Powiadomienia systemowe
- Sesja wygasła!
Tytuł artykułu
Autorzy
Identyfikatory
Warianty tytułu
Convolutional deep neural networks in curriculum of multimedia technology at Televiosion Division of Warsaw University of Technology
Konferencja
Krajowa Konferencja Radiokomunikacji, Radiofonii i Telewizji (21-23.06.2017 ; Poznań, Polska)
Języki publikacji
Abstrakty
Artykuł dotyczy aspektów edukacyjnych konwolucyjnych neuronowych sieci głębokich. Autorzy przedstawiają elementy teorii i wybrane przykłady zastosowań wprowadzane aktualnie do programu nauczania technik multimedialnych w Zakładzie Telewizji Instytutu Radioelektroniki i Technik Multimedialnych w Politechnice Warszawskiej. Dokonano również przeglądu literatury pod kątem użycia takich sieci w zastosowaniach CREAMS.
The paper refers to educational aspects of convolutional deep neural networks. Authors present elements of theory and examples of applications currently joined to curriculum of multimedia technology in Television Division of Radioelectronics and Multimedia Technology Institute at Warsaw University of Technology. Article contains review of literature concerning such networks usage in CREAMS.
Wydawca
Rocznik
Tom
Strony
342--345, CD
Opis fizyczny
Bibliogr. 12 poz.
Twórcy
autor
- Zakład Telewizji, Instytut Radioelektroniki i Technik Multimedialnych, Politechnika Warszawska, 00-665 Warszawa, Nowowiejska 16/19
autor
- Zakład Telewizji, Instytut Radioelektroniki i Technik Multimedialnych, Politechnika Warszawska, 00-665 Warszawa, Nowowiejska 16/19
Bibliografia
- [1] Cavigelli, L., Hager, P., Benini, L. 2016. "CAS-CNN: A Deep Convolutional Neural Network for Image Compression Artifact Suppression".
- [2] Couchot, J. F., Couturier, R., Guyeux, C., Salomon, M. 2016. "Steganalysis via a Convolutional Neural Network using Large Convolution Filters for Embedding Process with Same Stego Key".
- [3] Fukushima, K. 1980. "Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position." Biological Cybernetics 36, no. 4: 193-202.
- [4] He, K., Xiangyu, Z., Shaoqing, R., Jian, S. 2016. "Deep Residual Learning for Image Recognition." 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
- [5] Krizhevsky, A., Sutskever, I., Hinton, G. 2012. "ImageNet Classification with Deep Convolutional Neural Networks". NIPS.
- [6] Lecun, Y., Bottou, L., Bengio, Y., Haffner, P. 1998. "Gradient- based learning applied to document recognition." Proceedings of the IEEE 86, no. 11.
- [7] Rumelhart David E., James L. McClelland and PDP Research Group. 1987. "Parallel Distributed Processing: Explorations in the Microstructure of Cognition. ", MIT Pres.
- [8] Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh , S., Ma, S., Huang, Z., Karpathy A. 2015. "ImageNet Large Scale Visual Recognition Challenge." International Journal of Computer Vision.
- [9] Srivastava, N. 2013. "Improving Neural Networks with Dropout"
- [10] Steinkraus, D., Buck, I., Simard, P. 2005. "Using GPUs for machine learning algorithms". Eighth International Conference on Document Analysis and Recognition (ICDAR'05).
- [11] Toderici, G., Vincent, D., Johnston, N. 2016. "Full Resolution Image Compression with Recurrent Neural Networks". arXiv preprint.
- [12] Volkhonskiy, D., Borisenko, B., Burnaev, E. 2017. "Generative Adversarial Networks for image steganography". ICLR
Uwagi
PL
Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017)
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-785b0115-2dd8-45a7-83e7-22cbe00f5ea8