Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Liu, Min" wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Curve skeleton extraction via k-nearest-neighbors based contraction
    Autorzy:
    Zhou, Jianling
    Liu, Ji
    Zhang, Min
    Powiązania:
    https://bibliotekanauki.pl/articles/331332.pdf
    Data publikacji:
    2020
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    curve skeleton
    points contraction
    point cloud
    k nearest neighbors
    szkieletyzacja
    chmura punktów
    metoda k najbliższych sąsiadów
    Opis:
    We propose a skeletonization algorithm that is based on an iterative points contraction. We make an observation that the local center that is obtained via optimizing the sum of the distance to k nearest neighbors possesses good properties of robustness to noise and incomplete data. Based on such an observation, we devise a skeletonization algorithm that mainly consists of two stages: points contraction and skeleton nodes connection. Extensive experiments show that our method can work on raw scans of real-world objects and exhibits better robustness than the previous results in terms of extracting topology-preserving curve skeletons.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2020, 30, 1; 123-132
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Hospitalization patient forecasting based on multi-task deep learning
    Autorzy:
    Zhou, Min
    Huang, Xiaoxiao
    Liu, Haipeng
    Zheng, Dingchang
    Powiązania:
    https://bibliotekanauki.pl/articles/2201025.pdf
    Data publikacji:
    2023
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    hospitalization patient
    neural network
    multitask learning
    pacjent hospitalizowany
    sieć neuronowa
    nauka wielozadaniowa
    Opis:
    Forecasting the number of hospitalization patients is important for hospital management. The number of hospitalization patients depends on three types of patients, namely, admission patients, discharged patients, and inpatients. However, previous works focused on one type of patients rather than the three types of patients together. In this paper, we propose a multi-task forecasting model to forecast the three types of patients simultaneously. We integrate three neural network modules into a unified model for forecasting. Besides, we extract date features of admission and discharged patient flows to improve forecasting accuracy. The algorithm is trained and evaluated on a real-world data set of a one-year daily observation of patient numbers in a hospital. We compare the performance of our model with eight baselines over two real-word data sets. The experimental results show that our approach outperforms other baseline algorithms significantly.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2023, 33, 1; 151--162
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-2 z 2

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies