Zobrazeno 1 - 10
of 68
pro vyhledávání: '"Spatial transformer networks"'
Publikováno v:
Sensors, Vol 23, Iss 11, p 5273 (2023)
Data augmentation has been widely used to improve generalization in training deep neural networks. Recent works show that using worst-case transformations or adversarial augmentation strategies can significantly improve accuracy and robustness. Howev
Externí odkaz:
https://doaj.org/article/38851932cd0440d788b09ce8661e0a6a
Publikováno v:
Sensors, Vol 21, Iss 12, p 4182 (2021)
The early diagnosis of Alzheimer’s disease (AD) can allow patients to take preventive measures before irreversible brain damage occurs. It can be seen from cross-sectional imaging studies of AD that the features of the lesion areas in AD patients,
Externí odkaz:
https://doaj.org/article/3dbc998e8bfa4c9eb725a22a7819f40e
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:
Applied Sciences, Vol 9, Iss 5, p 1010 (2019)
Recently, automatic modulation recognition has been an important research topic in wireless communication. Due to the application of deep learning, it is prospective of using convolution neural networks on raw in-phase and quadrature signals in devel
Externí odkaz:
https://doaj.org/article/d63068ff4fd34b8ba2eaec585ba239d5
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:
ICPR
Spatial transformer networks (STNs) were designed to enable convolutional neural networks (CNNs) to learn invariance to image transformations. STNs were originally proposed to transform CNN feature maps as well as input images. This enables the use o
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::2454ddefc69af1e56514afc881bfb494
http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-288723
http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-288723
A large number of deep learning architectures use spatial transformations of CNN feature maps or filters to better deal with variability in object appearance caused by natural image transformations. In this paper, we prove that spatial transformation
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=dedup_wf_001::285d2714283c586cb49fe8acec87d858
http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-272970
http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-272970
Spatial transformer networks (STNs) were designed to enable CNNs to learn invariance to image transformations. STNs were originally proposed to transform CNN feature maps as well as input images. This enables the use of more complex features when pre
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::a5220f08476ca6e15ac227662381b605
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.