Giáo trình Mạng nơ ron học sâu và ứng dụng: Phần 1

Tài liệu có liên quan:

• Tích hợp DSM và ảnh chụp UAV với mô hình nơ-ron tích chập trong phân loại lớp phủ mặt đất

  8 trang 167 0 0

• Ứng dụng Teachable Machine trong nhận diện khuôn mặt theo thời gian thực

  4 trang 68 0 0

• Nhận dạng tấm pin mặt trời bị lỗi dựa trên dữ liệu ảnh bằng trí tuệ nhân tạo

  4 trang 67 0 0

• Ứng dụng kỹ thuật học sâu trong hỗ trợ chẩn đoán bệnh viêm phổi thông qua ảnh chụp X-quang

  11 trang 50 0 0

• Nhận dạng tín hiệu ra đa LPI sử dụng mạng nơ ron học sâu

  6 trang 47 0 0

• Nhận dạng vân tay sử dụng kỹ thuật học sâu

  9 trang 45 0 0

• Giáo trình Mạng nơ ron học sâu và ứng dụng: Phần 2

  53 trang 44 0 0

• Mô hình Deep Learning trong nhận diện cảm xúc và cảnh báo stress

  3 trang 42 0 0

• Nghiên cứu mô hình phát hiện rác thải nhựa ven biển sử dụng ảnh máy bay không người lái và mạng nơ ron tích chập sâu

  9 trang 40 0 0

• Tiểu luận Xây dựng hệ thống điểm danh bằng khuôn mặt

  15 trang 38 0 0

• Nhận diện khuôn mặt sử dụng mạng nơron tích chập xếp chồng và mô hình FaceNet

  7 trang 37 0 0

• Nâng cao khả năng phát hiện xâm nhập mạng sử dụng mạng CNN

  8 trang 34 0 0

• Nhận diện cảm xúc khuôn mặt dùng mạng nơ – ron tích chập CNN trên phần cứng Jetson TX2

  8 trang 33 0 0

• Phân loại ảnh viễn thám siêu phổ dựa trên mô hình CNN-KELM sâu

  4 trang 31 0 0

• Luận án Tiến sĩ Kỹ thuật mật mã: Một số phương pháp tấn công phân tích điện năng tiêu thụ hiệu quả sử dụng kỹ thuật xử lý tín hiệu và học máy

  132 trang 30 0 0

• Ứng dụng mạng nơ-ron tích chập trong công nghệ học sâu xây dựng mô hình phân loại rác thải tự động

  13 trang 29 0 0

• Giám sát lúa và ước tính sinh khối dựa trên thuật toán học máy với dữ liệu Sentinel-1A đa thời gian

  13 trang 28 0 0

• Sử dụng thuật toán Yolov3 nâng cao chất lượng phát hiện đối tượng cho hệ thống giám sát, bảo vệ căn cứ trên đảo

  7 trang 27 0 0

• Kết hợp mô hình YOLOv4-tiny và LSTM để nâng cao độ chính xác của hệ thống cảnh báo người có hành vi hút thuốc lá nơi công cộng

  13 trang 27 0 0

• Sử dụng phương pháp Support Vector Machine và convolutional neural network để phân loại cảm xúc của khuôn mặt

  6 trang 25 0 0