Informacja

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

Wyszukujesz frazę "Łach, Błażej" wg kryterium: Autor


Wyświetlanie 1-2 z 2
Tytuł:
Model Faster R-CNN uczony na syntetycznych obrazach
Faster R-CNN model learning on synthetic images
Autorzy:
Łach, Błażej
Łukasik, Edyta
Powiązania:
https://bibliotekanauki.pl/articles/1427643.pdf
Data publikacji:
2020
Wydawca:
Politechnika Lubelska. Instytut Informatyki
Tematy:
computer vision
sztuczne obrazy
Faster R-CNN
głębokie uczenie
synthetic images
deep learning
Opis:
Uczenie maszynowe wymaga opisu danych przez człowieka. Opisywanie zbioru danych ręcznie jest bardzo czasochłonne. W artykule zbadano jak model uczył się na zdjęciach sztucznie wytworzonych, z jak najmniejszym udziałem człowieka przy opisywaniu danych. Sprawdzono jaki wpływ miało zastosowanie augmentacji i progresywnego rozmiaru zdjęcia przy treningu modelu na syntetycznym zbiorze. Model osiągnął nawet o 3,35% wyższą średnią precyzję na syntetycznym zbiorze danych przy zastosowaniu treningów z rosnącą rozdzielczością. Augmentacje poprawiły jakość detekcji na rzeczywistych zdjęciach. Wytwarzanie sztucznie danych treningowych ma duży wpływ na przyśpieszenie przygotowania treningów, ponieważ nie wymaga tak dużych nakładów ludzkich, jak klasyczne uczenie modeli z danymi opisanymi przez człowieka.
Machine learning requires a human description of the data. The manual dataset description is very time consuming. In this article was examined how the model learns from artificially created images, with the least human participation in describing the data. It was checked how the model learned on artificially produced images with augmentations and progressive image size. The model has achieve up to 3.35 higher mean average precision on syntetic dataset in the training with increasing images resolution. Augmentations improved the quality of detection on real photos. The production of artificially generated training data has a great impact on the acceleration of prepare training, because it does not require as much human resources as normal learning process.
Źródło:
Journal of Computer Sciences Institute; 2020, 17; 401-404
2544-0764
Pojawia się w:
Journal of Computer Sciences Institute
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Multiplexed Immunobead-Based Cytokine Profiling in patients with ovarian cancer
Autorzy:
Wyciszkiewicz, Aleksandra
Lach, Michał
Kalinowska, Alicja
Michalak, Sławomir
Nowakowski, Błażej
Powiązania:
https://bibliotekanauki.pl/articles/1890964.pdf
Data publikacji:
2021-12-02
Wydawca:
Gdański Uniwersytet Medyczny
Tematy:
ovarian cancer
cytokines
metalloproteinases
inflammation markers
endometriosis
Opis:
Due to late diagnosis, ovarian cancer is the most deadly gynecologic malignancy. Inflammation is one of the risk factors of ovarian cancer and the inflammatory response implicates all stages of tumorigenesis. The purpose of this study was to analyze the concentration of molecules, which can take part in malignant processes. We analyzed patients with ovarian cancer, with endometriosis and healthy controls. Thirty-seven analytes were measured in serum using BioPlex Pro Human Inflammation Panel. We were able to detect 28 of the proteins among the studied groups. We found a significant increase in 22 of the tested molecules (BAFF, Chitinase3-like 1, IFN-alpha2, IFN-beta, IFN-gamma, IFN-lambda2, IFN-lambda1, gp130, IL-2, IL-12 (p40), IL-11, IL-32, IL-35, MMP3, Osteocalcin, Pantraxin-3, sCD163, TNFRSF8, sIL-6Ralpha, STNF-R1, STNF-R2, and TSLP) in the ovarian cancer group in comparison to the healthy controls. Two of them (IL-20, MMP1) did not show significant differences between groups. Moreover, we identified decreased concentrations of APRIL and osteopontin in ovarian cancer vs. healthy controls. While this study is a preliminary report, we hope this will encourage a further use of multiplex analysis in ovarian cancer biomarker research.
Źródło:
European Journal of Translational and Clinical Medicine; 2021, 4, 2; 31-43
2657-3148
2657-3156
Pojawia się w:
European Journal of Translational and Clinical Medicine
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