Добірка наукової літератури з теми "CNN MODELS"
Оформте джерело за APA, MLA, Chicago, Harvard та іншими стилями
Ознайомтеся зі списками актуальних статей, книг, дисертацій, тез та інших наукових джерел на тему "CNN MODELS".
Біля кожної праці в переліку літератури доступна кнопка «Додати до бібліографії». Скористайтеся нею – і ми автоматично оформимо бібліографічне посилання на обрану працю в потрібному вам стилі цитування: APA, MLA, «Гарвард», «Чикаго», «Ванкувер» тощо.
Також ви можете завантажити повний текст наукової публікації у форматі «.pdf» та прочитати онлайн анотацію до роботи, якщо відповідні параметри наявні в метаданих.
Статті в журналах з теми "CNN MODELS"
Mohammed, Mohammed Ameen, Zheng Han, and Yange Li. "Exploring the Detection Accuracy of Concrete Cracks Using Various CNN Models." Advances in Materials Science and Engineering 2021 (September 9, 2021): 1–11. http://dx.doi.org/10.1155/2021/9923704.
Повний текст джерелаHassan, Esraa, Nora El-Rashidy, and fatma M. Talaa. "Review: Mask R-CNN Models." Nile Journal of Communication and Computer Science 3, no. 1 (May 1, 2022): 17–27. http://dx.doi.org/10.21608/njccs.2022.280047.
Повний текст джерелаITOH, MAKOTO, and LEON O. CHUA. "EQUIVALENT CNN CELL MODELS AND PATTERNS." International Journal of Bifurcation and Chaos 13, no. 05 (May 2003): 1055–161. http://dx.doi.org/10.1142/s0218127403007151.
Повний текст джерелаSuresh, Neha, and Dr AnandiGiridharan Dr.AnandiGiridharan. "Predicting Groundnut Disease using CNN Models." Journal of University of Shanghai for Science and Technology 23, no. 06 (June 18, 2021): 756–66. http://dx.doi.org/10.51201/jusst/21/05335.
Повний текст джерелаJing, Juntong. "Denoising Adversarial Examples Using CNN Models." Journal of Physics: Conference Series 2181, no. 1 (January 1, 2022): 012029. http://dx.doi.org/10.1088/1742-6596/2181/1/012029.
Повний текст джерелаWang, 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.
Повний текст джерелаZhan, Zhiwei, Guoliang Liao, Xiang Ren, Guangsi Xiong, Weilin Zhou, Wenchao Jiang, and Hong Xiao. "RA-CNN." International Journal of Software Science and Computational Intelligence 14, no. 1 (January 1, 2022): 1–14. http://dx.doi.org/10.4018/ijssci.311446.
Повний текст джерелаGÁL, 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 (February 2004): 551–84. http://dx.doi.org/10.1142/s0218127404009545.
Повний текст джерелаAlofi, Najla, Wafa Alonezi, and 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 (December 6, 2021): 135–50. http://dx.doi.org/10.3991/ijoe.v17i13.27373.
Повний текст джерелаNoh, Seol-Hyun. "Gradient Flow Analysis and Performance Comparison of CNN Models." Journal of KIISE 48, no. 1 (January 31, 2021): 100–106. http://dx.doi.org/10.5626/jok.2021.48.1.100.
Повний текст джерелаДисертації з теми "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.
Повний текст джерелаSöderström, 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.
Повний текст джерелаNorlund, 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.
Повний текст джерелаSuresh, 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.
Повний текст джерелаMaster 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.
Повний текст джерелаNilsson, Kristian, and 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.
Повний текст джерелаYou, 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.
Повний текст джерелаHuss, 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.
Повний текст джерелаDen 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, and 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.
Повний текст джерелаDatorstödd 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.
Повний текст джерелаPolyfonisk 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.
Книги з теми "CNN MODELS"
Gestures Can Create Models that Help Thinking. [New York, N.Y.?]: [publisher not identified], 2019.
Знайти повний текст джерелаGreene, Carol. I can be a model. Chicago: Childrens Press, 1985.
Знайти повний текст джерелаGreene, Carol. I can be a model. Chicago: Childrens Press, 1985.
Знайти повний текст джерелаTrackside scenes you can model. Waukesha, WI: Kalmbach Books, 2003.
Знайти повний текст джерелаGreene, Carol. I can be a model. Chicago: Childrens Press, 1985.
Знайти повний текст джерелаSt-Amour, Luc. Realistic Construction Models You Can Make (Vehicles You Can Make Series). East Petersburg, PA: Fox Chapel Publishing Company, 2001.
Знайти повний текст джерелаDueker, Michael. Can markov switching models predict excess foreign exchange returns? [St. Louis, Mo.]: Federal Reserve Bank of St. Louis, 2001.
Знайти повний текст джерелаRudd, Jeremy Bay. Can rational expectations sticky-price models explain inflation dynamics? Washington, D.C: Federal Reserve Board, 2003.
Знайти повний текст джерела1968-, Johnson Kent J., ed. Small railroads you can build. 2nd ed. Waukesha, WI: Kalmbach Pub. Co., 1996.
Знайти повний текст джерелаAntonio Diez de los Rios. Can affine term structure models help us predict exchange rates? [Ottawa]: Bank of Canada, 2006.
Знайти повний текст джерелаЧастини книг з теми "CNN MODELS"
Bisong, Ekaba. "Convolutional Neural Networks (CNN)." In 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.
Повний текст джерелаPatil, Lakshmi, and V. D. Mytri. "Face Recognition with Inception-Based CNN Models." In Algorithms for Intelligent Systems, 489–504. Singapore: Springer Singapore, 2021. http://dx.doi.org/10.1007/978-981-15-6707-0_48.
Повний текст джерелаSingh Rajput, Shyam, Deepak Rai, Deeti Hothrik, Sudhanshu Kumar, and Shubhangi Singh. "CNN-Based Models for Image Forgery Detection." In Studies in Computational Intelligence, 185–97. Singapore: Springer Nature Singapore, 2022. http://dx.doi.org/10.1007/978-981-19-6290-5_10.
Повний текст джерелаSanga, Haripriya, Pranuthi Saka, Manoja Nanded, Kousar Nikhath Alpuri, and Sandhya Nadella. "Tilapia Fish Freshness Detection Using CNN Models." In 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.
Повний текст джерелаYang, Wenli, Guan Huang, Renjie Li, Jiahao Yu, Yanyu Chen, and Quan Bai. "Hybrid CNN-Interpreter: Interprete Local and Global Contexts for CNN-Based Models." In Lecture Notes in Computer Science, 197–208. Singapore: Springer Nature Singapore, 2023. http://dx.doi.org/10.1007/978-981-99-8391-9_16.
Повний текст джерелаRepala, Vamshi Krishna, and Shiv Ram Dubey. "Dual CNN Models for Unsupervised Monocular Depth Estimation." In Lecture Notes in Computer Science, 209–17. Cham: Springer International Publishing, 2019. http://dx.doi.org/10.1007/978-3-030-34869-4_23.
Повний текст джерелаLeo, Marco, Pierluigi Cacagnì, Luca Signore, Giulio Benincasa, Mikko O. Laukkanen, and Cosimo Distante. "Improving Colon Carcinoma Grading by Advanced CNN Models." In 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.
Повний текст джерелаSony Priya, S., and R. I. Minu. "Comparison of Various CNN Models for Image Classification." In Inventive Computation and Information Technologies, 31–43. Singapore: Springer Nature Singapore, 2023. http://dx.doi.org/10.1007/978-981-19-7402-1_3.
Повний текст джерелаRavikumaran, P., K. Vimala Devi, and K. Valarmathi. "Smart Diabetes System Using CNN in Health Data Analytics." In Object Detection with Deep Learning Models, 137–63. Boca Raton: Chapman and Hall/CRC, 2022. http://dx.doi.org/10.1201/9781003206736-8.
Повний текст джерелаHussain, Abrar, Golriz Hosseinimanesh, Samaneh Naeimabadi, Nayem Al Kayed, and Romana Alam. "WearMask in COVID-19: Identification of Wearing Facemask Based on Using CNN Model and Pre-trained CNN Models." In 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.
Повний текст джерелаТези доповідей конференцій з теми "CNN MODELS"
Chen, Hesen, Jingyu Wang, Qi Qi, Yujian Li, and Haifeng Sun. "Bilinear CNN Models for Food Recognition." In 2017 International Conference on Digital Image Computing: Techniques and Applications (DICTA). IEEE, 2017. http://dx.doi.org/10.1109/dicta.2017.8227411.
Повний текст джерелаZhang, Feiyang, Shanglong Yang, Shuaiwei Guo, and Xu Xia. "Lymphoma recognition based on CNN models." In 2nd IYSF Academic Symposium on Artificial Intelligence and Computer Engineering, edited by Wei Qin. SPIE, 2021. http://dx.doi.org/10.1117/12.2623096.
Повний текст джерелаTian, Cuihua, Yiping Zhang, Jingmin Gao, and Zhigang Hu. "Arrhythmia Classification Using 2D-CNN Models." In 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.
Повний текст джерелаSlavova, Angela. "Local activity in reaction-diffusion CNN models." In RENEWABLE ENERGY SOURCES AND TECHNOLOGIES. AIP Publishing, 2019. http://dx.doi.org/10.1063/1.5127495.
Повний текст джерелаBulus, Ercan. "Gender Determination from Pictures with CNN Models." In 2021 6th International Conference on Computer Science and Engineering (UBMK). IEEE, 2021. http://dx.doi.org/10.1109/ubmk52708.2021.9558915.
Повний текст джерелаChuanjie, Zhang, and Zhu Changming. "Facial Expression Recognition Integrating Multiple CNN Models." In 2020 IEEE 6th International Conference on Computer and Communications (ICCC). IEEE, 2020. http://dx.doi.org/10.1109/iccc51575.2020.9345285.
Повний текст джерелаAskar, Mariam M., Amgad A. Salama, Hassan M. Elkamchouchi, and Adel M. Al-Fahar. "Breast Cancer Classification Using Various CNN Models." In 2023 International Telecommunications Conference (ITC-Egypt). IEEE, 2023. http://dx.doi.org/10.1109/itc-egypt58155.2023.10206336.
Повний текст джерелаRathore, Hemant, Taeeb Bandwala, Sanjay K. Sahay, and Mohit Sewak. "Are CNN based Malware Detection Models Robust?" In 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.
Повний текст джерелаBogar, Shruti Manojkumar, Pranav Deshmukh, Ch Venkata Rami Reddy, and Suneetha Muvva. "Monkeypox Detection using CNN-Based Pretrained Models." In 2023 Second International Conference on Augmented Intelligence and Sustainable Systems (ICAISS). IEEE, 2023. http://dx.doi.org/10.1109/icaiss58487.2023.10250644.
Повний текст джерелаKavitha, S., K. Prakash Kumar, M. Dharshini, and S. Sathyavathi. "Medical Mask Detection Using Various CNN Models." In 2021 International Conference on Advancements in Electrical, Electronics, Communication, Computing and Automation (ICAECA). IEEE, 2021. http://dx.doi.org/10.1109/icaeca52838.2021.9675506.
Повний текст джерелаЗвіти організацій з теми "CNN MODELS"
Zhang, Yongping, Wen Cheng, and Xudong Jia. Enhancement of Multimodal Traffic Safety in High-Quality Transit Areas. Mineta Transportation Institute, February 2021. http://dx.doi.org/10.31979/mti.2021.1920.
Повний текст джерелаDixon, Peter, Michael Jerie, and Maureen Rimmer. Modern Trade Theory for CGE Modelling: the Armington, Krugman and Melitz Models. GTAP Technical Paper, February 2015. http://dx.doi.org/10.21642/gtap.tp36.
Повний текст джерелаSpilimbergo, Antonio. Growth and Trade: The North can Lose. Inter-American Development Bank, January 1997. http://dx.doi.org/10.18235/0011604.
Повний текст джерелаHamill, Daniel D., Jeremy J. Giovando, Chandler S. Engel, Travis A. Dahl, and 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, August 2021. http://dx.doi.org/10.21079/11681/41360.
Повний текст джерелаCochrane, John. Can Learnability Save New-Keynesian Models? Cambridge, MA: National Bureau of Economic Research, October 2009. http://dx.doi.org/10.3386/w15459.
Повний текст джерелаSlavova, Angela, and Nikolay Kyurkchiev. On CNN Model of Black–Scholes Equation with Leland Correction. "Prof. Marin Drinov" Publishing House of Bulgarian Academy of Sciences, January 2018. http://dx.doi.org/10.7546/crabs.2018.02.03.
Повний текст джерелаSlavova, Angela, and Nikolay Kyurkchiev. On CNN Model of Black–Scholes Equation with Leland Correction. "Prof. Marin Drinov" Publishing House of Bulgarian Academy of Sciences, February 2018. http://dx.doi.org/10.7546/grabs2018.2.03.
Повний текст джерелаBarhak, Jacob. Supplemental Information: The Reference Model is a Multi-Scale Ensemble Model of COVID-19. Outbreak, May 2021. http://dx.doi.org/10.34235/b7eaa32b-1a6b-444f-9848-76f83f5a733c.
Повний текст джерелаFrancois, Joseph. Scale Economies and Imperfect Competition in the GTAP Model. GTAP Technical Paper, September 2000. http://dx.doi.org/10.21642/gtap.tp14.
Повний текст джерелаMatar, Walid, and Rami Shabaneh. Can Oil Refiners Adjust to a Greater Supply of Shale Oil? King Abdullah Petroleum Studies and Research Center, January 2021. http://dx.doi.org/10.30573/ks--2020-dp27.
Повний текст джерела