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 "Mikołajczyk, Arkadiusz." wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-9 z 9
    Tytuł:
    Identification of homogeneous groups of real estate markets and the pandemic resilience of the construction sector
    Identyfikacja jednorodnych grup rynków nieruchomości oraz odporność na pandemię sektora budowlanego
    Autorzy:
    Dąbrowski, Ireneusz
    Mach, Łukasz
    Mikołajczyk, Łukasz
    Kuświk, Arkadiusz
    Powiązania:
    https://bibliotekanauki.pl/articles/1930433.pdf
    Data publikacji:
    2021
    Wydawca:
    Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu
    Tematy:
    clusters analysis
    real estate market
    rank
    potential
    pandemic
    COVID-19
    analiza skupień
    rynek nieruchomości
    ranking
    potencjał
    pandemia
    Opis:
    In the research process, homogeneous groups of voivodeships and the determinants of regional development were identified. The hierarchical method with Ward's algorithm and the k-means clustering method were employed for two periods, 2015 and 2018. In order to identify the determinants of development, an iterative multidimensional ranking method was used. The results of the research suggested that 16 voivodeships were divided into two groups, * The paper presents personal opinions of the authors and does not necessarily reflect the official position of the Narodowy Bank Polski.
    W procesie badawczym wyodrębniono jednorodne grupy województw oraz determinanty rozwoju regionów. Wykorzystano metodę hierarchiczną z algorytmem Warda i metodę k-średnich dla dwóch okresów: roku 2015 i roku 2018. W celu wyodrębnienia determinant rozwoju została zastosowana iteracyjna metoda rangowania wielowymiarowego. Uzyskane wyniki badań sugerują podział 16 województw na dwie grupy, w których wskazano liderów o największym potencjale. Utworzono listę determinant o największej i najmniejszej dynamice. Rezultaty analizy mogą być wykorzystane przez samorządy wojewódzkie i potencjalnych inwestorów na rynku nieruchomości. Dokonano także analizy statystycznej opartej o wyniki badania koniunktury w budownictwie, głównym celem porównania jest wskazane różnic z okresu przed pandemią COVID-19 oraz w czasie trwania pandemii. Według GUS rok 2020 zdominowali pesymiści w ocenie zarówno barier ograniczających prowadzenie działalności, jak i aktualnej i przyszłej sytuacji przedsiębiorstw.
    Źródło:
    Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu; 2021, 65, 4; 32-53
    1899-3192
    Pojawia się w:
    Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Diagnosis of malignant melanoma by neural network ensemble-based system utilising hand-crafted skin lesion features
    Autorzy:
    Grochowski, Michał
    Mikołajczyk, Agnieszka
    Kwasigroch, Arkadiusz
    Powiązania:
    https://bibliotekanauki.pl/articles/221391.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    decision support
    diagnostics
    image processing
    artificial neural networks
    ensemble of neural networks
    melanoma malignant
    Opis:
    Malignant melanomas are the most deadly type of skin cancer, yet detected early have high chances of successful treatment. In the last twenty years, the interest in automatic recognition and classification of melanoma dynamically increased, partly because of appearing public datasets with dermatoscopic images of skin lesions. Automated computer-aided skin cancer detection in dermatoscopic images is a very challenging task due to uneven sizes of datasets, huge intra-class variation with small interclass variation, and the existence of many artifacts in the images. One of the most recognized methods of melanoma diagnosis is the ABCD method. In the paper, we propose an extended version of this method and an intelligent decision support system based on neural networks that uses its results in the form of hand-crafted features. Automatic determination of the skin features with the ABCD method is difficult due to the large diversity of images of various quality, the existence of hair, different markers and other obstacles. Therefore, it was necessary to apply advanced methods of pre-processing the images. The proposed system is an ensemble of ten neural networks working in parallel, and one network using their results to generate a final decision. This system structure enables to increase the efficiency of its operation by several percentage points compared with asingle neural network. The proposed system is trained on over 5000 and tested afterwards on 200 skin moles. The presented system can be used as a decision support system for primary care physicians, as a system capable of self-examination of the skin with a dermatoscope and also as an important tool to improve biopsy decision making.
    Źródło:
    Metrology and Measurement Systems; 2019, 26, 1; 65-80
    0860-8229
    Pojawia się w:
    Metrology and Measurement Systems
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Towards explainable classifiers using the counterfactual approach : global explanations for discovering bias in data
    Autorzy:
    Mikołajczyk, Agnieszka
    Grochowski, Michał
    Kwasigroch, Arkadiusz
    Powiązania:
    https://bibliotekanauki.pl/articles/2031144.pdf
    Data publikacji:
    2021
    Wydawca:
    Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
    Tematy:
    explainable classifiers
    counterfactual approach
    bias detection
    Opis:
    The paper proposes summarized attribution-based post-hoc explanations for the detection and identification of bias in data. A global explanation is proposed, and a step-by-step framework on how to detect and test bias is introduced. Since removing unwanted bias is often a complicated and tremendous task, it is automatically inserted, instead. Then, the bias is evaluated with the proposed counterfactual approach. The obtained results are validated on a sample skin lesion dataset. Using the proposed method, a number of possible bias-causing artifacts are successfully identified and confirmed in dermoscopy images. In particular, it is confirmed that black frames have a strong influence on Convolutional Neural Network’s prediction: 22% of them changed the prediction from benign to malignant.
    Źródło:
    Journal of Artificial Intelligence and Soft Computing Research; 2021, 11, 1; 51-67
    2083-2567
    2449-6499
    Pojawia się w:
    Journal of Artificial Intelligence and Soft Computing Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Analiza sceny przy użyciu głębokich sieci neuronowych typu YOLO
    Scene analysis using YOLO neural network
    Autorzy:
    Mikołajczyk, Mateusz
    Kwasigroch, Arkadiusz
    Grochowski, Michał
    Powiązania:
    https://bibliotekanauki.pl/articles/267008.pdf
    Data publikacji:
    2019
    Wydawca:
    Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
    Tematy:
    sztuczne sieci neuronowe
    detekcja obiektów
    przetwarzanie obrazu
    uczenie głębokie
    artificial neural networks
    object detection
    image processing
    deep learning
    Opis:
    W artykule opisany został problem analizy sceny na obrazach oraz sekwencjach video. Zadanie analizy sceny polega na detekcji, lokalizacji i klasyfikacji obiektów znajdujących się na obrazach. Zaimplementowany system wykorzystuje głęboką sieć neuronową, której struktura oparta została na architekturze YOLO (You Only Look Once). Niskie zapotrzebowania obliczeniowe wybranej architektury pozwala na wykonywanie detekcji w czasie rzeczywistym z zadowalającą dokładnością. W pracy przeprowadzono również badania nad doborem odpowiedniego optymalizatora wykorzystywanego w procesie uczenia. Jako przykładową aplikację wybrano analizę ruchu ulicznego w której skład wchodzi wykrywanie i lokalizacja obiektów takich jak m.in. samochody, motocykle czy sygnalizacja świetlna. Systemy tego typu mogą być wykorzystywane w wszelkiego typu systemach analizy wizyjnej otoczenia np. w pojazdach autonomicznych, systemach automatycznej analizy video z kamer przemysłowych, systemach dozoru czy analizy zdjęć satelitarnych.
    The paper describes the problem of scene analysis in images and video sequences. The task of scene analysis is to detect, locate and classify objects in images. As an example of an application, traffic analysis was chosen, which includes the detection and location of objects such as cars, motorcycles or traffic lights. The implemented system uses a deep neural network, whose structure is based on the YOLO (You Only Look Once) architecture. Low computing requirements of the chosen architecture allows performing real-time detection with satisfactory accuracy. The work also included a study on the selection of an appropriate optimizer used in the learning process. The program correctly detects objects with a large surface area, allowing the system to be used in traffic analysis. The work also showed that using the ADAM algorithm allowed significantly shorten the training time of the neural network. Systems of this type can be used in many types of video analysis systems such as autonomous vehicles, automatic video analysis systems with CCTV cameras, surveillance systems or satellite image analysis.
    Źródło:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2019, 68; 37-40
    1425-5766
    2353-1290
    Pojawia się w:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-9 z 9

      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