Zobrazeno 1 - 10
of 35 910
pro vyhledávání: '"Conn, P."'
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.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Rejecting cosmic rays (CRs) is essential for the scientific interpretation of CCD-captured data, but detecting CRs in single-exposure images has remained challenging. Conventional CR detectors require experimental parameter tuning for different instr
Externí odkaz:
http://arxiv.org/abs/2106.14922
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.
Publikováno v:
Frontiers in Neuroscience, Vol 17 (2023)
Quality control (QC) for functional connectivity magnetic resonance imaging (FC-MRI) is critical to ensure the validity of neuroimaging studies. Noise confounds are common in MRI data and, if not accounted for, may introduce biases in functional meas
Externí odkaz:
https://doaj.org/article/7d83e49145fa49c7881f9c24ab898b38
Publikováno v:
Ciencia & Salud, Vol 8, Iss 1 (2024)
Se estudia el caso de una paciente femenina de 33 años, conocida hipertensa desde los 17 años, con reciente tratamiento antihipertensivo, con historia de dos gestas sin antecedente de preeclamsia, quien es remitida de la consulta de medicina famili
Externí odkaz:
https://doaj.org/article/534a8cdfc85d412884f7ba646df4ffa1
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
We propose a new approach, called cooperative neural networks (CoNN), which uses a set of cooperatively trained neural networks to capture latent representations that exploit prior given independence structure. The model is more flexible than traditi
Externí odkaz:
http://arxiv.org/abs/1906.00291