Аналіз архітектур моделей глибокого навчання при діагностиці захворювань вуха
Вантажиться...
Файли
Дата
Автори
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
DOI
Альтернативна назва
Analysis of architectures of deep learning models in the diagnostic of ear diseases
Анотація
В даній роботі проведено аналіз різних архітектур моделей глибокого навчання, які можуть бути використані при діагностиці захворювань вуха.
This article analyzes various architectures of deep learning models that can be used in the diagnosis of ear diseases.
This article analyzes various architectures of deep learning models that can be used in the diagnosis of ear diseases.
Опис
Ключові слова
УДК
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Марчук А. Ю. Аналіз архітектур моделей глибокого навчання при діагностиці захворювань вуха //Матеріали LІII науково-технічної конференції підрозділів ВНТУ, Вінниця, 20-22 березня 2024 р. Електрон. текст. дані. 2024. URI: https://conferences.vntu.edu.ua/index.php/all-frtzp/all-frtzp-2024/paper/view/20553.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (7)
- John C. Watkinson, Ray W. Clarke. "Scott-Brown's Otorhinolaryngology and Head and Neck Surgery" CRC Press, 2018.
- Isaac N. Bankman. "Handbook of Medical Imaging, Volume 2. Medical Image Processing and Analysis" Academic Press, 2008. .169-208.
- E. R. Davies. "Computer Vision: Principles, Algorithms, Applications, Learning" Academic Press, 2017.
- Gulshan, V. et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA Intern. Med. 316, 24022410 (2016).
- Blomgren, K. & Pitkranta, A. Is it possible to diagnose acute otitis media accurately inprimary health care?. Fam. Pract. 20, 524527 (2003).
- Sermanet, P., Eigen, D., Zhang, X. et al. Overfeat: Integrated recognition, localization and detection using convolutional networks. https://arxiv.org/abs/1312.6229 (2017)
- Sandler, M., Howard, A., Zhu, M. et al. Mobilenetv2: Inverted residuals and linear bottlenecks. Proceedings of the IEEE conference on computer vision and pattern recognition. https://arxiv.org/abs/1801.04381 (2018).