Littérature scientifique sur le sujet « CNN MODELS »
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 MODELS ».
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 MODELS"
Mohammed, Mohammed Ameen, Zheng Han et Yange Li. « Exploring the Detection Accuracy of Concrete Cracks Using Various CNN Models ». Advances in Materials Science and Engineering 2021 (9 septembre 2021) : 1–11. http://dx.doi.org/10.1155/2021/9923704.
Texte intégralHassan, Esraa, Nora El-Rashidy et fatma M. Talaa. « Review : Mask R-CNN Models ». Nile Journal of Communication and Computer Science 3, no 1 (1 mai 2022) : 17–27. http://dx.doi.org/10.21608/njccs.2022.280047.
Texte intégralITOH, MAKOTO, et LEON O. CHUA. « EQUIVALENT CNN CELL MODELS AND PATTERNS ». International Journal of Bifurcation and Chaos 13, no 05 (mai 2003) : 1055–161. http://dx.doi.org/10.1142/s0218127403007151.
Texte intégralSuresh, Neha, et Dr AnandiGiridharan Dr.AnandiGiridharan. « Predicting Groundnut Disease using CNN Models ». Journal of University of Shanghai for Science and Technology 23, no 06 (18 juin 2021) : 756–66. http://dx.doi.org/10.51201/jusst/21/05335.
Texte intégralJing, Juntong. « Denoising Adversarial Examples Using CNN Models ». Journal of Physics : Conference Series 2181, no 1 (1 janvier 2022) : 012029. http://dx.doi.org/10.1088/1742-6596/2181/1/012029.
Texte intégralWang, Keyi. « Static and Dynamic Hand Gesture Recognition Using CNN Models ». International Journal of Bioscience, Biochemistry and Bioinformatics 11, no 3 (2021) : 65–73. http://dx.doi.org/10.17706/ijbbb.2021.11.3.65-73.
Texte intégralZhan, Zhiwei, Guoliang Liao, Xiang Ren, Guangsi Xiong, Weilin Zhou, Wenchao Jiang et Hong Xiao. « RA-CNN ». International Journal of Software Science and Computational Intelligence 14, no 1 (1 janvier 2022) : 1–14. http://dx.doi.org/10.4018/ijssci.311446.
Texte intégralGÁL, V., J. HÁMORI, T. ROSKA, D. BÁLYA, ZS BOROSTYÁNKŐI, M. BRENDEL, K. LOTZ et al. « RECEPTIVE FIELD ATLAS AND RELATED CNN MODELS ». International Journal of Bifurcation and Chaos 14, no 02 (février 2004) : 551–84. http://dx.doi.org/10.1142/s0218127404009545.
Texte intégralAlofi, Najla, Wafa Alonezi et Wedad Alawad. « WBC-CNN : Efficient CNN-Based Models to Classify White Blood Cells Subtypes ». International Journal of Online and Biomedical Engineering (iJOE) 17, no 13 (6 décembre 2021) : 135–50. http://dx.doi.org/10.3991/ijoe.v17i13.27373.
Texte intégralNoh, Seol-Hyun. « Gradient Flow Analysis and Performance Comparison of CNN Models ». Journal of KIISE 48, no 1 (31 janvier 2021) : 100–106. http://dx.doi.org/10.5626/jok.2021.48.1.100.
Texte intégralThèses sur le sujet "CNN MODELS"
Lind, Johan. « Evaluating CNN-based models for unsupervised image denoising ». Thesis, Linköpings universitet, Institutionen för datavetenskap, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-176092.
Texte intégralSöderström, Douglas. « Comparing pre-trained CNN models on agricultural machines ». Thesis, Umeå universitet, Institutionen för fysik, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:umu:diva-185333.
Texte intégralNorlund, Tobias. « The Use of Distributional Semantics in Text Classification Models : Comparative performance analysis of popular word embeddings ». Thesis, Linköpings universitet, Datorseende, 2016. http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-127991.
Texte intégralSuresh, Sreerag. « An Analysis of Short-Term Load Forecasting on Residential Buildings Using Deep Learning Models ». Thesis, Virginia Tech, 2020. http://hdl.handle.net/10919/99287.
Texte intégralMaster of Science
Building energy load forecasting is becoming an increasingly important task with the rapid deployment of smart homes, integration of renewables into the grid and the advent of decentralized energy systems. Residential load forecasting has been a challenging task since residential load is highly stochastic. Deep learning models have showed tremendous promise in the fields of time-series and sequential data and have been successfully used in the field of short-term load forecasting. Although, other studies have looked at using deep learning models for building energy forecasting, most of those studies have looked at only a single home or an aggregate load of a collection of homes. This study aims to address this gap and serve as an analysis on short term load forecasting on 3 communities of residential buildings. Detailed analysis on the model performances across all homes have been studied. Deep learning models have been used in this study and their efficacy is measured compared to a simple ANN model.
Wang, Zhihao. « Land Cover Classification on Satellite Image Time Series Using Deep Learning Models ». The Ohio State University, 2020. http://rave.ohiolink.edu/etdc/view?acc_num=osu159559249009195.
Texte intégralNilsson, Kristian, et Hans-Eric Jönsson. « A comparison of image and object level annotation performance of image recognition cloud services and custom Convolutional Neural Network models ». Thesis, Blekinge Tekniska Högskola, Institutionen för programvaruteknik, 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:bth-18074.
Texte intégralYou, Yantian. « Sparsity Analysis of Deep Learning Models and Corresponding Accelerator Design on FPGA ». Thesis, KTH, Skolan för informations- och kommunikationsteknik (ICT), 2016. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-204409.
Texte intégralHuss, 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.
Jonsson, Tim, et Isabella Tapper. « Evaluation of two CNN models, VGGNet-16 & ; VGGNet-19, for classification of Alzheimer’s disease in brain MRI scans ». Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-280141.
Texte intégralDatorstödd diagnostisk (CAD) uppkom under tidigt 50-tal och har sedan dess använts för att diagnostisera många medicinska tillstånd och sjukdomar. Specifikt CAD för Alzheimers sjukdom (AD) har undersökts kraftigt det senaste decenniet till följd av uppkomsten av avancerade hjärnavbildningstekniker såsom Magnetic Resonanse Imaging (MRI) och Positron Emission Tomography (PET). I dagsläget lider 44 miljoner människor av AD. Forskare hoppas i framtiden kunna upptäcka sjukdomen i ett tidigt stadie, men i dagsläget finns ingen pålitlig indikator som med god säkerhet kan klassificera AD. Enligt experter är dock maskininlärning och hjärnavbildningstekniker de mest lovande områdena för tidig diagnostik av AD. Den masknikinlärningsmodell som ligger i framkant för bildigenkänning är faltningsnätverk (CNN). Vid en ny studie av Bharati Vidyapeeth’s College of Engineering och Karunya University användes ett CNN, VGG-16, för att klassificera AD med hjälp av MRI-bilder. Experimentet utfördes på data från Alzheimer’s Disease Neuroimaging Initiative (ADNI) och uppnådde en träffsäkerhet på 95.73%. Syftet med vår studie var att utvärdera två CNN-modeller, VGGNet-16 och VGGNet-19, för att jämföra deras resultat och prestanda vid klassificering av AD med bilder från ADNI-databasen. Uppsättningar av bilder valdes varav hippocampus inkluderades i vissa och exkluderades i andra, detta då AD tros börja i hippocampus. Med överförningsinlärning tränades CNN modellerna på (a) slumpmässigt utvalt valideringsdata, (b) korsvalidering, och (c) bilder utan hippocampus. Resultatet visade att modellerna var bra på att klassificera sanna-negativa, d.v.s. friska patienter klassas som friska. Därefter visade även resultatet att modellerna uppnådde en högre träffsäkerhet i experiment (a) och (b) än i (c). Detta medför att hippocampus kan ses som en användbar biomarkör. Slutligen visade resultatet att modellerna statistiskt sett inte kan urskiljas från varandra, vilket kan tyda på att de presterar lika. Dock visade denna studie att simpla CNN-modeller kan användas för att klassificera AD på väldigt begränsad mängd data. De två modellerna uppnådde en träffsäkerhet på mellan 66,6% – 74,8% vid klassificering av AD beroende på hur modellerna tränats.
Mukhedkar, Dhananjay. « Polyphonic Music Instrument Detection on Weakly Labelled Data using Sequence Learning Models ». Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-279060.
Texte intégralPolyfonisk eller multipel musikinstrumentdetektering är ett svårt problem jämfört med att detektera enstaka eller soloinstrument i en ljudinspelning. Eftersom musik är tidsseriedata kan den modelleras med hjälp av sekvensinlärningsmetoder inom djup inlärning. Nyligen har ’Temporal Convolutional Network’ (TCN) visat sig överträffa konventionella ’Recurrent Neural Network’ (RNN) på flertalet sekvensmodelleringsuppgifter. Även om det har skett betydande förbättringar i metoder för djup inlärning, blir dataknapphet ett problem vid utbildning av storskaliga modeller. Svagt märkta data är ett alternativ där ett klipp kommenteras för närvaro av frånvaro av instrument utan att ange de tidpunkter då ett instrument låter. Denna studie undersöker hur TCN-modellen jämförs med en ’Long Short-Term Memory’ (LSTM) -modell medan den tränas i svagt märkta datasätt. Resultaten visade framgångsrik utbildning av båda modellerna tillsammans med generalisering i en separat datasats. Jämförelsen visade att TCN presterade bättre än LSTM, men endast marginellt. Därför kan man från de genomförda experimenten inte uttryckligen dra slutsatsen om TCN övertygande är ett bättre val jämfört med LSTM i samband med instrumentdetektering, men definitivt ett starkt alternativ.
Livres sur le sujet "CNN MODELS"
Gestures Can Create Models that Help Thinking. [New York, N.Y.?] : [publisher not identified], 2019.
Trouver le texte intégralGreene, 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 intégralSt-Amour, Luc. Realistic Construction Models You Can Make (Vehicles You Can Make Series). East Petersburg, PA : Fox Chapel Publishing Company, 2001.
Trouver le texte intégralDueker, Michael. Can markov switching models predict excess foreign exchange returns ? [St. Louis, Mo.] : Federal Reserve Bank of St. Louis, 2001.
Trouver le texte intégralRudd, Jeremy Bay. Can rational expectations sticky-price models explain inflation dynamics ? Washington, D.C : Federal Reserve Board, 2003.
Trouver le texte intégral1968-, Johnson Kent J., dir. Small railroads you can build. 2e éd. Waukesha, WI : Kalmbach Pub. Co., 1996.
Trouver le texte intégralAntonio Diez de los Rios. Can affine term structure models help us predict exchange rates ? [Ottawa] : Bank of Canada, 2006.
Trouver le texte intégralChapitres de livres sur le sujet "CNN MODELS"
Bisong, Ekaba. « Convolutional Neural Networks (CNN) ». Dans Building Machine Learning and Deep Learning Models on Google Cloud Platform, 423–41. Berkeley, CA : Apress, 2019. http://dx.doi.org/10.1007/978-1-4842-4470-8_35.
Texte intégralPatil, Lakshmi, et V. D. Mytri. « Face Recognition with Inception-Based CNN Models ». Dans Algorithms for Intelligent Systems, 489–504. Singapore : Springer Singapore, 2021. http://dx.doi.org/10.1007/978-981-15-6707-0_48.
Texte intégralSingh Rajput, Shyam, Deepak Rai, Deeti Hothrik, Sudhanshu Kumar et Shubhangi Singh. « CNN-Based Models for Image Forgery Detection ». Dans Studies in Computational Intelligence, 185–97. Singapore : Springer Nature Singapore, 2022. http://dx.doi.org/10.1007/978-981-19-6290-5_10.
Texte intégralSanga, Haripriya, Pranuthi Saka, Manoja Nanded, Kousar Nikhath Alpuri et Sandhya Nadella. « Tilapia Fish Freshness Detection Using CNN Models ». Dans Communications in Computer and Information Science, 67–80. Cham : Springer Nature Switzerland, 2024. http://dx.doi.org/10.1007/978-3-031-56703-2_6.
Texte intégralYang, Wenli, Guan Huang, Renjie Li, Jiahao Yu, Yanyu Chen et Quan Bai. « Hybrid CNN-Interpreter : Interprete Local and Global Contexts for CNN-Based Models ». Dans Lecture Notes in Computer Science, 197–208. Singapore : Springer Nature Singapore, 2023. http://dx.doi.org/10.1007/978-981-99-8391-9_16.
Texte intégralRepala, Vamshi Krishna, et Shiv Ram Dubey. « Dual CNN Models for Unsupervised Monocular Depth Estimation ». Dans Lecture Notes in Computer Science, 209–17. Cham : Springer International Publishing, 2019. http://dx.doi.org/10.1007/978-3-030-34869-4_23.
Texte intégralLeo, Marco, Pierluigi Cacagnì, Luca Signore, Giulio Benincasa, Mikko O. Laukkanen et Cosimo Distante. « Improving Colon Carcinoma Grading by Advanced CNN Models ». Dans Image Analysis and Processing – ICIAP 2022, 233–44. Cham : Springer International Publishing, 2022. http://dx.doi.org/10.1007/978-3-031-06427-2_20.
Texte intégralSony Priya, S., et R. I. Minu. « Comparison of Various CNN Models for Image Classification ». Dans Inventive Computation and Information Technologies, 31–43. Singapore : Springer Nature Singapore, 2023. http://dx.doi.org/10.1007/978-981-19-7402-1_3.
Texte intégralRavikumaran, P., K. Vimala Devi et K. Valarmathi. « Smart Diabetes System Using CNN in Health Data Analytics ». Dans Object Detection with Deep Learning Models, 137–63. Boca Raton : Chapman and Hall/CRC, 2022. http://dx.doi.org/10.1201/9781003206736-8.
Texte intégralHussain, Abrar, Golriz Hosseinimanesh, Samaneh Naeimabadi, Nayem Al Kayed et Romana Alam. « WearMask in COVID-19 : Identification of Wearing Facemask Based on Using CNN Model and Pre-trained CNN Models ». Dans Lecture Notes in Networks and Systems, 588–601. Cham : Springer International Publishing, 2021. http://dx.doi.org/10.1007/978-3-030-82199-9_40.
Texte intégralActes de conférences sur le sujet "CNN MODELS"
Chen, Hesen, Jingyu Wang, Qi Qi, Yujian Li et Haifeng Sun. « Bilinear CNN Models for Food Recognition ». Dans 2017 International Conference on Digital Image Computing : Techniques and Applications (DICTA). IEEE, 2017. http://dx.doi.org/10.1109/dicta.2017.8227411.
Texte intégralZhang, Feiyang, Shanglong Yang, Shuaiwei Guo et Xu Xia. « Lymphoma recognition based on CNN models ». Dans 2nd IYSF Academic Symposium on Artificial Intelligence and Computer Engineering, sous la direction de Wei Qin. SPIE, 2021. http://dx.doi.org/10.1117/12.2623096.
Texte intégralTian, Cuihua, Yiping Zhang, Jingmin Gao et Zhigang Hu. « Arrhythmia Classification Using 2D-CNN Models ». Dans CCEAI 2022 : The 6th International Conference on Control Engineering and Artificial Intelligence. New York, NY, USA : ACM, 2022. http://dx.doi.org/10.1145/3522749.3523080.
Texte intégralSlavova, Angela. « Local activity in reaction-diffusion CNN models ». Dans RENEWABLE ENERGY SOURCES AND TECHNOLOGIES. AIP Publishing, 2019. http://dx.doi.org/10.1063/1.5127495.
Texte intégralBulus, Ercan. « Gender Determination from Pictures with CNN Models ». Dans 2021 6th International Conference on Computer Science and Engineering (UBMK). IEEE, 2021. http://dx.doi.org/10.1109/ubmk52708.2021.9558915.
Texte intégralChuanjie, Zhang, et Zhu Changming. « Facial Expression Recognition Integrating Multiple CNN Models ». Dans 2020 IEEE 6th International Conference on Computer and Communications (ICCC). IEEE, 2020. http://dx.doi.org/10.1109/iccc51575.2020.9345285.
Texte intégralAskar, Mariam M., Amgad A. Salama, Hassan M. Elkamchouchi et Adel M. Al-Fahar. « Breast Cancer Classification Using Various CNN Models ». Dans 2023 International Telecommunications Conference (ITC-Egypt). IEEE, 2023. http://dx.doi.org/10.1109/itc-egypt58155.2023.10206336.
Texte intégralRathore, Hemant, Taeeb Bandwala, Sanjay K. Sahay et Mohit Sewak. « Are CNN based Malware Detection Models Robust ? » Dans SenSys '21 : The 19th ACM Conference on Embedded Networked Sensor Systems. New York, NY, USA : ACM, 2021. http://dx.doi.org/10.1145/3485730.3492867.
Texte intégralBogar, Shruti Manojkumar, Pranav Deshmukh, Ch Venkata Rami Reddy et Suneetha Muvva. « Monkeypox Detection using CNN-Based Pretrained Models ». Dans 2023 Second International Conference on Augmented Intelligence and Sustainable Systems (ICAISS). IEEE, 2023. http://dx.doi.org/10.1109/icaiss58487.2023.10250644.
Texte intégralKavitha, S., K. Prakash Kumar, M. Dharshini et S. Sathyavathi. « Medical Mask Detection Using Various CNN Models ». Dans 2021 International Conference on Advancements in Electrical, Electronics, Communication, Computing and Automation (ICAECA). IEEE, 2021. http://dx.doi.org/10.1109/icaeca52838.2021.9675506.
Texte intégralRapports d'organisations sur le sujet "CNN MODELS"
Zhang, 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 intégralDixon, Peter, Michael Jerie et Maureen Rimmer. Modern Trade Theory for CGE Modelling : the Armington, Krugman and Melitz Models. GTAP Technical Paper, février 2015. http://dx.doi.org/10.21642/gtap.tp36.
Texte intégralSpilimbergo, Antonio. Growth and Trade : The North can Lose. Inter-American Development Bank, janvier 1997. http://dx.doi.org/10.18235/0011604.
Texte intégralHamill, Daniel D., Jeremy J. Giovando, Chandler S. Engel, Travis A. Dahl et Michael D. Bartles. Application of a Radiation-Derived Temperature Index Model to the Willow Creek Watershed in Idaho, USA. U.S. Army Engineer Research and Development Center, août 2021. http://dx.doi.org/10.21079/11681/41360.
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 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, 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 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 intégralFrancois, Joseph. Scale Economies and Imperfect Competition in the GTAP Model. GTAP Technical Paper, septembre 2000. http://dx.doi.org/10.21642/gtap.tp14.
Texte intégralMatar, Walid, et Rami Shabaneh. Can Oil Refiners Adjust to a Greater Supply of Shale Oil ? King Abdullah Petroleum Studies and Research Center, janvier 2021. http://dx.doi.org/10.30573/ks--2020-dp27.
Texte intégral