Akademische Ressourcen durchsuchen

State-of-the-art object detection networks depend on region proposal algorithms to hypothesize object locations. Advances like SPPnet [1] and Fast R-CNN [2] have reduced the running time of these detection networks, expo...

En este libro se introducen los conceptos fundamentales del aprendizaje profundo (Deep learning, DL) mediante el uso de redes neuronales artificiales (Artificial neural networks, ANN). El lector podrá encontrar una revi...

An end-to-end methodology based on deep learning for the detection and localization of microcalcifications in digital mammograms introduces a novel methodology designed for the preprocessing and localization of clusters ...

Israel es una democracia de corte occidental que descansa en una clara separación de poderes y un Parlamento del que procede el primer ministro; pero sus instituciones, el sistema electoral imperante y los partidos gene...

El presente libro tiene una clara vocación didáctica, se dirige a todas las personas que quieren adentrarse en el apasionante campo del aprendizaje automático combinando la teórica con la práctica para que sea senci...

Los avances continuos en la visión artificial permiten resolver problemas de distinta índole, como pueden ser la conducción autónoma, el reconocimiento biométrico, la detección de defectos industriales o la interac...

El vertiginoso crecimiento y la precisión de las técnicas de Inteligencia Artificial (AI, del inglés Artificial Intelligence) permiten analizar grandes volúmenes de datos de forma rápida y eficiente. En ese sentido,...

The highest accuracy object detectors to date are based on a two-stage approach popularized by R-CNN, where a classifier is applied to a sparse set of candidate object locations. In contrast, one-stage detectors that are...

We propose a deep learning method for single image super-resolution (SR). Our method directly learns an end-to-end mapping between the low/high-resolution images. The mapping is represented as a deep convolutional neural...

Existing deep convolutional neural networks (CNNs) require a fixed-size (e.g., 224 × 224) input image. This requirement is "artificial" and may reduce the recognition accuracy for the images or sub-images of an arbitrar...

The central building block of convolutional neural networks (CNNs) is the convolution operator, which enables networks to construct informative features by fusing both spatial and channel-wise information within local re...