Zobrazeno 1 - 10
of 25
pro vyhledávání: '"StyleGAN2-ADA"'
Publikováno v:
Journal of Cybersecurity and Privacy, Vol 4, Iss 3, Pp 663-677 (2024)
Deep learning models have demonstrated significant advantages over traditional algorithms in image processing tasks like object detection. However, a large amount of data are needed to train such deep networks, which limits their application to tasks
Externí odkaz:
https://doaj.org/article/d095cd97ee214970b8b9f2124b09abb6
Autor:
Ganghyun Park, Yangwon Lee
Publikováno v:
Fire, Vol 7, Iss 10, p 369 (2024)
Wildfires pose significant environmental and societal threats, necessitating improved early detection methods. This study investigates the effectiveness of integrating real-time object detection deep learning models (YOLOv8 and RT-DETR) with advanced
Externí odkaz:
https://doaj.org/article/79aea9dafa444ff1907cf3555a5123f0
Publikováno v:
Applied Sciences, Vol 14, Iss 16, p 7178 (2024)
The detailed characterization of the pore structure in sandstone is pivotal for the assessment of reservoir properties and the efficiency of oil and gas exploration. Traditional fully supervised learning algorithms are limited in performance enhancem
Externí odkaz:
https://doaj.org/article/81b04f5088564c609eace4ac53cf1f84
Publikováno v:
Big Data and Cognitive Computing, Vol 8, Iss 4, p 40 (2024)
The application of deep learning neural networks enables the processing of extensive volumes of data and often requires dense datasets. In certain domains, researchers encounter challenges related to the scarcity of training data, particularly in mar
Externí odkaz:
https://doaj.org/article/e05de763f92d4f71ac2279dba8034209
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.
Publikováno v:
Applied Sciences, Vol 13, Iss 3, p 1346 (2023)
The lack of large balanced datasets in the agricultural field is a glaring problem for researchers and developers to design and train optimal deep learning models. This paper shows that using synthetic data augmentation outperforms the standard metho
Externí odkaz:
https://doaj.org/article/fff145576f304cddbb684b779b223573
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.