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 "AlexNet" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Usage of artificial neural networks in the diagnosis of knee joint disorders
    Zastosowanie sztucznych sieci neuronowych w diagnozie schorzeń stawu kolanowego
    Autorzy:
    Witkowski, Konrad
    Wieczorek, Mikołaj
    Powiązania:
    https://bibliotekanauki.pl/articles/27315456.pdf
    Data publikacji:
    2023
    Wydawca:
    Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
    Tematy:
    classification
    MRI images
    Resnet
    Alexnet
    klasyfikacja
    zdjęcia MRI
    Opis:
    Following article address the issue of automatic knee disorder diagnose with usage of neural networks. We proposed several hybrid neuralnet architectures which aim to successfully classify abnormalityusing MRI (magnetic resonance imaging) images acquired from publicly available dataset. To construct such combinations of modelswe used pretrainedAlexnet, Resnet18 and Resnet34 downloaded from Torchvision. Experiments showedthat for certain abnormalities our models can achieve up to 90% accuracy.
    Niniejszy artykuł porusza temat automatycznej diagnozy uszkodzenia stawu kolanowego z zastosowaniem sieci neuronowych. Zaproponowanokilka hybrydowych sieci neuronowych, które podjęły próbę poprawnej klasyfikacji nieprawidłowości wykorzystując zdjęcia rezonansu magnetycznego pochodzące z publicznie dostępnego zbioru. Do konstrukcjikombinacji sieci skorzystanoz pretrenowanych modeli (Alexnet, Resnet18, Resnet34) pobranychz Torchvision. Eksperyment pokazał, że dla klasyfikacji niektórych schorzeń modele osiągnęły nawet 90% skuteczności.
    Źródło:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2023, 13, 4; 11--14
    2083-0157
    2391-6761
    Pojawia się w:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Selection of an artificial pre-training neural network for the classification of inland vessels based on their images
    Autorzy:
    Bobkowska, Katarzyna
    Bodus-Olkowska, Izabela
    Powiązania:
    https://bibliotekanauki.pl/articles/2033603.pdf
    Data publikacji:
    2021
    Wydawca:
    Akademia Morska w Szczecinie. Wydawnictwo AMSz
    Tematy:
    image classification
    inland vessels
    ANN
    pre-trained neural network
    GoogLeNet
    AlexNet
    SqeeezeNet
    Opis:
    Artificial neural networks (ANN) are the most commonly used algorithms for image classification problems. An image classifier takes an image or video as input and classifies it into one of the possible categories that it was trained to identify. They are applied in various areas such as security, defense, healthcare, biology, forensics, communication, etc. There is no need to create one’s own ANN because there are several pre-trained networks already available. The aim of the SHREC projects (automatic ship recognition and identification) is to classify and identify the vessels based on images obtained from closed-circuit television (CCTV) cameras. For this purpose, a dataset of vessel images was collected during 2018, 2019, and 2020 video measurement campaigns. The authors of this article used three pre-trained neural networks, GoogLeNet, AlexNet, and SqeezeNet, to examine the classification possibility and assess its quality. About 8000 vessel images were used, which were categorized into seven categories: barge, special-purpose service ships, motor yachts with a motorboat, passenger ships, sailing yachts, kayaks, and others. A comparison of the results using neural networks to classify floating inland units is presented.
    Źródło:
    Zeszyty Naukowe Akademii Morskiej w Szczecinie; 2021, 67 (139); 91--97
    1733-8670
    2392-0378
    Pojawia się w:
    Zeszyty Naukowe Akademii Morskiej w Szczecinie
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    An enhanced performance evaluation of workflow computing and scheduling using hybrid classification approach in the cloud environment
    Autorzy:
    Tharani, P.
    Kalpana, A. M.
    Powiązania:
    https://bibliotekanauki.pl/articles/2086824.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    cloud
    workflow scheduling
    machine learning
    CNN
    AlexNet
    chmura
    planowanie przepływu pracy
    nauczanie maszynowe
    Opis:
    Workflow scheduling is the major problem in cloud computing consists of a set of interdependent tasks which is used to solve the various scientific and healthcare issues. In this research work, the cloud based workflow scheduling between different tasks in medical imaging datasets using Machine Learning (ML) and Deep Learning (DL) methods (hybrid classification approach) is proposed for healthcare applications. The main objective of this research work is to develop a system which is used for both workflow computing and scheduling in order to minimize the makespan, execution cost and to segment the cancer region in the classified abnormal images. The workflow computing is performed using different Machine Learning classifiers and the workflow scheduling is carried out using Deep Learning algorithm. The conventional AlexNet Convolutional Neural Networks (CNN) architecture is modified and used for workflow scheduling between different tasks in order to improve the accuracy level. The AlexNet architecture is analyzed and tested on different cloud services Amazon Elastic Compute Cloud- EC2 and Amazon Lightsail with respect to Makespan (MS) and Execution Cost (EC).
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2021, 69, 4; e137728, 1--9
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Detection of driver fatigue symptoms using transfer learning
    Autorzy:
    Jakubowski, J.
    Chmielińska, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/201238.pdf
    Data publikacji:
    2018
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    driver fatigue
    convolutional neural networks
    transfer learning
    AlexNet
    zmęczenie kierowcy
    splotowe sieci neuronowe
    Opis:
    This paper presents the results of the scientific investigations which aimed at developing the detectors of the selected driver fatigue symptoms based on face images. The presented approach assumed using convolutional neural networks and transfer learning technique. In the conducted research the pretrained model of AlexNet was used. The net underwent slight modification of the structure and then the fine-tuning procedure was applied with the use of an appropriate dataset. In this way all detectors of the selected fatigue symptoms were created. The results of conducted computations indicate that it is potentially possible to apply such an approach to the problem of fatigue symptom detection. The values of the overall misclassification rates for the most troublesome symptom are less than 5.5%, which seems to be a quite satisfactory result.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2018, 66, 6; 869-874
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      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