Neuste Artikel für CNNs

Die Studie nutzt fortgeschrittene Modelle, um starke Linsen zwischen Galaxien zu identifizieren.

Forscher nutzen maschinelles Lernen, um Phasenübergänge in Materialien besser zu verstehen.

Ein Blick auf Methoden zur Vorhersage von zunehmenden Hitzewellen.

Ein Fokus auf Vertrauenswürdigkeit in KI-Systemen für zuverlässige 6G-Kommunikation.

Ein neues Modell verbessert die Genauigkeit der Landnutzungskartierung mit begrenzten Daten.

Entdecke den Einfluss von stückweise linearen Aktivierungen auf Deep-Learning-Modelle.

Forschung nutzt CNN-Technologie, um die Stadien der Zellteilung bei C. elegans und verwandten Arten zu klassifizieren.

Das räumliche Cross-Skalen-Convolution-Modul verbessert die Effizienz in Bildverarbeitungsmodellen.

Diese Studie untersucht die Verwendung von Ohrformen zur Geschlechtsklassifizierung.

Eine neue Methode verbessert die Robustheit von Mixture of Experts CNNs gegenüber feindlichen Eingaben.

In diesem Papier wird besprochen, wie Roboter Gesprächspartner anhand visueller Hinweise erkennen können.

Eine neue Methode verbessert die Erkennung von Umweltveränderungen mithilfe von Fernerkundungsbildern.

Neue Methoden zur Verbesserung der Genauigkeit bei der Hautkrebsdiagnose erkunden.

AMaizeD hilft Bauern, Maisschäden frühzeitig mit Drohnenbildern zu erkennen.

SaEnet verbessert die Leistung von CNNs, indem es sich auf die wichtigen Merkmale in Bildern konzentriert.

Lern, wie CNNs dir helfen, verschwommene Bilder effektiv aufzupolieren.

Diese Studie bewertet die Zuverlässigkeit von CNNs in der Analyse von Gehirn-MRTs.

Diese Studie zeigt Methoden zur Echtzeiterkennung von Fussgängern mit begrenzter Rechenleistung.

Die RRAM-Technologie verbessert die Geschwindigkeit und Effizienz von konvolutionalen neuronalen Netzen.

Ein neuer Ansatz, um die Sicherheit gegen schädlichen Webverkehr zu verbessern.

Ein neues Modell verbessert die Vorhersagegenauigkeit für Organellen in der Durchlichtmikroskopie.

Innovative Deep-Learning-Modelle verbessern die Erkennung und Reaktion auf DDoS-Angriffe.

Eine neue Methode verbessert die Bildkonvolution ohne Padding und steigert Qualität und Effizienz.

CATS v2 verbessert die Genauigkeit bei der Segmentierung medizinischer Bilder durch hybride Ansätze.

Das neue Modell SAMUS verbessert die Ultraschallbildsegmentierung für eine höhere klinische Genauigkeit.

Ein neuer Ansatz verbessert die fMRI-Analyse für eine bessere Diagnose von Gehirnerkrankungen.

Diese Studie untersucht Methoden zur Verbesserung der prädiktiven Wartung durch Analyse von Sensordaten.

RingMo-lite verbessert die Analyse von Fernerkundungsbildern in Bezug auf Effizienz und Genauigkeit.

Eine neuartige Methode verbessert die Krebsdiagnose, indem sie schwache Kausalitätssignale in der medizinischen Bildgebung integriert.

Diese Technik vereinfacht die Erstellung von CAD-Modellen nur mit Fotos.

Neue Modelle verbessern die Genauigkeit der Audioklassifizierung und machen sie widerstandsfähiger gegen Lärm und Angriffe.

Studie zeigt optimales Netzdesign für die EKG-Analyse mit CNNs.

Verbesserung der Drohnenerkennung mit RF-Signalen und Machine-Learning-Techniken.

DeepBEAS3D verbessert die medizinische Bildsegmentierung durch Benutzerinteraktion und Deep Learning.

Verbesserte Prognosemethoden steigern das Energiemanagement und die Zuverlässigkeit.

ConvFormer verbessert die Segmentierungsgenauigkeit in der medizinischen Bildgebung, indem es CNNs und Transformer kombiniert.

Deep Learning verbessert die Genauigkeit bei der Erkennung von Darmpolypen.

NISF verbessert die anatomische Formsegmentierung in der medizinischen Bildgebung mit besserer Genauigkeit.

HEANA beschleunigt CNN-Aufgaben mit verbesserter Geschwindigkeit und Energieeffizienz.

Diese Studie nutzt maschinelles Lernen, um Flammendynamik effektiv vorherzusagen.