Zobrazeno 1 - 10
of 64 813
pro vyhledávání: '"Anuran"'
Publikováno v:
Animals (2076-2615). Oct2024, Vol. 14 Issue 20, p2931. 14p.
Autor:
Garey, Michel V., Gonçalves-Souza, Thiago, Nomura, Fausto, Souza, Franco Leandro, Solé, Mirco, Menin, Marcelo, Rossa-Feres, Denise C.
Publikováno v:
Diversity and Distributions, 2023 Dec 01. 29(12), 1609-1622.
Externí odkaz:
https://www.jstor.org/stable/48749386
Autor:
da Fontoura Sperandei, Vinícius1,2 vinicius.sperandei@gmail.com, Vaz-Silva, Wilian3, Tejerina-Garro, Francisco Leonardo1,3,4
Publikováno v:
Biota Neotropica (Edicao em Iingles). 2024, Vol. 24 Issue 3, p1-10. 10p.
Multi-label imbalanced classification poses a significant challenge in machine learning, particularly evident in bioacoustics where animal sounds often co-occur, and certain sounds are much less frequent than others. This paper focuses on the specifi
Externí odkaz:
http://arxiv.org/abs/2403.09598
Autor:
Sinsch, Ulrich1 (AUTHOR) dehling@uni-koblenz.de, Tuyisingize, Deogratias2 (AUTHOR) dtuyisingize@gorillafund.org, Dehling, Jonas Maximilian1 (AUTHOR), van der Hoek, Yntze2 (AUTHOR) yvanderhoek@gorillafund.org
Publikováno v:
Animals (2076-2615). Aug2024, Vol. 14 Issue 16, p2360. 21p.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Landler, Lukas1 (AUTHOR) lukas.landler@boku.ac.at, Kornilev, Yurii V.1,2 (AUTHOR) stephan.burgstaller@boku.ac.at, Burgstaller, Stephan1 (AUTHOR) janette.siebert@boku.ac.at, Siebert, Janette1 (AUTHOR) maria.krall@s.boku.ac.at, Krall, Maria1 (AUTHOR) magdalena.spiessberger@boku.ac.at, Spießberger, Magdalena1 (AUTHOR) daniel.doerler@boku.ac.at, Dörler, Daniel1 (AUTHOR) florian.heigl@boku.ac.at, Heigl, Florian1 (AUTHOR)
Publikováno v:
Information (2078-2489). Oct2024, Vol. 15 Issue 10, p610. 9p.
Taking advantage of the structure of large datasets to pre-train Deep Learning models is a promising strategy to decrease the need for supervised data. Self-supervised learning methods, such as contrastive and its variation are a promising way toward
Externí odkaz:
http://arxiv.org/abs/2312.11240