Articles de revues sur le sujet « Unsupervised deep neural networks »
Créez une référence correcte selon les styles APA, MLA, Chicago, Harvard et plusieurs autres
Consultez les 50 meilleurs articles de revues pour votre recherche sur le sujet « Unsupervised deep neural networks ».
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.
Parcourez les articles de revues sur diverses disciplines et organisez correctement votre bibliographie.
Banzi, Jamal, Isack Bulugu et Zhongfu Ye. « Deep Predictive Neural Network : Unsupervised Learning for Hand Pose Estimation ». International Journal of Machine Learning and Computing 9, no 4 (août 2019) : 432–39. http://dx.doi.org/10.18178/ijmlc.2019.9.4.822.
Texte intégralGuo, Wenqi, Weixiong Zhang, Zheng Zhang, Ping Tang et Shichen Gao. « Deep Temporal Iterative Clustering for Satellite Image Time Series Land Cover Analysis ». Remote Sensing 14, no 15 (29 juillet 2022) : 3635. http://dx.doi.org/10.3390/rs14153635.
Texte intégralXu, Jianqiao, Zhaolu Zuo, Danchao Wu, Bing Li, Xiaoni Li et Deyi Kong. « Bearing Defect Detection with Unsupervised Neural Networks ». Shock and Vibration 2021 (19 août 2021) : 1–11. http://dx.doi.org/10.1155/2021/9544809.
Texte intégralFeng, Yu, et Hui Sun. « Basketball Footwork and Application Supported by Deep Learning Unsupervised Transfer Method ». International Journal of Information Technology and Web Engineering 18, no 1 (1 décembre 2023) : 1–17. http://dx.doi.org/10.4018/ijitwe.334365.
Texte intégralSun, Yanan, Gary G. Yen et Zhang Yi. « Evolving Unsupervised Deep Neural Networks for Learning Meaningful Representations ». IEEE Transactions on Evolutionary Computation 23, no 1 (février 2019) : 89–103. http://dx.doi.org/10.1109/tevc.2018.2808689.
Texte intégralShi, Yu, Cien Fan, Lian Zou, Caixia Sun et Yifeng Liu. « Unsupervised Adversarial Defense through Tandem Deep Image Priors ». Electronics 9, no 11 (19 novembre 2020) : 1957. http://dx.doi.org/10.3390/electronics9111957.
Texte intégralThakur, Amey. « Generative Adversarial Networks ». International Journal for Research in Applied Science and Engineering Technology 9, no 8 (31 août 2021) : 2307–25. http://dx.doi.org/10.22214/ijraset.2021.37723.
Texte intégralFerles, Christos, Yannis Papanikolaou, Stylianos P. Savaidis et Stelios A. Mitilineos. « Deep Self-Organizing Map of Convolutional Layers for Clustering and Visualizing Image Data ». Machine Learning and Knowledge Extraction 3, no 4 (14 novembre 2021) : 879–99. http://dx.doi.org/10.3390/make3040044.
Texte intégralZhuang, Chengxu, Siming Yan, Aran Nayebi, Martin Schrimpf, Michael C. Frank, James J. DiCarlo et Daniel L. K. Yamins. « Unsupervised neural network models of the ventral visual stream ». Proceedings of the National Academy of Sciences 118, no 3 (11 janvier 2021) : e2014196118. http://dx.doi.org/10.1073/pnas.2014196118.
Texte intégralLin, Baihan. « Regularity Normalization : Neuroscience-Inspired Unsupervised Attention across Neural Network Layers ». Entropy 24, no 1 (28 décembre 2021) : 59. http://dx.doi.org/10.3390/e24010059.
Texte intégralAbiyev, Rahib H., et Mohammad Khaleel Sallam Ma’aitah. « Deep Convolutional Neural Networks for Chest Diseases Detection ». Journal of Healthcare Engineering 2018 (1 août 2018) : 1–11. http://dx.doi.org/10.1155/2018/4168538.
Texte intégralBrowne, David, Michael Giering et Steven Prestwich. « PulseNetOne : Fast Unsupervised Pruning of Convolutional Neural Networks for Remote Sensing ». Remote Sensing 12, no 7 (29 mars 2020) : 1092. http://dx.doi.org/10.3390/rs12071092.
Texte intégralYi, Cheng. « Application of Convolutional Networks in Clothing Design from the Perspective of Deep Learning ». Scientific Programming 2022 (27 septembre 2022) : 1–8. http://dx.doi.org/10.1155/2022/6173981.
Texte intégralGhosh, Saheb, Sathis Kumar B et Kathir Deivanai. « DETECTION OF WHALES USING DEEP LEARNING METHODS AND NEURAL NETWORKS ». Asian Journal of Pharmaceutical and Clinical Research 10, no 13 (1 avril 2017) : 489. http://dx.doi.org/10.22159/ajpcr.2017.v10s1.20767.
Texte intégralSolomon, Enoch, Abraham Woubie et Krzysztof J. Cios. « UFace : An Unsupervised Deep Learning Face Verification System ». Electronics 11, no 23 (26 novembre 2022) : 3909. http://dx.doi.org/10.3390/electronics11233909.
Texte intégralAltuntas, Volkan. « NodeVector : A Novel Network Node Vectorization with Graph Analysis and Deep Learning ». Applied Sciences 14, no 2 (16 janvier 2024) : 775. http://dx.doi.org/10.3390/app14020775.
Texte intégralMa, Chao, Yun Gu, Chen Gong, Jie Yang et Deying Feng. « Unsupervised Video Hashing via Deep Neural Network ». Neural Processing Letters 47, no 3 (17 mars 2018) : 877–90. http://dx.doi.org/10.1007/s11063-018-9812-x.
Texte intégralNaidu, D. J. Samatha, et T. Mahammad Rafi. « HANDWRITTEN CHARACTER RECOGNITION USING CONVOLUTIONAL NEURAL NETWORKS ». International Journal of Computer Science and Mobile Computing 10, no 8 (30 août 2021) : 41–45. http://dx.doi.org/10.47760/ijcsmc.2021.v10i08.007.
Texte intégralHu, Ruiqi, Shirui Pan, Guodong Long, Qinghua Lu, Liming Zhu et Jing Jiang. « Going Deep : Graph Convolutional Ladder-Shape Networks ». Proceedings of the AAAI Conference on Artificial Intelligence 34, no 03 (3 avril 2020) : 2838–45. http://dx.doi.org/10.1609/aaai.v34i03.5673.
Texte intégralHuang, Qiuyuan, Li Deng, Dapeng Wu, Chang Liu et Xiaodong He. « Attentive Tensor Product Learning ». Proceedings of the AAAI Conference on Artificial Intelligence 33 (17 juillet 2019) : 1344–51. http://dx.doi.org/10.1609/aaai.v33i01.33011344.
Texte intégralHuang, Jiabo, Qi Dong, Shaogang Gong et Xiatian Zhu. « Unsupervised Deep Learning via Affinity Diffusion ». Proceedings of the AAAI Conference on Artificial Intelligence 34, no 07 (3 avril 2020) : 11029–36. http://dx.doi.org/10.1609/aaai.v34i07.6757.
Texte intégralTyshchenko, Vitalii. « ANALYSIS OF TRAINING METHODS AND NEURAL NETWORK TOOLS FOR FAKE NEWS DETECTION ». Cybersecurity : Education, Science, Technique 4, no 20 (2023) : 20–34. http://dx.doi.org/10.28925/2663-4023.2023.20.2034.
Texte intégralHeo, Seongmin, et Jay H. Lee. « Statistical Process Monitoring of the Tennessee Eastman Process Using Parallel Autoassociative Neural Networks and a Large Dataset ». Processes 7, no 7 (1 juillet 2019) : 411. http://dx.doi.org/10.3390/pr7070411.
Texte intégralCao, Yanpeng, Dayan Guan, Weilin Huang, Jiangxin Yang, Yanlong Cao et Yu Qiao. « Pedestrian detection with unsupervised multispectral feature learning using deep neural networks ». Information Fusion 46 (mars 2019) : 206–17. http://dx.doi.org/10.1016/j.inffus.2018.06.005.
Texte intégralZhang, Pengfei, et Xiaoming Ju. « Adversarial Sample Detection with Gaussian Mixture Conditional Generative Adversarial Networks ». Mathematical Problems in Engineering 2021 (13 septembre 2021) : 1–18. http://dx.doi.org/10.1155/2021/8268249.
Texte intégralKhodayar, Mahdi, et Jacob Regan. « Deep Neural Networks in Power Systems : A Review ». Energies 16, no 12 (17 juin 2023) : 4773. http://dx.doi.org/10.3390/en16124773.
Texte intégralLe Roux, Nicolas, et Yoshua Bengio. « Deep Belief Networks Are Compact Universal Approximators ». Neural Computation 22, no 8 (août 2010) : 2192–207. http://dx.doi.org/10.1162/neco.2010.08-09-1081.
Texte intégralZhu, Yi, Xinke Zhou et Xindong Wu. « Unsupervised Domain Adaptation via Stacked Convolutional Autoencoder ». Applied Sciences 13, no 1 (29 décembre 2022) : 481. http://dx.doi.org/10.3390/app13010481.
Texte intégralLin, Yi-Nan, Tsang-Yen Hsieh, Cheng-Ying Yang, Victor RL Shen, Tony Tong-Ying Juang et Wen-Hao Chen. « Deep Petri nets of unsupervised and supervised learning ». Measurement and Control 53, no 7-8 (9 juin 2020) : 1267–77. http://dx.doi.org/10.1177/0020294020923375.
Texte intégralSewani, Harshini, et Rasha Kashef. « An Autoencoder-Based Deep Learning Classifier for Efficient Diagnosis of Autism ». Children 7, no 10 (14 octobre 2020) : 182. http://dx.doi.org/10.3390/children7100182.
Texte intégralAjay, P., B. Nagaraj, R. Arun Kumar, Ruihang Huang et P. Ananthi. « Unsupervised Hyperspectral Microscopic Image Segmentation Using Deep Embedded Clustering Algorithm ». Scanning 2022 (6 juin 2022) : 1–9. http://dx.doi.org/10.1155/2022/1200860.
Texte intégralMamun, Abdullah Al, Em Poh Ping, Jakir Hossen, Anik Tahabilder et Busrat Jahan. « A Comprehensive Review on Lane Marking Detection Using Deep Neural Networks ». Sensors 22, no 19 (10 octobre 2022) : 7682. http://dx.doi.org/10.3390/s22197682.
Texte intégralVélez, Paulina, Manuel Miranda, Carmen Serrano et Begoña Acha. « Does a Previous Segmentation Improve the Automatic Detection of Basal Cell Carcinoma Using Deep Neural Networks ? » Applied Sciences 12, no 4 (17 février 2022) : 2092. http://dx.doi.org/10.3390/app12042092.
Texte intégralChu, Lei, Hao Pan et Wenping Wang. « Unsupervised Shape Completion via Deep Prior in the Neural Tangent Kernel Perspective ». ACM Transactions on Graphics 40, no 3 (4 juillet 2021) : 1–17. http://dx.doi.org/10.1145/3459234.
Texte intégralLi, Yibing, Sitong Zhang, Xiang Li et Fang Ye. « Remote Sensing Image Classification with Few Labeled Data Using Semisupervised Learning ». Wireless Communications and Mobile Computing 2023 (20 avril 2023) : 1–11. http://dx.doi.org/10.1155/2023/7724264.
Texte intégralZhu, Yong, Yongwei Tao et Zequn Li. « Short-circuit Current-based Parametrically Identification for Doubly Fed Induction Generator ». Advances in Engineering Technology Research 9, no 1 (27 décembre 2023) : 133. http://dx.doi.org/10.56028/aetr.9.1.133.2024.
Texte intégralPrashant Krishnan, V., S. Rajarajeswari, Venkat Krishnamohan, Vivek Chandra Sheel et R. Deepak. « Music Generation Using Deep Learning Techniques ». Journal of Computational and Theoretical Nanoscience 17, no 9 (1 juillet 2020) : 3983–87. http://dx.doi.org/10.1166/jctn.2020.9003.
Texte intégralZhu, Yancheng, Qiwei Wu et Jianzi Liu. « A Comparative Study of Contrastive Learning-Based Few-Shot Unsupervised Algorithms for Efficient Deep Learning ». Journal of Physics : Conference Series 2560, no 1 (1 août 2023) : 012048. http://dx.doi.org/10.1088/1742-6596/2560/1/012048.
Texte intégralYang, Geunbo, Wongyu Lee, Youjung Seo, Choongseop Lee, Woojoon Seok, Jongkil Park, Donggyu Sim et Cheolsoo Park. « Unsupervised Spiking Neural Network with Dynamic Learning of Inhibitory Neurons ». Sensors 23, no 16 (17 août 2023) : 7232. http://dx.doi.org/10.3390/s23167232.
Texte intégralSoydaner, Derya. « A Comparison of Optimization Algorithms for Deep Learning ». International Journal of Pattern Recognition and Artificial Intelligence 34, no 13 (30 avril 2020) : 2052013. http://dx.doi.org/10.1142/s0218001420520138.
Texte intégralPolanski, Jaroslaw. « Unsupervised Learning in Drug Design from Self-Organization to Deep Chemistry ». International Journal of Molecular Sciences 23, no 5 (3 mars 2022) : 2797. http://dx.doi.org/10.3390/ijms23052797.
Texte intégralWani, M. Arif, et Saduf Afzal. « Optimization of deep network models through fine tuning ». International Journal of Intelligent Computing and Cybernetics 11, no 3 (13 août 2018) : 386–403. http://dx.doi.org/10.1108/ijicc-06-2017-0070.
Texte intégralLiu, MengYang, MingJun Li et XiaoYang Zhang. « The Application of the Unsupervised Migration Method Based on Deep Learning Model in the Marketing Oriented Allocation of High Level Accounting Talents ». Computational Intelligence and Neuroscience 2022 (6 juin 2022) : 1–10. http://dx.doi.org/10.1155/2022/5653942.
Texte intégralLiu, MengYang, MingJun Li et XiaoYang Zhang. « The Application of the Unsupervised Migration Method Based on Deep Learning Model in the Marketing Oriented Allocation of High Level Accounting Talents ». Computational Intelligence and Neuroscience 2022 (6 juin 2022) : 1–10. http://dx.doi.org/10.1155/2022/5653942.
Texte intégralCheerla, Anika, et Olivier Gevaert. « Deep learning with multimodal representation for pancancer prognosis prediction ». Bioinformatics 35, no 14 (juillet 2019) : i446—i454. http://dx.doi.org/10.1093/bioinformatics/btz342.
Texte intégralZaveri, Zainab, Dhruv Gosain et Arul Prakash M. « Optical Compute Engine Using Deep CNN ». International Journal of Engineering & ; Technology 7, no 2.24 (25 avril 2018) : 541. http://dx.doi.org/10.14419/ijet.v7i2.24.12157.
Texte intégralLi, Jinlong, Xiaochen Yuan, Jinfeng Li, Guoheng Huang, Ping Li et Li Feng. « CD-SDN : Unsupervised Sensitivity Disparity Networks for Hyper-Spectral Image Change Detection ». Remote Sensing 14, no 19 (26 septembre 2022) : 4806. http://dx.doi.org/10.3390/rs14194806.
Texte intégralZhu, Chang-Hao, et Jie Zhang. « Developing Soft Sensors for Polymer Melt Index in an Industrial Polymerization Process Using Deep Belief Networks ». International Journal of Automation and Computing 17, no 1 (5 novembre 2019) : 44–54. http://dx.doi.org/10.1007/s11633-019-1203-x.
Texte intégralHoernle, Nick, Rafael Michael Karampatsis, Vaishak Belle et Kobi Gal. « MultiplexNet : Towards Fully Satisfied Logical Constraints in Neural Networks ». Proceedings of the AAAI Conference on Artificial Intelligence 36, no 5 (28 juin 2022) : 5700–5709. http://dx.doi.org/10.1609/aaai.v36i5.20512.
Texte intégralLi, Xuelong, Zhenghang Yuan et Qi Wang. « Unsupervised Deep Noise Modeling for Hyperspectral Image Change Detection ». Remote Sensing 11, no 3 (28 janvier 2019) : 258. http://dx.doi.org/10.3390/rs11030258.
Texte intégral