universidad de Valparaíso, Chile. http://repositoriobibliotecas.uv.cl/handle/uvscl/3958; Barney G. Catastro multipropósito en el acuerdo de paz. Indepaz. 2022. https://indepaz.org.co/catastro-multiproposito-en-el-acuerdo-de-paz-por-gloria-c-barney/ [accedida 15 Enero 2024]; Bennett RM, Koeva M, Asiama K. Review of Remote Sensing for Land Administration: Origins, Debates, and Selected Cases. Remote Sensing. 2021; 13(21):4198. https://doi.org/10.3390/rs13214198; Bischke, B., Helber, P., Folz, J., Borth, D., & Dengel, A. (2017). Multi-task learning for segmentation of building footprints with auxiliary tasks. *arXiv preprint arXiv:1709.05932*.; Chen, L. C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A. L. (2017). Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected crfs. *IEEE Transactions on Pattern Analysis and Machine Intelligence*, 40(4), 834-848.; Chen, L. C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A. L. (2017). Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 40(4), 834-848.; Chirag Patil, “Pytorch_image_segmentation.ipynb at main · chiragpatil-ml/YouTubeNotebook,” GitHub. Available: https://github.com/chiragpatil-ml/YouTubeNotebook/blob/main/Computer%20Vision/Train%20and%20test%20segmentation%20model/pytorch_image_segmentation.ipynb; Christopher Thomas Bs. Hons. Miap, “Deep learning based super resolution, without using a GAN,” Medium, Dec. 19, 2024. Available: https://towardsdatascience.com/deep-learning-based-super-resolution-without-using-a-gan-11c9bb5b6cd5; Cívico Panduro, J.(2010). Estudio comparativo de algoritmos disponibles en ITK para la segmentación de imágenes médicas. Aplicación al caso particular de la aurícula izquierda. Proyecto Fin de Carrera Ingeniería Superior de Telecomunicación – Universidad de Sevilla. e-REdING. Biblioteca de la Escuela Superior de Ingenieros de Sevilla. (us.es); Crommelinck S., Koeva M., Ying M., Vosselman G. (2019). Aplication of Deep Learning for Delineaton of Visible Cadastral Boundaries from Remote Sensing Imagery. Remote Sensing. 11(21), 2505. https://doi.org/10.3390/rs11212505; Departamento Nacional de Planeación. (2019, 26 de marzo). Estrategia para la Implementación de la política pública de catastro multipropósito (Documento CONPES 3958). Bogotá D.C., Colombia: DNP.; Departamento Nacional De Planeación. (2022). Bases del Plan Nacional de Desarrollo 2022 - 2026 (1st ed., Vol. 1). Departamento Nacional De Planeación.; Departamento Nacional de Planeación. (2022, 24 de enero). Declaración de Importancia Estratégica del Proyecto de Inversión: Actualización y Gestión Catastral Nacional (Documento CONPES 4071). Bogotá D.C., Colombia: DNP.; Departamento Nacional de Planeación. (2023, septiembre 10). Con Inteligencia Artificial, el DNP apoya el proceso de actualización del Catastro Multipropósito. Noticias DNP. Con Inteligencia Artificial, el DNP apoya el proceso de actualización del Catastro Multipropósito; E. Shelhamer, J. Long and T. Darrell, "Fully Convolutional Networks for Semantic Segmentation," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 39, no. 4, pp. 640-651, 1 April 2017. Available: https://ieeexplore.ieee.org/document/7478072; Everingham, M., Van Gool, L., Williams, C. K., Winn, J., & Zisserman, A. (2015). The Pascal Visual Object Classes Challenge: A Retrospective. *International Journal of Computer Vision*, 111(1), 98-136.; Fetai, B., Grigillo, D., & Lisec, A. (2022). Revising Cadastral Data on Land Boundaries Using Deep Learning in Image-Based Mapping. ISPRS International Journal of Geo-Information, 11(5). https://doi.org/10.3390/ijgi11050298; Fetai, B., Račič, M., & Lisec, A. (2021). Deep learning for detection of visible land boundaries from uav imagery. Remote Sensing, 13(11). https://doi.org/10.3390/rs13112077; Foody, G. M. (2002). Status of land cover classification accuracy assessment. *Remote Sensing of Environment*, 80(1), 185-201.; G. Boesch, “Deep Residual Networks (RESNet, RESNET-50) – 2024 Guide,” viso.ai, Aug. 07, 2024. Available: https://viso-ai.translate.goog/deep-learning/resnet-residual-neural-network/?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=tc; IGAC. (2023). Catalogo de objetos Geográficos para la Cartografía Básica de Colombia [Instituto Geográfico Agustín Codazzi]. 21 de abril de 2023; Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in Neural Information Processing Systems (pp. 1097-1105).; LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.; Li, H., Zhang, L., & Ma, W. (2021). Deep learning-based semantic segmentation for high-resolution remote sensing images: A review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14, 4646-4663. https://doi.org/10.1109/JSTARS.2021.3083829; Li, Y., Wang, Z., Yang, J., & Tian, Q. (2019).** Deep multigranular dynamic fusion network for remote sensing image scene classification. *IEEE Transactions on Neural Networks and Learning Systems*, 30(1), 162-174.; Li, Z., Liu, F., Yang, W., Peng, S., & Zhou, J. (2022). A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects. IEEE Transactions on Neural Networks and Learning Systems, 33(12), 6999–7019. https://doi.org/10.1109/TNNLS.2021.3084827; Long, J., Shelhamer, E., & Darrell, T. (2015). Fully convolutional networks for semantic segmentation. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 3431-3440).; M. Huh, P. Agrawal, and A. A. Efros, “What makes imagenet good for transfer learning?” 2016.; Maggiori, E., Tarabalka, Y., Charpiat, G., & Alliez, P. (2017). Convolutional Neural Networks for Large-Scale Remote-Sensing Image Classification. *IEEE Transactions on Geoscience and Remote Sensing*.; Mou, L., & Zhu, X. X. (2018). Im2height: Height estimation from single monocular imagery via fully residual convolutional-deconvolutional network. *arXiv preprint arXiv:1802.10249*.; Nyandwi E, Koeva M, Kohli D, Bennett R. Comparing Human Versus Machine-Driven Cadastral Boundary Feature Extraction. Remote Sensing. 2019; 11(14):1662. https://doi.org/10.3390/rs11141662; O. Ronneberger, P. Fischer, and T. Brox, “U-NET: Convolutional Networks for Biomedical Image Segmentation,” arXiv.org, May 18, 2015. Available: https://arxiv.org/abs/1505.04597; Pavel Iakubovskii, “Segmentation Models documentation.” Available: https://smp.readthedocs.io/en/latest/index.html; Poder Legislativo, Colombia: Acuerdo Final para la Terminación del Conflicto y la Construcción de una Paz Estable y Duradera. Junio de 2016, 26 junio 2016, https://www.refworld.org/es/leg/multilateraltreaty/natlegbod/2016/es/127319 [accedida 15 January 2024]; Ponce, P. (2010). Inteligencia Artificial con Aplicaciones a la Ingeniería. Primera Edición. México DF: Alfaomega Grupo Editor, SA. ISBN: 978-607-7854-83-8.; Ramos, L. (2005). La modernización del Catastro Colombiano. Universidad de Los Andes. https://core.ac.uk/download/pdf/268121685.pdf; Resolución 1040 de 2023 [Instituto Geográfico Agustín Codazzi]. Por medio de la cual se expide la Resolución Única de la Gestión Catastral Multipropósito. 08 de agosto de 2023; Romcon, I. (2022). Clasificación de imágenes espaciales mediante visión artificial. Universidad Politécnica de Madrid.; Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. *arXiv preprint arXiv:1505.04597*.; Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical Image Computing and Computer-Assisted Intervention (pp. 234-241).; Sherrah, J. (2016). Fully Convolutional Networks for Dense Semantic Labelling of High-Resolution Aerial Imagery. *arXiv preprint arXiv:1606.02585*.; Simonyan, K., & Zisserman, A. (2015).** Very deep convolutional networks for large-scale image recognition. In *International Conference on Learning Representations (ICLR)*.; Soto-Orozco, O. A., Corral-Sáenz, A. D., Rojo-González, C. E., & Ramírez-Quintana, J. A. (2019). Análisis del desempeño de redes neuronales profundas para segmentación semántica en hardware limitado. Recuperado de https://www.redalyc.org/journal/5122/512261374010/html/; Xia, X., Persello, C., & Koeva, M. (2019). Deep fully convolutional networks for cadastral boundary detection from UAV images. Remote Sensing, 11(14). https://doi.org/10.3390/rs11141725; Zapeta Hernández, A., Galindo Rosales, G. A., Juan Santiago, H. J., & Martínez Lee, M. (2022). Métricas de rendimiento para evaluar el aprendizaje automático en la clasificación de imágenes petroleras utilizando redes neuronales convolucionales. Ciencia Latina Revista Científica Multidisciplinar, 6(5), 4624-4637. https://doi.org/10.37811/cl_rcm.v6i5.3420; Zhang, Y., Tang, Y., & Wang, L. (2018). CNN-Based High-Resolution Remote Sensing Image Segmentation Using High-Order Label Contextual Information. *IEEE Geoscience and Remote Sensing Letters*.; Zhu, X. X., Tuia, D., Mou, L., Xia, G. S., Zhang, L., Xu, F., & Fraundorfer, F. (2017). Deep learning in remote sensing: A comprehensive review and list of resources. IEEE Geoscience and Remote Sensing Magazine, 5(4), 8-36.; https://hdl.handle.net/11349/94240
Verfügbarkeit: https://hdl.handle.net/11349/94240
-
20
Autoren:
Quelle: Informador Técnico, Vol 87, Iss 2, Pp 150-164 (2023)
Schlagwörter: aprendizaje profundo, torque, T1-995, roya, TA1-2040, Engineering (General). Civil engineering (General), redes neuronales convolucionales, durazno, Technology (General)
Nájsť tento článok vo Web of Science 
Full Text Finder