Browsing by Subject NEURAL NETWORKS

Jump to: 0-9 A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
А Б В Г Д Е Ж З И Й К Л М Н О П Р С Т У Ф Х Ц Ч Ш Щ Ъ Ы Ь Э Ю Я
or enter first few letters:  
Showing results 1 to 20 of 31  next >
Issue DateTitleAuthor(s)
2018Building extraction from satellite imagery using a digital surface modelDunaeva, A. V.; Kornilov, F. A.
2019Comparison of UNet, ENet, and BoxENet for Segmentation of Mast Cells in Scans of Histological SlicesKarimov, A.; Razumov, A.; Manbatchurina, R.; Simonova, K.; Donets, I.; Vlasova, A.; Khramtsova, Y.; Ushenin, K.
2021Computer vision system for the automatic asbestos content control in stonesZyuzin, V.; Ronkin, M.; Porshnev, S.; Kalmykov, A.
2022Deep Machine Learning Potentials for Multicomponent Metallic Melts: Development, Predictability and Compositional TransferabilityRyltsev, R. E.; Chtchelkatchev, N. M.
2021Deepfake: эволюция фейка как угроза медиасредеЧертов, Д. А.; Chertov, D. A.
2021Generation of echocardiographic 2D images of the heart using cGANZyuzin, V.; Komleva, J.; Porshnev, S.
2019Machine learning in the processing and analysis of textsPtukhin, A. A.; Khrushkov, A. E.; Bozhko, E. M.; Птухин, А. А.; Хрушков, А. Е.; Божко, Е. М.
2014Methods of neural networks and pattern recognition and theirs applications to economy, engineering, and medicineМазуров, Вл. Д.; Смирнов, А. И.; Mazurov, Vl. D.; Smirnov, A. I.
2020Modeling of changes in heat resistance of nickel-based alloys using bayesian artificial neural networksAnoshina, O. V.; Trubnikova, A. S.; Milder, O. B.; Tarasov, D. A.; Ganeev, A. A.; Tyagunov, A. G.
2022Modeling the influence of the composition of refractory elements on the heat resistance of nickel alloys by a deep learning artificial neural networkTarasov, D. A.; Milder, O. B.; Tiagunov, A. G.
2018Nonlinear mean-field dynamo and prediction of solar activitySafiullin, N.; Kleeorin, N.; Porshnev, S.; Rogachevskii, I.; Ruzmaikin, A.
2022Prediction of Sandstone Dilatancy Point in Different Water Contents Using Infrared Radiation Characteristic: Experimental and Machine Learning ApproachesMa, L.; Khan, N. M.; Cao, K.; Rehman, H.; Salman, S.; Rehman, F. U.
2021A Proposed ANN-Based Acceleration Control Scheme for Soft Starting Induction MotorMenaem, A. A.; Elgamal, M.; Abdel-Aty, A. -H.; Mahmoud, E. E.; Chen, Z.; Hassan, M. A.
2021A survey on software defect prediction using deep learningAkimova, E. N.; Bersenev, A. Yu.; Deikov, A. A.; Kobylkin, K. S.; Konygin, A. V.; Mezentsev, I. P.; Misilov, V. E.
2019Survey on software tools that implement deep learning algorithms on intel/x86 and IBM/Power8/Power9 platformsShaikhislamov, D.; Sozykin, A.; Voevodin, V.
2017Using the multilayer neural network for tasks of updating the user interfaceCherniltsev, A.; Gorbunova, E.
2020Генерация эхокардиографических двухмерных изображений сердца с использованием генеративно-состязательной нейронной сети с условным дискриминаторомКомлева, Ю. В.; Зюзин, В. В.; Поршнев, С. В.; Komleva, J.; Zyuzin, V.; Porshnev, S.
2018Использование нейронных сетей для прогнозирования инфляции: новые возможностиБалацкий, Е. В.; Юревич, М. А.; Balatskiy, E. V.; Yurevich, M. A.
2017Образ желаемого будущего экономики индустриального региона: тенденции развития и методология оценкиRomanova, O. A.; Sirotin, D. V.; Романова, О. А.; Сиротин, Д. В.
2021Оптико-электронная система контроля качества смотки горячекатаных рулоновБасистюк, А. О.