Αποτελέσματα αναζήτησης - "свёрточная нейронная сеть"

Πηγή: Vestnik of Brest State Technical University; No. 3(135) (2024): Vestnik of Brest State Technical University; 24-30
Вестник Брестского государственного технического университета; № 3(135) (2024): Вестник Брестского государственного технического университета; 24-30

Θεματικοί όροι: железобетонная плита, расчётная модель, computational model, U-Net architecture, свёрточная нейронная сеть, reinforced concrete slab, convolutional neural network, архитектура U-Net

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: https://journal.bstu.by/index.php/bstu_herald/article/view/1204

View record at OpenAIRE

6

Academic Journal

ПРИМЕНЕНИЕ СВЁРТОЧНОЙ НЕЙРОННОЙ СЕТИ ДЛЯ УЧЁТА ОПАДЕНИЯ ПЛОДОВ ЯБЛОНИ

Θεματικοί όροι: свёрточная нейронная сеть, трансферное обучение, распознавание и классификация, прогнозирование, управление урожайностью, опадение плодов, фенофаза, яблоня

7

Academic Journal

ПРИМЕНЕНИЕ СВЁРТОЧНОЙ НЕЙРОННОЙ СЕТИ ДЛЯ УЧЁТА ОПАДЕНИЯ ПЛОДОВ ЯБЛОНИ

Θεματικοί όροι: свёрточная нейронная сеть, трансферное обучение, распознавание и классификация, прогнозирование, управление урожайностью, опадение плодов, фенофаза, яблоня

8

Academic Journal

A novel framework for the prevention of black-hole in wireless sensors using hybrid convolution network

Συγγραφείς: J. Kolangiappan, A. Senthil Kumar

Πηγή: Научно-технический вестник информационных технологий, механики и оптики, Vol 22, Iss 2, Pp 317-323 (2024)

Θεματικοί όροι: сверточная нейронная сеть, cnn, deep q-learning, беспроводная сенсорная сеть, wsn, маршрутизация, доверие, Information technology, T58.5-58.64

Relation: https://ntv.elpub.ru/jour/article/view/164; https://doaj.org/toc/2226-1494; https://doaj.org/toc/2500-0373; https://doaj.org/article/f051dd24f4904ffc8537aa7744046124

Διαθεσιμότητα: https://doi.org/10.17586/2226-1494-2022-22-2-317-323
https://doaj.org/article/f051dd24f4904ffc8537aa7744046124

View record from BASE

9

Academic Journal

Brain MRT image super resolution using discrete cosine transform and convolutional neural network

Συγγραφείς: P. Singh, D. Ganotra

Πηγή: Научно-технический вестник информационных технологий, механики и оптики, Vol 23, Iss 4, Pp 734-742 (2024)

Θεματικοί όροι: высокое разрешение, низкое разрешение, дискретное косинусное преобразование, повышение разрешения, среднеквадратическая ошибка, psnr, сверточная нейронная сеть, Information technology, T58.5-58.64

Relation: https://ntv.elpub.ru/jour/article/view/203; https://doaj.org/toc/2226-1494; https://doaj.org/toc/2500-0373; https://doaj.org/article/8eee212899ff4f82b9b4bc0e365622de

Διαθεσιμότητα: https://doi.org/10.17586/2226-1494-2023-23-4-734-742
https://doaj.org/article/8eee212899ff4f82b9b4bc0e365622de

View record from BASE

10

Academic Journal

IT-продукт для оценивания паспорта особо охраняемой природной территории ; IT-produkt dlia otsenivaniia pasporta osobo okhraniaemoi prirodnoi territorii

Συγγραφείς: Фролов Даниил Анатольевич, ФГБОУ ВО «Ульяновский государственный педагогический университет им. И.Н. Ульянова», Daniil A. Frolov, Ulyanovsk State Pedagogical University named after I. N. Ulyanov

Πηγή: "The relevant problems of biological diversity"; 47-57 ; Актуальные проблемы биоразнообразия; 47-57

Θεματικοί όροι: редкие виды растений, особо охраняемые природные территории, охраняемые виды растений, сверточная нейронная сеть, экологический паспорт

Περιγραφή αρχείου: text/html

Relation: info:eu-repo/semantics/altIdentifier/isbn/978-5-907830-16-5; https://phsreda.com/e-articles/10586/Action10586-110489.pdf; Федеральный закон от 14.03.1995 г. №33-ФЗ (с изменениями от 30.12.2001 г.) «Об особо охраняемых природных территориях».; Галиновская Е.А. Комментарий к Федеральному закону «Об особо охраняемых природных территориях» (постатейный): учебное пособие / Е.А. Галиновская, Н.В. Кичигин, М.В. Пономарев. – М.: Юстицинформ, 2006. – 184 с.; Истомина Е.Ю. Конспект флоры бассейна реки Инзы: учебное пособие / Е.Ю. Истомина, Т.Б. Силаева. – Ульяновск: УлГПУ, 2013. – 160 с.; Красная книга Республики Татарстан (животные, растения, грибы): учебник / под ред. А.И. Щеповских. – Казань: Идель-Пресс, 2006. – 832 с.; Красная книга Российской Федерации (растения и грибы) / Т.И. Варлыгина, Р.В. Камелин, К.В. Киселева [и др.]. – М., 2008.; Красная книга Ульяновской области: учебник / под науч. ред. Е.А. Артемьевой, О.В. Бородина, М.А. Королькова, Н.С. Ракова. – Ульяновск: Артишок, 2008. – 508 с.; Кревер В.Г. Особо охраняемые природные территории России: современное состояние и перспективы развития: учебное пособие / В.Г. Кревер, М.С. Стишов, И.А. Онуфреня. – М.: Орбис-пиктус, 2009. – 458 с. EDN TDZTDZ; Особо охраняемые природные территории Ульяновской области: учебник / под ред. В.В. Благовещенского. – Ульяновск: Дом печати, 1997. – 184 с.; Павлов Д.С. Информационные системы и WEB-Порталы по разнообразию видов и экосистем: учебное пособие / Д.С. Павлов, Ю.Ю. Дгебуадзе, В.Г. Петросян. – М.: Т-во научных изданий КМК, 2006. – 261 с.; Стишов М.С. Методика оценки природоохранной эффективности особо охраняемых природных территорий и их региональных систем: учебное пособие / М.С. Стишов. – М.: WWF России, 2012. – 284 с. EDN UYQXUB; Фролов Д.А. Конспект флоры бассейна реки Свияги: учебное пособие / Д.А. Фролов, А.В. Масленников. – Ульяновск: УлГПУ, 2010. – 144 с. EDN TUKWDP; Шестаков А.С. Охраняемые природные территории в России: правовое регулирование. Аналитический обзор федерального законодательства: учебное пособие / А.С. Шестаков. – М.: КМК, 2003. – 352 с.; Шмаков А.И. Формирование баз данных по биоразнообразию – опыт, проблемы, решения: учебное пособие / А.И. Шмаков, С.В. Смирнов, Р.В. Яковлев. – Барнаул: ARТИКА, 2009. – 284 с. EDN QKTZQD; Истомина Е.Ю. Перспективы развития системы ООПТ и ТОПЗ на территории бассейна реки Инзы / Е.Ю. Истомина // Трешниковские чтения 2016: Фундаментальные прикладные проблемы поверхностных вод суши: мат-лы всерос. науч.-практ. конф. с междунар. участ. – Ульяновск: ФГБОУ ВПО «УлГПУ им. И.Н. Ульянова», 2016. – С. 97–98. EDN VWYAMF; Истомина Е.Ю. Рекомендации по расширению сети особо охраняемых природных территорий бассейна реки Инзы / Е.Ю. Истомина // INTERNATIONAL RESEARCH JOURNAL. – 2016. – №3 (45). – С. 19–21. DOI 10.18454/IRJ.2016.45.146. EDN VOWXSL; Истомина Е.Ю. Ценные ботанические объекты и перспективы развития системы ООПТ в бассейне р. Инзы / Е.Ю. Истомина // Природа Симбирского Поволжья: сб. научно-практич. конф. «Естественнонаучные исследования в Симбирском-Ульяновском крае». – Ульяновск: УлГПУ, 2010. – С. 50–54. EDN HQDMET; Казанцев И.В. Фитосозоологический рейтинг памятников природы регионального значения / И.В. Казанцев, С.В. Саксонов // Известия Самарского научного центра Российской академии наук. – 2015. – №4 (1). – С. 45–55. EDN VHPHNB; Фролов Д.А. Редкие и подлежащие охране виды флоры бассейна реки Свияги / Д.А. Фролов // Естественные и технические науки. – 2010. – №1. – С. 82–84. EDN LRHNNX; Фролов Д.А. Современное состояние и проблемы сохранения биоразнообразия в системе особо охраняемых природных территорий бассейна реки Свияги / Д.А. Фролов // Изучение и охрана флоры Средней России: материалы VII науч. совещ. по флоре Средней России. – М.: Изд. Ботанического сада МГУ, 2011. – С. 174–177.; Шашков М.П. Российские данные в глобальной информационной системе по биоразнообразию – GBIF / М.П. Шашков, Н.В. Иванова // Использование современных информационных технологий в ботанических исследованиях: международная научно-практическая конференция. – Мурманск: Кольский научный центр Российской академии наук (Апатиты), 2017. – С. 132–133. EDN YLGPSZ; О государственном реестре особо охраняемых природных территорий республики Татарстан // Инвестиционный портал Республики Татарстан [Электронный ресурс]. – Режим доступа: http://www.aidrt.ru/HtmlView.aspx?ItemId=66 (дата обращения: 12.03.2024).; Особо охраняемые природные территории России и задачи их статистической оценки. – М.: МГУ, 2001 [Электронный ресурс]. – Режим доступа: https://istina.msu.ru/publications/article/3034273/ (дата обращения: 12.03.2024).; Особо охраняемые природные территории Ульяновской области. – Ульяновск, 2022 [Электронный ресурс]. – Режим доступа: http://www.mpr73.ru (дата обращения: 12.03.2024).; Современная система ООПТ России [Электронный ресурс]. – Режим доступа: http://www.wwf.ru/about/what_we_do/reserves/info/statistics (дата обращения: 12.03.2024).; United Nations List of Protected Areas / United Nations Environment Programme [Electronic resource]. – Access mode: http://unepwcmc.org/system/dataset_file_fields/files/000/000/263/original/2014_UN_List_of_Protected_Areas_EN_web.PDF?1415613322 (дата обращения: 12.03.2024).; https://phsreda.com/article/110489/discussion_platform

Διαθεσιμότητα: https://phsreda.com/article/110489/discussion_platform
https://phsreda.com/files/Books/10586/Cover-10586.jpg?req=110489

View record from BASE

11

Academic Journal

Control of the Safety of Bulk Cargo by Determining the Unfilled Volume of the Gondola Car with Stereophotogrammetry ; Контроль сохранности навалочных и насыпных грузов путём определения незаполненного объёма полувагона методом стереофотограмметрии

Συγγραφείς: M. I. Malyshev, М. И. Малышев

Πηγή: World of Transport and Transportation; Том 21, № 5 (2023); 135-141 ; Мир транспорта; Том 21, № 5 (2023); 135-141 ; 1992-3252

Θεματικοί όροι: интеллектуальные транспортные системы, cargo safety control, unfilled volume of a gondola car, relief of the cargo surface, convolutional neural network, photogrammetry, stereophotogrammetry, digitalisation of railway transport, intelligent transport systems, контроль сохранности грузов, незаполненный объём полувагона, рельеф поверхности груза, свёрточная нейронная сеть, фотограмметрия, стереофотограмметрия, цифровизация железнодорожного транспорта

Περιγραφή αρχείου: application/pdf

Relation: https://mirtr.elpub.ru/jour/article/view/2571/4352; https://mirtr.elpub.ru/jour/article/view/2571/4353; Смехов А. А., Малов А. Д., Островский А. М. и др. Грузоведение, сохранность и крепление грузов / Под ред. А. А. Смехова. – М.: Транспорт, 1989. – 247 с. ISBN 5-277- 00365-7.; Малышев М. И. Использование возможностей искусственного интеллекта для выявления повреждённых грузов по внешнему виду упаковки при выполнении логистических операций // Мир транспорта. – 2022. – Т. 20. – № 4 (101). – С. 61–72. DOI:10.30932/1992-3252-2022-20-4-5.; Zhou Yun, Yilin Pei, Ziwei Li, Liang Fang, Yu Zhao, Weijian Yi. Vehicle weight identification system for spatiotemporal load distribution on bridges based on noncontact machine vision technology and deep learning algorithms. Measurement, 2020, Vol. 159, 107801. DOI:10.1016/j.measurement.2020.107801.; Баукин В. Г. Источники правового регулирования деятельности железнодорожного транспорта // Известия высших учебных заведений. Правоведение. – 2004. – № 2 (253). – С. 76–90. EDN: TKSREB.; Чепурченко И. В., Носырев Д. Я., Коркина С. В. Использование теории оптимального проектирования для усовершенствования конструкции кузова глуходонного полувагона // Вестник транспорта Поволжья. – 2018. – № 3 (69). – С. 28–32. EDN: YASFVR.; Pintão, B., Mosleh, A., Vale, C., Montenegro, P. A., Costa, P. A. Development and Validation of a Weigh-inMotion Methodology for Railway Tracks. Sensors, 2022, Vol. 22, 1976. DOI:10.3390/s22051976.; Запускалов В. Г., Редькин В. И., Егиазарян А. В. [и др.] Патент № 2066282 C1 Российская Федерация, МПК B61K 9/02. устройство для контроля негабаритности груза подвижного состава: № 95113376/11: заявл. 28.07.1995: опубл. 10.09.1996 / заявитель Забайкальская железная дорога. [Электронный ресурс]: https://yandex.ru/patents/doc/RU2066282C1_19960910. Доступ 04.09.2023.; Бородин К. Роснефть внедряет тепловизионный мониторинг для увеличения загрузки цистерн с темными нефтепродуктами // Энергоньюс. – 2014. [Электронный ресурс]: http://energo-news.ru/archives/120823. Доступ 04.09.2023. 9. Dhital, D., Lee, J. R. A fully non-contact ultrasonic propagation imaging system for closed surface crack evaluation. Experimental mechanics, 2012, Vol. 52, pp. 1111–1122. DOI:10.1007/s11340-011-9567-z.; Шилов И. Г. Система лазерного 3D измерения и расчёта объёма насыпного груза в периметре кузова самосвала LaseTVM // Золото и технологии. – 2017. – № 4 (38). – С. 56–57. EDN: YBMEDR.; Aguilar, M. A., Aguilar, F. J., Negreiros, J. Off-theshelf laser scanning and close-range digital photogrammetry for measuring agricultural soils microrelief. Biosystems engineering, 2009, Vol. 103, Iss. 4, pp. 504–517. DOI:10.1016/j.biosystemseng.2009.02.010.; Bernardini, F., Rushmeier, H. The 3D Model Acquisition Pipeline. Computer Graphics Forum. Oxford, UK: Blackwell Publishers Ltd, 2002, Vol. 21, Iss. 2, pp. 149– 172. DOI:10.1111/1467-8659.00574.; Грушин С. П., Сосновский И. А. Фотограмметрия в археологии-методика и перспективы // Теория и практика археологических исследований. – 2018. – № 1 (21). – С. 99–105. EDN: YSDASI.; Волотовский С. Г., Казанский Н. Л., Попов С. Б., Хмелев Р. В. Система технического зрения для распознавания номеров железнодорожных цистерн с использованием модифицированного коррелятора в метрике Хаусдорфа // Компьютерная оптика. – 2005. – № 27. – С. 177– 184. EDN: HYQGBZ.; Михайлов А. П., Чибуничев А.Г.Фотограмметрия: Учебник / Под общ. ред. А. Г. Чибуничева. – М.: Изд-во МИИГаик, 2016. – 294 с. ISBN 978-5-91188-070-5.; Лёвин Б. А., Цветков В. Я. Информационные процессы в пространстве «больших данных» // Мир транспорта. – 2017. – Т. 15. – № 6 (73). – С. 20–30. EDN: YTBSCH.; Левин Б. А., Цветков В. Я. Цифровая железная дорога: принципы и технологии // Мир транспорта. – 2018. – Т. 16. – № 3 (76). – С. 50–61. EDN: XVYKXJ.; Малышев М. Управление распространением цифровых информационных технологий в транспортных системах // Логистика. – 2023. – № 1 (193). – С. 35–40. DOI:10.54959/22197222_2023_01_35.; Лапидус Б. М. О влиянии цифровизации и Индустрии 4.0 на перспективы развития железнодорожного транспорта // Бюллетень Объединенного ученого совета ОАО РЖД. – 2018. – № 1. – С. 1–8. EDN: YSLAKR.; https://mirtr.elpub.ru/jour/article/view/2571

Διαθεσιμότητα: https://mirtr.elpub.ru/jour/article/view/2571
https://doi.org/10.30932/1992-3252-2023-21-5-15

View record from BASE

12

Academic Journal

Experience of applying convolutional neural network for binary classifcation of microphotographs of thyroid cytology specimens ; Опыт применения сверточной нейронной сети для бинарной классификации микрофотографий цитологических препаратов щитовидной железы

Συγγραφείς: M. V. Solopov, A. S. Kavelina, A. G. Popandopulo, V. V. Turchyn, S. A. Pashchenko, K. M. Bagdasarov, М. В. Солопов, А. С. Кавелина, А. Г. Попандопуло, В. В. Турчин, С. А. Пащенко, К. М. Багдасаров

Πηγή: Siberian journal of oncology; Том 23, № 5 (2024); 5-16 ; Сибирский онкологический журнал; Том 23, № 5 (2024); 5-16 ; 2312-3168 ; 1814-4861

Θεματικοί όροι: цитодиагностика, papillary carcinoma, thyroid nodule, convolutional neural network, artificial intelligence, fine-needle aspiration biopsy, cytodiagnosis, папиллярный рак, узловое образование, сверточная нейронная сеть, искусственный интеллект, тонкоигольная аспирационная пункционная биопсия

Περιγραφή αρχείου: application/pdf

Relation: https://www.siboncoj.ru/jour/article/view/3261/1265; Tran N.Q., Le B.H., Hoang C.K., Nguyen H.T., Thai T.T. Prevalence of thyroid nodules and associated clinical characteristics: fndings from a large sample of people undergoing health checkups at a university hospital in Vietnam. Risk Manag Healthc Policy. 2023; 16: 899–907. doi:10.2147/RMHP.S410964.; Bongiovanni M., Spitale A., Faquin W.C., Mazzucchelli L., Baloch Z.W. The Bethesda system for reporting thyroid cytopathology: a meta-analysis. Acta Cytol. 2012; 56(4): 333–39. doi:10.1159/000339959.; Kezlarian B., Lin O. Artifcial intelligence in thyroid fne needle aspiration biopsies. Acta Cytol. 2021; 65(4): 324–29. doi:10.1159/000512097.; Habchi Y., Himeur Y., Kheddar H., Boukabou A., Atalla S., Chouchane, A., Ouamane A., Mansoor W. AI in thyroid cancer diagnosis: techniques, trends, and future directions. Systems. 2023; 11(10): 519. doi:10.3390/systems11100519.; Litjens G., Kooi T., Bejnordi B.E., Setio A.A.A., Ciompi F., Ghafoorian M., van der Laak J.A.W.M., van Ginneken B., Sánchez C.I. A survey on deep learning in medical image analysis. Med Im- age Anal. 2017; 42: 60–88. doi:10.1016/J.MEDIA.2017.07.005.; Slabaugh G., Beltran L., Rizvi H., Deloukas P., Marouli E. Applications of machine and deep learning to thyroid cytology and histopathology: a review. Front Oncol. 2023; 13. doi:10.3389/FONC.2023.958310.; Wong C.M., Kezlarian B.E., Lin O. Current status of machine learning in thyroid cytopathology. J Pathol Inform. 2023; 14. doi:10.1016/J.JPI.2023.100309.; Sanyal P., Mukherjee T., Barui S., Das A., Gangopadhyay P. Artifcial intelligence in cytopathology: a neural network to iden tify papillary carcinoma on thyroid fne-needle aspiration cytology smears. J Pathol Inform. 2018; 9. doi:10.4103/JPI.JPI_43_18.; Guan Q., Wang Y., Ping B., Li D., Du J., Qin Y., Lu H., Wan X., Xiang J. Deep convolutional neural network VGG-16 model for diferential diagnosing of papillary thyroid carcinomas in cytological images: a pilot study. J Cancer. 2019; 10(20): 4876–82. doi:10.7150/JCA.28769.; Dov D., Kovalsky S.Z., Assaad S., Cohen J., Range D.E., Pendse A.A., Henao R., Carin L. Weakly supervised instance learning for thyroid malignancy prediction from whole slide cytopathology images. Med Image Anal. 2021; 67. doi:10.1016/J.MEDIA.2020.101814.; Dov D., Elliott Range D., Cohen J., Bell J., Rocke D.J., Kahmke R.R., Weiss-Meilik A., Lee W.T., Henao R., Carin L., Kovalsky S.Z. Deep-learning-based screening and ancillary testing for thyroid cytopathology. Am J Pathol. 2023; 193(9): 1185–94. doi:10.1016/J.AJPATH.2023.05.011.; Dov D., Kovalsky S.Z., Cohen J., Range D.E., Henao R., Carin L. Thyroid cancer malignancy prediction from whole slide cytopathology images. Proc Mach Learn Res. 2019; 106: 553–70.; Elliott Range D.D., Dov D., Kovalsky S.Z., Henao R., Carin L., Cohen J. Application of a machine learning algorithm to predict malignancy in thyroid cytopathology. Cancer Cytopathol. 2020; 128(4): 287–95. doi:10.1002/CNCY.22238.; Duan W., Gao L., Liu J., Li C., Jiang P., Wang L., Chen H., Sun X., Cao D., Pang B., Li R., Liu S. Computer-assisted fneneedle aspiration cytology of thyroid using two-stage refned convolutional neural network. Electronics. 2022; 11(24). doi:10.3390/ELECTRONICS11244089.; Alabrak M.M.A., Megahed M., Alkhouly A.A., Mohammed A., Elfandy H., Tahoun N., Ismail H.A.R. Artificial intelligence role in subclassifying cytology of thyroid follicular neoplasm. Asian Pac J Cancer Prev. 2023; 24(4): 1379–87. doi:10.31557/APJCP.2023.24.4.1379.; Hirokawa M., Niioka H., Suzuki A., Abe M., Arai Y., Nagahara H., Miyauchi A., Akamizu T. Application of deep learning as an ancillary diagnostic tool for thyroid FNA cytology. Cancer Cytopathol. 2023; 131(4): 217–25. doi:10.1002/CNCY.22669.; Duc N.T., Lee Y.M., Park J.H., Lee B. An ensemble deep learning for automatic prediction of papillary thyroid carcinoma using fne needle aspiration cytology. Expert Syst Appl. 2022; 188(4). doi:10.1016/j.eswa.2021.115927.; Ali S.Z., Baloch Z.W., Cochand-Priollet B., Schmitt F.C., Vielh P., Vanderlaan P.A. The 2023 Bethesda system for reporting thyroid cytopathology. Thyroid. 2023; 33(9): 1039–44. doi:10.1089/THY.2023.0141.; https://www.siboncoj.ru/jour/article/view/3261

Διαθεσιμότητα: https://www.siboncoj.ru/jour/article/view/3261
https://doi.org/10.21294/1814-4861-2024-23-5-5-16

View record from BASE

13

Academic Journal

Segmentation of dermatoscopic images of skin lesions. Comparison of methods ; Сегментация дерматоскопических изображений новообразований кожи. Сравнение методик

Συγγραφείς: A. F. Smalyuk, M. S. Dzeshka, I. D. Kupchykava, А. Ф. Смалюк, М. С. Дешко, И. Д. Купчикова

Πηγή: «System analysis and applied information science»; № 1 (2024); 50-58 ; Системный анализ и прикладная информатика; № 1 (2024); 50-58 ; 2414-0481 ; 2309-4923 ; 10.21122/2309-4923-2024-1

Θεματικοί όροι: механизм внимания, skin lesion, dermatoscope, segmentation, Otsu method, thresholding, convolutional neural network, attention mechanism, новообразование кожи, дерматоскоп, сегментация, метод Оцу, пороговая обработка, сверточная нейронная сеть

Περιγραφή αρχείου: application/pdf

Relation: https://sapi.bntu.by/jour/article/view/660/495; Жуковец А.Г., Океанов А.Е., Моисеев П.И. Прокошин А.В. Меланома кожи в Республике Беларусь: эпидемиология, диагностика и результаты лечения // Онкологический журнал. – 2017. – Т. 11, № 1. – С. 35-46.; Rigel DS, Russak J, Friedman R. The evolution of melanoma diagnosis: 25 years beyond the ABCDs. CA Cancer J Clin. 2010 Sep-Oct;60(5):301-16.; Duarte AF, Sousa-Pinto B, Azevedo LF, Barros AM, Puig S, Malvehy J, Haneke E, Correia O. Clinical ABCDE rule for early melanoma detection. Eur J Dermatol. 2021 Dec 1;31(6):771-778.; Mabrouk MS, Sayed AY, Afifi HM, Sheha MA, Sharwy A. Fully Automated Approach for Early Detection of Pigmented Skin Lesion Diagnosis Using ABCD. J Healthc Inform Res. 2020 Mar 3;4(2):151-173.; Core Java: Fundamentals, Volume 1 (Oracle Press Java) / Cay Horstmann. – Oracle Press, 2021. – 944 p.; N. Otsu. A threshold selection method from gray-level histograms (англ.) // IEEE Trans. Sys., Man., Cyber.: journal. – 1979. – Vol. 9. – P. 62-66.; Ronneberger, Olaf & Fischer, Philipp & Brox, Thomas. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. LNCS. 9351. 234-241.; Шолле Франсуа. Глубокое обучение на Python. 2-е межд. издание. СПб. : Питер, 2023. – 576 с.; Oktay, Ozan et al. “Attention U-Net: Learning Where to Look for the Pancreas.” ArXiv abs/1804.03999 (2018): n. pag; https://sapi.bntu.by/jour/article/view/660

Διαθεσιμότητα: https://sapi.bntu.by/jour/article/view/660
https://doi.org/10.21122/2309-4923-2024-1-50-58

View record from BASE

14

Academic Journal

Criteria of iceberg hazard in the seas of the Russian Federation Arctic zone ; Критерии айсберговой опасности в морях Арктической зоны Российской Федерации

Συγγραφείς: I. A. Bychkova, K. G. Kortikova, V. G. Smirnov, И. А. Бычкова, К. Г. Кортикова, В. Г. Смирнов

Συνεισφορές: The work under this project is supported by the Russian Science Foundation through the Project № 23-27-00122, Исследование выполнено при финансовой поддержке Российского научного фонда (грант № 23-27-00122)

Πηγή: Arctic and Antarctic Research; Том 70, № 2 (2024); 238-252 ; Проблемы Арктики и Антарктики; Том 70, № 2 (2024); 238-252 ; 2618-6713 ; 0555-2648

Θεματικοί όροι: спутниковый мониторинг, convolutional neural network, degree of iceberg hazard, satellite monitoring, visible spectral range, арктические моря, видимый диапазон, сверточная нейронная сеть

Περιγραφή αρχείου: application/pdf

Relation: https://www.aaresearch.science/jour/article/view/615/289; Абрамов В.М., Карлин Л.Н., Овсянников А.А. О структуре айсберговой опасности в окрестности Штокмановского газоконденсатного месторождения. Ученые записки РГГМУ. 2008;8:98–109.; Онищенко Д.А. Вероятностные аспекты оценки ледовых нагрузок и воздействий на объекты обустройства морских месторождений на примере айсберговой угрозы. ROGTEC. Российские нефтегазовые технологии. 2014;37:80–88.; Онищенко Д.А., Сафонов В.С. О необходимости учета айсберговой опасности при обосновании концепции освоения арктических месторождений углеводородов. Вести газовой науки. 2017;1(29):100–118.; Бузин И.В., Глазовский А.Ф., Гудошников Ю.П., Данилов А.И., Дмитриев Н.Е., Зубакин Г.К., Кубышкин Н.В., Наумов А.К., Нестеров А.В., Скутин А.А., Скутина Е.А., Шибакин С.И. Айсберги и ледники Баренцева моря: Исследования последних лет. Часть 1. Основные продуцирующие ледники, распространение и морфометрические особенности айсбергов. Проблемы Арктики и Антарктики. 2008;1(78):66–79.; Бузин И.В., Глазовский А.Ф., Май Р.И., Миронов Е.У., Нестеров А.В., Наумов А.К., Гудошников Ю.П. Исследование динамики и морфометрии ледников и айсбергов и прикладное использование полученных результатов при освоении углеводородных месторождений на континентальном шельфе Российской Арктики. Вестник РФФИ. 2020;107–108(3–4):21–37. https://doi.org/10.22204/2410-4639-2020-106-107-3-4-21-37; May R.I., Guzenko R.B., Mironov Y.U., Naumov A.K., Skutin A.A., Skutina E.A., Sobotuk D.I., Zamarin G.A., Kornishin K.A., Efimov Ya.O., Mamedov T.E. Morphometry and mass of icebergs in the Russian Arctic seas. IJOPE. 2019;29(4):375–382. https://doi.org/10.17736/ijope.2019.jc770; Tiugaleva A., Guzenko R., Klyachkin S., May R. Method of iceberg hazard estimation in the Kara Sea, based on realizations of the numerical model. In Proc. 19 th Int. Multidisc. Sci. GeoConf. “SGEM 2019”. Bulgaria, Albena, 30 June — 6 July, 2019. Bulgaria, Sofia; 2019. P. 977–984. https://doi.org/10.5593/sgem2019/1.2/S06.124; Bigg G.R., Cropper T.E., O’Neill C.K., Arnold A.K., Fleming A.H., Marsh R., Ivchenko V., Fournier N., Osborne M., Stephens R. A model for assessing iceberg hazard. Nat Hazards. 2018;92:1113–1136. https://doi.org/10.1007/s11069-018-3243-x; Бычкова И.А., Платонова Е.В., Смирнов В.Г. Особенности совместного использования спутниковых данных видимого диапазона и радиолокационных данных для мониторинга арктических айсбергов на примере района Земли Франца-Иосифа. Проблемы Арктики и Антарктики. 2023;69(2):191–205. https://doi.org/10.30758/0555-2648-2023-69-2-191-205; Lee T.K., Park H.-J. Review of ice characteristics in ship-iceberg collisions. Journal of Ocean Engineering and Technology. 2021;35(5):369–381. https://doi.org/10.26748/KSOE.2021.060; Миронов Е.У. (ред.) Опасные ледовые явления для судоходства в Арктике. СПб.: Изд-во ААНИИ; 2010. 319 с.; Бузин И.В., Миронов Е.У., Сухих Н.А., Павлов В.А., Корнишин К.А., Ефимов Я.О. Исследования дрейфа ледяных образований на шельфе Российской Арктики с помощью автоматических радиомаяков спутниковой системы ARGOS. Научно-технический вестник ОАО «НК “Роснефть”». 2016;45(4):4–9.; Buzin I.V., Nesterov A.V., Gudoshnikov Yu.P., Pashali A.A., Kornishin K.A., Efimov Ya.O., Stragnikov D.S. The preliminary results of iceberg drift studies in the Russian Arctic throughout 2012–2017. IJOPE. 2019;29(4):391–399. https://doi.org/10.17736/ijope.2019.jc772; Бузин И.В., Нестеров А.В. Ледовые нагрузки: отследить и предупредить. Neftegaz.RU. 2018;73(1):16–23. URL: https://magazine.neftegaz.ru/articles/arktika/512776-ledovye-nagruzkiotsledit-i-predupredit; Бычкова И.А., Смирнов В.Г. Изучение дрейфа айсбергов у побережья Северной Земли весной 2018 г. с помощью спутниковой информации. Лед и снег. 2019;59(3):377–387. https://doi.org/10.15356/2076-6734-2019-3-411; Смирнов В.Г., Бычкова И.А. Спутниковый мониторинг ледяных образований при обеспечении безопасности работ на шельфе арктических морей. Исследование Земли из космоса. 2015;4:79-87. https://doi.org/10.7868/S0205961415040107; Миронов Е.У., Смирнов В.Г., Бычкова И.А., Кулаков М.Ю., Демчев Д.М. Новые технологии обнаружения айсбергов и прогнозирования их дрейфа в западном секторе Арктики. Проблемы Арктики и Антарктики. 2015;104(2):21–32.; https://www.aaresearch.science/jour/article/view/615

Διαθεσιμότητα: https://www.aaresearch.science/jour/article/view/615
https://doi.org/10.30758/0555-2648-2024-70-2-238-252

View record from BASE

15

Academic Journal

Сегментация перекрывающихся изображений деревьев на цифровых снимках лесных массивов

Συγγραφείς: Igor V. Petukhov, Konstantin O. Ivanov, Dmitry M. Vorozhtsov, Alexey A. Rozhentsov, Nataliya I. Rozhentsova, Ludmila A. Steshina

Πηγή: Лесной журнал, Iss 1, Pp 126-140 (2024)

Θεματικοί όροι: глубокое обучение, искусственный интеллект, сверточная нейронная сеть, сегментация перекрывающихся объектов, система поддержки принятия решений для операторов лесосечных машин, Forestry, SD1-669.5

Relation: https://journals.narfu.ru/index.php/fj/article/view/1779; https://doaj.org/toc/0536-1036; https://doaj.org/article/a6458bd2570f4186af4b97308d07747c

Διαθεσιμότητα: https://doi.org/10.37482/0536-1036-2024-1-126-140
https://doaj.org/article/a6458bd2570f4186af4b97308d07747c

View record from BASE

16

Conference

Модель сверточной нейронной сети для детектирования объектов воздушного пространства на изображениях

Συγγραφείς: Клековкин, В. А.

Θεματικοί όροι: воздушное пространство, летающие объекты, подвижные объекты, сверточная нейронная сеть, модификация, детектирование, летательные аппараты, мониторинг, изображения, труды учёных ТПУ, электронный ресурс

Περιγραφή αρχείου: application/pdf

Relation: Молодежь и современные информационные технологии : сборник трудов XX Международной научно-практической конференции студентов, аспирантов и молодых учёных, 20-22 марта 2023 г., г. Томск; http://earchive.tpu.ru/handle/11683/78056

Διαθεσιμότητα: http://earchive.tpu.ru/handle/11683/78056

View record from BASE

17

Academic Journal

CHOOSING A NEURAL NETWORK ARCHITECTURE FOR A VEHICLE AUTOPILOT

Πηγή: Bulletin of the National Technical University "KhPI". Series: Mathematical modeling in engineering and technologies; No. 1 (2022): Bulletin of the National Technical University "KhPI". Series: Mathematical modeling in engineering and technologies; 55-61
Вестник Национального технического университета "ХПИ". Серия: Математическое моделирование в технике и технологиях; № 1 (2022): Вестник Национального технического университета "ХПИ". Серия: Математическое моделирование в технике и технологиях; 55-61
Вісник Національного технічного університету «ХПІ». Серія: Математичне моделювання в техніці та технологіях; № 1 (2022): Вісник Національного технічного університету «ХПІ». Серія: Математичне моделювання в техніці та технологіях; 55-61

Θεματικοί όροι: распознавание изображений, задача автокермування, свёрточная нейронная сеть, autopilot, згорткова нейронна мережа, automatic control, neural network, автопилот, задача автовождения, convolutional neural network, автопілот, нейронная сеть, image recognition, автоматичне керування, розпізнавання зображень, автоматическое управление, нейронна мережа, auto driving task

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: http://mmtt.khpi.edu.ua/article/view/277119

View record at OpenAIRE

18

Academic Journal

DETECTION OF OBJECTS ON THE GROUND BY INTELLIGENT ROBOTS IN A RAPIDLY CHANGING ENVIRONMENT

Συγγραφείς: Nikitina, A.A., Ulanov, S.I.

Θεματικοί όροι: GPS data, редукция данны, data reductio, GPS-данные, самообучающаяся свёрточная нейронная сеть, self-learning convolutional neural network, FPGA, ПЛИС

19

Academic Journal

Artificial intelligence system for classifying complex structure documents ; Система искусственного интеллекта для классификации документов сложной структуры

Συγγραφείς: Бутенко, Е. А., Задорожный, А. М., Любовинкина, Н. Я., Потемкина, С. В.

Πηγή: System Analysis in Science and Education = Sistemnyj analiz v nauke i obrazovanii; No. 1 (2023); 7-12 ; Системный анализ в науке и образовании; № 1 (2023); 7-12 ; 2071-9612

Θεματικοί όροι: система искусственного интеллекта, сегментация документа, сверточная нейронная сеть глубокого обучения, электронный документооборот, artificial intelligence system, document segmentation, deep learning convolutional neural network, electronic document management

Περιγραφή αρχείου: application/pdf

Relation: https://sanse.ru/index.php/sanse/article/view/567/517; https://sanse.ru/index.php/sanse/article/view/567

Διαθεσιμότητα: https://sanse.ru/index.php/sanse/article/view/567

View record from BASE

20

Academic Journal

Recognition of fabric composition of clothing in an image in e-commerce using neural networks ; Распознавание состава ткани предметов одежды на изображении в сфере электронной коммерции с использованием нейронных сетей

Συγγραφείς: V. V. Sorokina, В. В. Сорокина

Πηγή: Informatics; Том 20, № 3 (2023); 37-49 ; Информатика; Том 20, № 3 (2023); 37-49 ; 2617-6963 ; 1816-0301

Θεματικοί όροι: модель внимания, generative adversarial network, convolutional neural network, e-commerce, image synthesis, attention model, генеративно-состязательная сеть, сверточная нейронная сеть, электронная коммерция, синтез изображений

Περιγραφή αρχείου: application/pdf

Relation: https://inf.grid.by/jour/article/view/1243/1059; https://inf.grid.by/jour/article/downloadSuppFile/1243/252; https://inf.grid.by/jour/article/downloadSuppFile/1243/253; https://inf.grid.by/jour/article/downloadSuppFile/1243/254; https://inf.grid.by/jour/article/downloadSuppFile/1243/255; https://inf.grid.by/jour/article/downloadSuppFile/1243/256; https://inf.grid.by/jour/article/downloadSuppFile/1243/257; https://inf.grid.by/jour/article/downloadSuppFile/1243/258; https://inf.grid.by/jour/article/downloadSuppFile/1243/259; https://inf.grid.by/jour/article/downloadSuppFile/1243/261; https://inf.grid.by/jour/article/downloadSuppFile/1243/262; Сорокина, В. В. Выделение отдельных участков тела человека на изображении с использованием нейронных сетей и модели внимания / В. В. Сорокина, С. В. Абламейко // Журнал Бел. гос. ун-та. Математика. Информатика. - 2022. - № 2. - С. 94-106.; Ronneberger, O. U-Net: convolutional networks for biomedical image segmentation / O. Ronnenberger, P. Fischer, T. Brox // 18th Intern. Conf. on Medical Image Computing and Computer-Assisted Intervention, MICCAI 2015, Munich, Germany, 5-9 Oct. 2015. - Munich, 2015. - Part III. - Р. 234-241. https://doi.org/10.1007/978-3-319-24574-4_28; Suciati, N. Fractal-based texture and HSV color features for fabric image retrieval / N. Suciati, D. Herumurti, A. Y. Wijaya // 5th IEEE Intern. Conf. on Control System, Computing and Engineering, ICCSCE 2015, Batu Ferringhi, Penang, Malaysia, 27-29 Nov. 2015. - Batu Ferringhi, 2015. - Р. 178-182.; A new method of printed fabric image retrieval based on color moments and gist feature description / J. Jing [et al.] // Textile Research J. - 2016. - Vol. 86, iss. 11. - Р. 1137-1150. https://doi.org/10.1177/0040517515606378; SKL algorithm based fabric image matching and retrieval / Y. Cao [et al.] // Ninth Intern. Conf. on Digital Image Processing (ICDIP 2017), Hong Kong, China, 19-22 May 2017. - Hong Kong, 2017. - Vol. 10420. - Р. 104201F.; Wang, X. Fabric identification using convolutional neural network / X. Wang, G. Wu, Y. Zhong // Artificial Intelligence on Fashion and Textiles : Proceedings of the Artificial Intelligence on Fashion and Textiles (AIFT) Conf. 2018, Hong Kong, 3-6 July 2018. - Hong Kong, 2018. - Р. 93-100. https://doi.org/10.1007/978-3-319-99695-0_12; Sorokina, V. Neural network training acceleration by weight standardization in segmentation of electronic commerce images / V. Sorokina, S. Ablameyko // Studies in Computational Intelligence. - 2020. - Vol. 976. - P. 237-244.; Fine-grained material classification using micro-geometry and reflectance / C. Kampouris [et al.] // 14th European Conf. on Computer Vision, Amsterdam, the Netherlands, 11-14 Oct. 2016. - Amsterdam, 2016. - Part V. - Р. 778-792.; Image-to-image translation with conditional adversarial networks / P. Isola [et al.] // 2017 IEEE Conf. on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 21-26 July 2017. - Honolulu, 2017. - Р. 1125-1134.; Simonyan, K. Very deep convolutional networks for large-scale image recognition / K. Simonyan, A. Zisserman // Intern. Conf. on Learning Representations, San Diego, 7-9 May 2015. - San Diego, 2015. - P. 1137-1149.; Bahdanau, D. Neural machine translation by jointly learning to align and translate / D. Bahdanau, K. Cho, Y. Bengio // 3rd Intern. Conf, on Learning Representations, ICLR 2015, San Diego, CA, USA, 7 -9 May 2015. - San Diego, 2015.; Sorokina, V. Extraction of human body parts from the image using convolutional neural network and attention mode / V. Sorokina, S. Ablameyko // Proc. of 15th Intern. Conf. "Pattern Recognition and Information Processing". - Minsk : UIIP NASB, 2021. - Р. 84-88.; https://inf.grid.by/jour/article/view/1243

Διαθεσιμότητα: https://inf.grid.by/jour/article/view/1243
https://doi.org/10.37661/1816-0301-2023-20-3-37-49

View record from BASE

Εργαλεία αναζήτησης:

Περιορισμός αποτελεσμάτων

Μορφή

Θέμα

Εκδότης

Τόπος έκδοσης

Πηγή

Γεωγραφία

Συλλογή

Έτος έκδοσης