Bibliografia publikacji pracowników
Państwowej Szkoły Wyższej w Białej Podlaskiej
Baza tworzona przez Bibliotekę Akademii Bialskiej im. Jana Pawła II.
Zapytanie:
DEEP NEURAL NETWORKS Liczba odnalezionych rekordów: 3
Przejście do opcji zmiany formatu | Wyświetl/ukryj etykiety | Wyświetlenie wyników w wersji do druku | Pobranie pliku do edytora | Nowe wyszukiwanie Streszczenie: This article proposes an approach to reducing fully connected neural networks using classical and modified pretraining of deep neural networks. The authors have demonstrated that this approach can significantly reduce the number of parameters of the trained neural network with little or no reduction in the generalizing ability. The capabilities of the proposed method are demonstrated on classical computer vision datasets.
2/3
Nr opisu: 0000044457 Autorzy: Aliaksandr Kroshchanka, Vladimir Golovko. Tytuł pracy: The Reduction of Fully Connected Neural Network Parameters Using the Pre-training Technique Tytuł całości: W: IDAACS'2021 : proceedings of the 11th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS), September 22-25, 2021, Cracow, Poland, Vol. 2 Miejsce wydania: [Piscataway] Wydawca: Institute of Electrical and Electronics Engineers (IEEE) Rok wydania: 2021 Seria: Proceedings of the IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems, 2770-4254 Strony zajęte przez pracę: P. 937-941 ISBN: 978-1-6654-2605-3 Charakterystyka formalna: rozdział w monografii zagranicznej Charakterystyka merytoryczna: konferencja naukowa międzynarodowa Charakterystyka wg MNiSW: rozdział w monografii z wykazu MEiN Język publikacji: ENG Słowa kluczowe ang.: computer vision ; deep neural networks ; pre-training ; reduction neural network parameters ; restricted Boltzmann Machine Uwaga: Kopia dostępna w Sekcji Bibliometrii. Inne bazy podające opis:
Scopus
WoS
DOI: 10.1109/IDAACS53288.2021.9661015 Streszczenie: This paper proposes an approach to the parameters reduction of fully connected neural networks using the conventional method of pre-training deep neural networks. It is shown that this approach makes it possible to reduce the number of trainable parameters without significant loss the generalization ability. The capabilities of the proposed technique are demonstrated using the standard dataset of handwritten digits MNIST.
3/3
Nr opisu: 0000041414 Autorzy: Vladimir Golovko, Aliaksandr Kroshchanka, Mikhail Kovalev, Valery Taberko, Dzmitry Ivaniuk. Tytuł pracy: Neuro-Symbolic Artificial Intelligence: Application for Control the Quality of Product Labeling Tytuł całości: W: Open Semantic Technologies for Intelligent System : 10th International Conference, OSTIS 2020, Minsk, Belarus, February 19-22, 2020 : Revised Selected Papers / editors Vladimir Golenkov, Victor Krasnoproshin, Vladimir Golovko, Elias Azarov Miejsce wydania: Cham Wydawca: Springer Rok wydania: 2020 Seria: Communications in Computer and Information Science, 1865-0929, Vol. 1282 Strony zajęte przez pracę: P. 81-101 ISBN: 978-3-030-60446-2 Kopia niedostępna: x Charakterystyka formalna: rozdział w monografii zagranicznej Charakterystyka wg MNiSW: rozdział w monografii z wykazu MEiN Język publikacji: ENG Słowa kluczowe ang.: deep neural networks ; IDSS ; inference ; integration ; knowledge base ; neuro-symbolic ; object detection