Littérature scientifique sur le sujet « CNN MODEL »
Créez une référence correcte selon les styles APA, MLA, Chicago, Harvard et plusieurs autres
Sommaire
Consultez les listes thématiques d’articles de revues, de livres, de thèses, de rapports de conférences et d’autres sources académiques sur le sujet « CNN MODEL ».
À côté de chaque source dans la liste de références il y a un bouton « Ajouter à la bibliographie ». Cliquez sur ce bouton, et nous générerons automatiquement la référence bibliographique pour la source choisie selon votre style de citation préféré : APA, MLA, Harvard, Vancouver, Chicago, etc.
Vous pouvez aussi télécharger le texte intégral de la publication scolaire au format pdf et consulter son résumé en ligne lorsque ces informations sont inclues dans les métadonnées.
Articles de revues sur le sujet "CNN MODEL"
Prasad, G. Shyam Chandra, et K. Adi Narayana Reddy. « Sentiment Analysis Using Multi-Channel CNN-LSTM Model ». Journal of Advanced Research in Dynamical and Control Systems 11, no 12-SPECIAL ISSUE (31 décembre 2019) : 489–94. http://dx.doi.org/10.5373/jardcs/v11sp12/20193243.
Texte intégralHasan, Moh Arie, Yan Riyanto et Dwiza Riana. « Grape leaf image disease classification using CNN-VGG16 model ». Jurnal Teknologi dan Sistem Komputer 9, no 4 (5 juillet 2021) : 218–23. http://dx.doi.org/10.14710/jtsiskom.2021.14013.
Texte intégralChoi, Jiwoo, Sangil Choi et Taewon Kang. « Personal Identification CNN Model using Gait Cycle ». Journal of Korean Institute of Information Technology 20, no 11 (30 novembre 2022) : 127–36. http://dx.doi.org/10.14801/jkiit.2022.20.11.127.
Texte intégralSen, Amit Prakash, Nirmal Kumar Rout, Tuhinansu Pradhan et Amrit Mukherjee. « Hybrid Deep CNN Model for the Detection of COVID-19 ». Indian Journal Of Science And Technology 15, no 41 (5 novembre 2022) : 2121–28. http://dx.doi.org/10.17485/ijst/v15i41.1421.
Texte intégralVyshnavi, Ramineni, et Goo-Rak Kwon. « A Comparative Study of the CNN Model for AD Diagnosis ». Korean Institute of Smart Media 12, no 7 (31 août 2023) : 52–58. http://dx.doi.org/10.30693/smj.2023.12.7.52.
Texte intégralTajalsir, Mohammed, Susana Mu˜noz Hern´andez et Fatima Abdalbagi Mohammed. « ASERS-CNN : Arabic Speech Emotion Recognition System based on CNN Model ». Signal & ; Image Processing : An International Journal 13, no 1 (28 février 2022) : 45–53. http://dx.doi.org/10.5121/sipij.2022.13104.
Texte intégralEt. al., Ms K. N. Rode,. « Unsupervised CNN model for Sclerosis Detection ». Turkish Journal of Computer and Mathematics Education (TURCOMAT) 12, no 2 (10 avril 2021) : 2577–83. http://dx.doi.org/10.17762/turcomat.v12i2.2223.
Texte intégralKamundala, Espoir K., et Chang Hoon Kim. « CNN Model to Classify Malware Using Image Feature ». KIISE Transactions on Computing Practices 24, no 5 (31 mai 2018) : 256–61. http://dx.doi.org/10.5626/ktcp.2018.24.5.256.
Texte intégralLee, Seonggu, et Jitae Shin. « Hybrid Model of Convolutional LSTM and CNN to Predict Particulate Matter ». International Journal of Information and Electronics Engineering 9, no 1 (mars 2019) : 34–38. http://dx.doi.org/10.18178/ijiee.2019.9.1.701.
Texte intégralSrinivas, Dr Kalyanapu, et Reddy Dr.B.R.S. « Deep Learning based CNN Optimization Model for MR Braing Image Segmentation ». Journal of Advanced Research in Dynamical and Control Systems 11, no 11 (20 novembre 2019) : 213–20. http://dx.doi.org/10.5373/jardcs/v11i11/20193190.
Texte intégralThèses sur le sujet "CNN MODEL"
Meng, Zhaoxin. « A deep learning model for scene recognition ». Thesis, Mittuniversitetet, Institutionen för informationssystem och –teknologi, 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:miun:diva-36491.
Texte intégralHubková, Helena. « Named-entity recognition in Czech historical texts : Using a CNN-BiLSTM neural network model ». Thesis, Uppsala universitet, Institutionen för lingvistik och filologi, 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-385682.
Texte intégralAl-Kadhimi, Staffan, et Paul Löwenström. « Identification of machine-generated reviews : 1D CNN applied on the GPT-2 neural language model ». Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-280335.
Texte intégralI och med de senaste framstegen inom maskininlärning kan datorer skapa mer och mer övertygande text, vilket skapar en oro för ökad falsk information på internet. Samtidigt vägs detta upp genom att forskare skapar verktyg för att identifiera datorgenererad text. Forskare har kunnat utnyttja svagheter i neurala språkmodeller och använda dessa mot dem. Till exempel tillhandahåller GLTR användare en visuell representation av texter, som hjälp för att klassificera dessa som människo- skrivna eller maskingenererade. Genom att träna ett faltningsnätverk (convolutional neural network, eller CNN) på utdata från GLTR-analys av maskingenererade och människoskrivna filmrecensioner, tar vi GLTR ett steg längre och använder det för att genomföra klassifikationen automatiskt. Emellertid tycks det ej vara tillräckligt att använda en CNN med GLTR som huvuddatakälla för att klassificera på en nivå som är jämförbar med de bästa existerande metoderna.
Huss, Anders. « Hybrid Model Approach to Appliance Load Disaggregation : Expressive appliance modelling by combining convolutional neural networks and hidden semi Markov models ». Thesis, KTH, Skolan för datavetenskap och kommunikation (CSC), 2015. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-179200.
Texte intégralDen ökande energikonsumtionen är en stor utmaning för en hållbar utveckling. Bostäder står för en stor del av vår totala elförbrukning och är en sektor där det påvisats stor potential för besparingar. Non Intrusive Load Monitoring (NILM), dvs. härledning av hushållsapparaters individuella elförbrukning utifrån ett hushålls totala elförbrukning, är en tilltalande metod för att fortlöpande ge detaljerad information om elförbrukningen till hushåll. Detta utgör ett underlag för medvetna beslut och kan bidraga med incitament för hushåll att minska sin miljöpåverakan och sina elkostnader. För att åstadkomma detta måste precisa och tillförlitliga algoritmer för el-disaggregering utvecklas. Denna masteruppsats föreslår ett nytt angreppssätt till el-disaggregeringsproblemet, inspirerat av ledande metoder inom taligenkänning. Tidigare angreppsätt inom NILM (i frekvensområdet 1 Hz) har huvudsakligen fokuserat på olika typer av Markovmodeller (HMM) och enstaka förekomster av artificiella neurala nätverk. En HMM är en naturlig representation av en elapparat, men med uteslutande generativ modellering måste alla apparater modelleras samtidigt. Det stora antalet möjliga apparater och den stora variationen i sammansättningen av dessa mellan olika hushåll utgör en stor utmaning för sådana metoder. Det medför en stark begränsning av komplexiteten och detaljnivån i modellen av respektive apparat, för att de algoritmer som används vid prediktion ska vara beräkningsmässigt möjliga. I denna uppsats behandlas el-disaggregering som ett faktoriseringsproblem, där respektive apparat ska separeras från bakgrunden av andra apparater. För att göra detta föreslås en hybridmodell där ett neuralt nätverk extraherar information som korrelerar med sannolikheten för att den avsedda apparaten är i olika tillstånd. Denna information används som obervationssekvens för en semi-Markovmodell (HSMM). Då detta utförs för en enskild apparat blir det beräkningsmässigt möjligt att använda en mer detaljerad modell av apparaten. Den föreslagna Hybridmodellen utvärderas för uppgiften att avgöra när tvättmaskinen används för totalt 238 dagar av elförbrukningsmätningar från sex olika hushåll. Hybridmodellen presterar betydligt bättre än enbart ett neuralt nätverk, vidare påvisas att prestandan förbättras ytterligare genom att introducera tillstånds-övergång-observationer i HSMM:en.
Laine, Emmi. « Desirability, Values and Ideology in CNN Travel -- Discourse Analysis on Travel Stories ». Thesis, Stockholms universitet, Institutionen för mediestudier, 2013. http://urn.kb.se/resolve?urn=urn:nbn:se:su:diva-102742.
Texte intégralAppelstål, Michael. « Multimodal Model for Construction Site Aversion Classification ». Thesis, Uppsala universitet, Institutionen för informationsteknologi, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-421011.
Texte intégralAnam, Md Tahseen. « Evaluate Machine Learning Model to Better Understand Cutting in Wood ». Thesis, Uppsala universitet, Institutionen för informationsteknologi, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-448713.
Texte intégralGhibellini, Alessandro. « Trend prediction in financial time series : a model and a software framework ». Master's thesis, Alma Mater Studiorum - Università di Bologna, 2021. http://amslaurea.unibo.it/24708/.
Texte intégralRydén, Anna, et Amanda Martinsson. « Evaluation of 3D motion capture data from a deep neural network combined with a biomechanical model ». Thesis, Linköpings universitet, Institutionen för medicinsk teknik, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-176543.
Texte intégralGerima, Kassaye. « Night Setback Identification of District Heating Substations ». Thesis, Högskolan Dalarna, Mikrodataanalys, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:du-36071.
Texte intégralLivres sur le sujet "CNN MODEL"
Greene, Carol. I can be a model. Chicago : Childrens Press, 1985.
Trouver le texte intégralGreene, Carol. I can be a model. Chicago : Childrens Press, 1985.
Trouver le texte intégralTrackside scenes you can model. Waukesha, WI : Kalmbach Books, 2003.
Trouver le texte intégralGreene, Carol. I can be a model. Chicago : Childrens Press, 1985.
Trouver le texte intégralEngel, Charles. Can the Markov switching model forecast exchange rates ? Cambridge, MA : National Bureau of Economic Research, 1992.
Trouver le texte intégralDanna, Theresa M. Rollover, Mona Lisa ! : How anyone can model for artists. Beverly Hills, CA : Big Guy Pub., 1992.
Trouver le texte intégralGestures Can Create Models that Help Thinking. [New York, N.Y.?] : [publisher not identified], 2019.
Trouver le texte intégralThe can do workplace : A strength-based model for nonprofits. Melbourne, Florida : Motivational Press, 2015.
Trouver le texte intégralSutherland, H. Constructing a tax-benefit model : What advice can one give ? London : Taxation, Incentives and the Distribution of Income Programme, Suntory-Toyota International Centre for Economics and Related Disciplines, London School of Economics, 1989.
Trouver le texte intégralPenalver, Adrian. How can the IMF catalyse private capital flows ? A model. London : Bank of England, 2004.
Trouver le texte intégralChapitres de livres sur le sujet "CNN MODEL"
Beniwal, Rohit, Divyakshi Bhardwaj, Bhanu Pratap Raghav et Dhananjay Negi. « Text Similarity Identification Based on CNN and CNN-LSTM Model ». Dans Second International Conference on Sustainable Technologies for Computational Intelligence, 47–58. Singapore : Springer Singapore, 2021. http://dx.doi.org/10.1007/978-981-16-4641-6_5.
Texte intégralZhang, Shizhou, Yihong Gong, Jinjun Wang et Nanning Zheng. « A Biologically Inspired Deep CNN Model ». Dans Lecture Notes in Computer Science, 540–49. Cham : Springer International Publishing, 2016. http://dx.doi.org/10.1007/978-3-319-48890-5_53.
Texte intégralSaadat, Sumaya, et V. Joseph Raymond. « Malware Classification Using CNN-XGBoost Model ». Dans Artificial Intelligence Techniques for Advanced Computing Applications, 191–202. Singapore : Springer Singapore, 2020. http://dx.doi.org/10.1007/978-981-15-5329-5_19.
Texte intégralMoin, Kashif, Mayank Shrivastava, Amlan Mishra, Lambodar Jena et Soumen Nayak. « Diabetic Retinopathy Detection Using CNN Model ». Dans Smart Innovation, Systems and Technologies, 133–43. Singapore : Springer Nature Singapore, 2022. http://dx.doi.org/10.1007/978-981-19-6068-0_13.
Texte intégralChen, Xutong. « CNN Model Optimization Cheme and Applications ». Dans Lecture Notes in Electrical Engineering, 1771–77. Singapore : Springer Singapore, 2020. http://dx.doi.org/10.1007/978-981-15-5959-4_216.
Texte intégralGoswami, Tilottama, et Shashidhar Reddy Javaji. « CNN Model for American Sign Language Recognition ». Dans Lecture Notes in Electrical Engineering, 55–61. Singapore : Springer Singapore, 2020. http://dx.doi.org/10.1007/978-981-15-7961-5_6.
Texte intégralZhang, Ru, Hao Dong, Zhen Yang, Wenbo Ying et Jianyi Liu. « A CNN Based Visual Audio Steganography Model ». Dans Lecture Notes in Computer Science, 431–42. Cham : Springer International Publishing, 2022. http://dx.doi.org/10.1007/978-3-031-06794-5_35.
Texte intégralSakshi, Chetan Sharma et Vinay Kukreja. « CNN-Based Handwritten Mathematical Symbol Recognition Model ». Dans Cyber Intelligence and Information Retrieval, 407–16. Singapore : Springer Singapore, 2021. http://dx.doi.org/10.1007/978-981-16-4284-5_35.
Texte intégralDas, Parimita, Dipak Kumar Sahoo et Biswa Mohan Acharya. « Environmental Pollution Detection Mechanism Using CNN Model ». Dans Lecture Notes in Networks and Systems, 476–82. Singapore : Springer Singapore, 2022. http://dx.doi.org/10.1007/978-981-16-4807-6_45.
Texte intégralKolla, Morarjee, et T. Venugopal. « Diabetic Retinopathy Classification Using Lightweight CNN Model ». Dans Lecture Notes in Electrical Engineering, 1263–69. Singapore : Springer Nature Singapore, 2022. http://dx.doi.org/10.1007/978-981-16-7985-8_131.
Texte intégralActes de conférences sur le sujet "CNN MODEL"
Ben Alaya, Karim, et Laszlo Czuni. « CNN-based Tree Model Extraction ». Dans 2021 11th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems : Technology and Applications (IDAACS). IEEE, 2021. http://dx.doi.org/10.1109/idaacs53288.2021.9660841.
Texte intégralTambi, Ritiz, Paul Li et Jun Yang. « An efficient CNN model for transportation mode sensing ». Dans SenSys '18 : The 16th ACM Conference on Embedded Networked Sensor Systems. New York, NY, USA : ACM, 2018. http://dx.doi.org/10.1145/3274783.3275160.
Texte intégralNagy, Zoltan, Laszlo Kek, Zoltan Kincses et Peter Szolgay. « CNN model on cell multiprocessor array ». Dans 2007 European Conference on Circuit Theory and Design (ECCTD 2007). IEEE, 2007. http://dx.doi.org/10.1109/ecctd.2007.4529590.
Texte intégralFuredi, Laszlo, et Peter Szolgay. « CNN model on stream processing platform ». Dans 2009 European Conference on Circuit Theory and Design (ECCTD 2009). IEEE, 2009. http://dx.doi.org/10.1109/ecctd.2009.5275115.
Texte intégralSun, Yuxuan, Jining Xie, Pujie Li et Bowei Sun. « BLSTM-CNN Relationship Classification Network Model ». Dans 2021 IEEE 11th International Conference on Electronics Information and Emergency Communication (ICEIEC). IEEE, 2021. http://dx.doi.org/10.1109/iceiec51955.2021.9463812.
Texte intégralDiana, Mery, Juntaro Chikama, Motoki Amagasaki, Masahiro Iida et Morihiro Kuga. « Characteristic Similarity Using Classical CNN Model ». Dans 2019 34th International Technical Conference on Circuits/Systems, Computers and Communications (ITC-CSCC). IEEE, 2019. http://dx.doi.org/10.1109/itc-cscc.2019.8793442.
Texte intégralSzolgay, Peter, et Zoltan Nagy. « A CNN motivated array computing model ». Dans 2010 12th International Workshop on Cellular Nanoscale Networks and their Applications (CNNA 2010). IEEE, 2010. http://dx.doi.org/10.1109/cnna.2010.5430341.
Texte intégralSlavova, Angela. « Memristor CNN Model for Image Denoising ». Dans 2019 26th IEEE International Conference on Electronics, Circuits and Systems (ICECS). IEEE, 2019. http://dx.doi.org/10.1109/icecs46596.2019.8964780.
Texte intégralTan, Jiaxing, Yongfeng Gao, Weiguo Cao, Marc Pomeroy, Shu Zhang, Yumei Huo, Lihong Li et Zhengrong Liang. « GLCM-CNN : Gray Level Co-occurrence Matrix based CNN Model for Polyp Diagnosis ». Dans 2019 IEEE EMBS International Conference on Biomedical & Health Informatics (BHI). IEEE, 2019. http://dx.doi.org/10.1109/bhi.2019.8834585.
Texte intégralZhang, Chenkai, Yuki Okafuji et Takahiro Wada. « Evaluation of visualization performance of CNN models using driver model ». Dans 2021 IEEE/SICE International Symposium on System Integration (SII). IEEE, 2021. http://dx.doi.org/10.1109/ieeeconf49454.2021.9382776.
Texte intégralRapports d'organisations sur le sujet "CNN MODEL"
Slavova, Angela, et Nikolay Kyurkchiev. On CNN Model of Black–Scholes Equation with Leland Correction. "Prof. Marin Drinov" Publishing House of Bulgarian Academy of Sciences, janvier 2018. http://dx.doi.org/10.7546/crabs.2018.02.03.
Texte intégralSlavova, Angela, et Nikolay Kyurkchiev. On CNN Model of Black–Scholes Equation with Leland Correction. "Prof. Marin Drinov" Publishing House of Bulgarian Academy of Sciences, février 2018. http://dx.doi.org/10.7546/grabs2018.2.03.
Texte intégralMbani, Benson, Valentin Buck et Jens Greinert. Megabenthic Fauna Detection with Faster R-CNN (FaunD-Fast) Short description of the research software. GEOMAR, 2023. http://dx.doi.org/10.3289/sw_1_2023.
Texte intégralZhang, Yongping, Wen Cheng et Xudong Jia. Enhancement of Multimodal Traffic Safety in High-Quality Transit Areas. Mineta Transportation Institute, février 2021. http://dx.doi.org/10.31979/mti.2021.1920.
Texte intégralBarhak, Jacob. Supplemental Information : The Reference Model is a Multi-Scale Ensemble Model of COVID-19. Outbreak, mai 2021. http://dx.doi.org/10.34235/b7eaa32b-1a6b-444f-9848-76f83f5a733c.
Texte intégralNovy-Marx, Robert. How Can a Q-Theoretic Model Price Momentum ? Cambridge, MA : National Bureau of Economic Research, février 2015. http://dx.doi.org/10.3386/w20985.
Texte intégralEngel, Charles. Can the Markov Switching Model Forecast Exchange Rates ? Cambridge, MA : National Bureau of Economic Research, novembre 1992. http://dx.doi.org/10.3386/w4210.
Texte intégralCochrane, John. Can Learnability Save New-Keynesian Models ? Cambridge, MA : National Bureau of Economic Research, octobre 2009. http://dx.doi.org/10.3386/w15459.
Texte intégralde Miguel Beriain, Iñigo, Aliuska Duardo Sánchez et José Antonio Castillo Parrilla. What Can We Do with the Data of Deceased People ? A Normative Proposal. Universitätsbibliothek J. C. Senckenberg, Frankfurt am Main, 2021. http://dx.doi.org/10.21248/gups.64580.
Texte intégralBlundell, S. Micro-terrain and canopy feature extraction by breakline and differencing analysis of gridded elevation models : identifying terrain model discontinuities with application to off-road mobility modeling. Engineer Research and Development Center (U.S.), avril 2021. http://dx.doi.org/10.21079/11681/40185.
Texte intégral