MobileNetV2-based deep learning architecture with progressive transfer learning for accurate monkeypox detection

Публикации

?

MobileNetV2-based deep learning architecture with progressive transfer learning for accurate monkeypox detection

Applied Soft Computing Journal. 2025.

Al-Gaashani M. S., Xu W., Obsie E. Y.

Язык: английский

DOI

Текст на другом сайте

FiMMIA: scaling semantic perturbation-based membership inference across modalities

Emelyanov A., Sergei Kudriashov, Alena Fenogenova, , in: Proceedings of the 19th Conference of the European Chapter of the Association for Computational Linguistics (Volume 3: System Demonstrations)Vol. 3: System Demonstrations.: Rabat: Association for Computational Linguistics, 2026. Ch. 11 P. 139–153.

Добавлено: 19 мая 2026 г.

Фундаментальная модель для временных рядов и как ее (не) обучать на синтетике

Темирханов А. А., Костромина А. М., Цымбой О. А. и др., Доклады Российской академии наук. Математика, информатика, процессы управления (ранее - Доклады Академии Наук. Математика) 2025 Т. 527 № S С. 485–494

В индустрии нередко возникает необходимость одновременно строить прогнозы по большим наборам временных рядов. Однако мы можем оказаться в ситуации, когда обучение отдельной модели для каждого из них невозможно или слишком затратно. Эта проблема в моделировании временных рядов остается без должного внимания. Средством ее решения может служить создание фундаментальной модели (foundation model), рассчитанной на прогнозирование в ...

Добавлено: 24 февраля 2026 г.

Deep learning deciphers the related role of master regulators and G-quadruplexes in tissue specification

Башкатов А. Б., Andreasyan A., Коновалов Д. Л. и др., Scientific Reports 2025 Vol. 15 Article 23119

G-quadruplexes (GQs) are non-canonical DNA structures encoded by G-flipons with potential roles in gene regulation and chromatin structure. Here, we explore the role of G-flipons in tissue specification. We present a deep learning-based framework for the genome-wide G-flipon predictions across 14 human tissue types. The model was trained using high-confidence experimental maps of GQ-forming sequences ...

Добавлено: 8 августа 2025 г.

Knowledge Discovery, Knowledge Engineering and Knowledge Management: 15th International Joint Conference, IC3K 2023, Rome, Italy, November 13-15, 2023, Revised Selected Papers

Rome: Springer, 2025.

Добавлено: 2 мая 2025 г.

Audio-Visual Speech Recognition In-The-Wild: Multi-Angle Vehicle Cabin Corpus and Attention-Based Method

Axyonov Alexandr, Ryumin Dmitry, Ivanko D. и др., , in: IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP 2024).: IEEE, 2024. P. 8195–8199.

Добавлено: 6 марта 2025 г.

Weighted boxes fusion: Ensembling boxes from different object detection models

Соловьёв Р. А., Габрушева Т., Ванг В., Image and Vision Computing 2021 Vol. 107 P. 104117–0

Добавлено: 15 января 2025 г.

Machine Learning Domain Adaptation in Spin Models with Continuous Phase Transitions

Чертенков В. И., Щур Л. Н., / Series arXiv "math". 2024. No. 2411.13027.

Добавлено: 21 ноября 2024 г.

Fast Parametric Curve Matching (FPCM) Filters for Deep Learning-Based Automatic Spike Detection

Белокопытов А. С., Клеева Д. Ф., Осадчий А. Е., , in: Advances in Neural Computation, Machine Learning, and Cognitive Research VIII.: Springer, 2024. P. 317–326.

Добавлено: 23 октября 2024 г.

MineRL Diamond 2021 Competition: Overview, Results, and Lessons Learned

Никулин А. М., Белоусов Ю. С., Свидченко О. А. и др., , in: Proceedings of the NeurIPS 2021 Competitions and Demonstrations Track.: PMLR, 2022.

Добавлено: 8 октября 2024 г.

Analyzing the Robustness of Vision & Language Models

Ширнин А. А., Andreev N., Potapova S. и др., IEEE/ACM Transactions on Speech and Language Processing 2024 Vol. 32 P. 2751–2763

We present an approach to evaluate the robustness of pre-trained vision and language (V&L) models to noise in input data. Given a source image/text, we perturb it using standard computer vision (CV) / natural language processing (NLP) techniques and feed it to a V&L model. To track performance changes, we explore the problem of visual ...

Добавлено: 19 июля 2024 г.

Soft Margin Spectral Normalization for GANs

Рогачев А. И., Ратников Ф. Д., Computing and Software for Big Science 2024 Vol. 8 No. 1 Article 12

In this paper, we explore the use of Generative Adversarial Networks (GANs) to speed up the simulation process while ensuring that the generated results are consistent in terms of physics metrics. Our main focus is the application of spectral normalization for GANs to generate electromagnetic calorimeter (ECAL) response data, which is a crucial component of ...

Добавлено: 2 июля 2024 г.

Real-time detection of hogweed: UAV platform empowered by deep learning

Menshchikov A., Shadrin D., Прутьянов В. В. и др., IEEE Transactions on Computers 2021 Vol. 70 No. 8 P. 1175–1188

Добавлено: 11 мая 2024 г.

11th International Conference, AIST 2023, Yerevan, Armenia, September 28–30, 2023, Revised Selected Papers. Analysis of Images, Social Networks and Texts. Lecture Notes in Computer Science (LNCS, volume 14486)

Cham: Springer, 2024.

Добавлено: 25 марта 2024 г.

Generative design of physical objects using modular framework

Nikita O. Starodubcev, Nikitin N., Andronova E. и др., Engineering Applications of Artificial Intelligence 2023 Vol. 119 Article 105715

Добавлено: 5 марта 2024 г.

Interaction models for remaining useful lifetime estimation

Zhevnenko D., Kazantsev M., Макаров И. А., Journal of Industrial Information Integration 2023 Vol. 33 Article 100444

Статья посвящена проблеме контроля состояния промышленных устройств по показаниям их датчиков. Существующие методы основаны на подходе к извлечению признаков, в котором происходит предсказание. Мы предлагаем метод взаимодействия нескольких блоков различной сложности, которые по-разному агрегируют информацию во времени, для создания общего скрытого пространства для предсказания оставшегося срока службы (RUL), и обучаем полученную архитектуру за один проход ...

Добавлено: 15 февраля 2024 г.

TabDDPM: Modelling Tabular Data with Diffusion Models

Котельников А. К., Baranchuk D., Ivan Rubachev и др., , in: Proceedings of the 40th International Conference on Machine Learning: Volume 202: International Conference on Machine Learning, 23-29 July 2023, Honolulu, Hawaii, USAVol. 202: International Conference on Machine Learning, 23-29 July 2023, Honolulu, Hawaii, USA.: PMLR, 2023. P. 17564–17579.

Добавлено: 11 февраля 2024 г.

DeepZ: A Deep Learning Approach for Z-DNA Prediction

Бекназаров Н. С., , in: Z-DNA: Methods and Protocols.: United States of America: Springer, 2023. P. 217–226.

Here we describe an approach that uses deep learning neural networks such as CNN and RNN to aggregate information from DNA sequence; physical, chemical, and structural properties of nucleotides; and omics data on histone modifications, methylation, chromatin accessibility, and transcription factor binding sites and data from other available NGS experiments. We explain how with the ...

Добавлено: 26 декабря 2023 г.

Estimating the Transfer Learning Ability of a Deep Neural Networks by Means of Representations

Magai German, Soroka A., , in: Advances in Neural Computation, Machine Learning, and Cognitive Research VIIVol. 1120.: Studies in Computational Intelligence, 2023.

Добавлено: 29 октября 2023 г.

HyperDomainNet: Universal Domain Adaptation for Generative Adversarial Networks

Аланов А., Titov V., Ветров Д. П., , in: Thirty-Sixth Conference on Neural Information Processing Systems : NeurIPS 2022.: Curran Associates, Inc., 2022. P. 29414–29426.

Добавлено: 27 января 2023 г.