Region Identification(지역 식별)란 무엇입니까?
Region Identification 지역 식별 - DBSCAN is applied to the corresponding coordinates of all non-repeating discrete locations to obtain the region identification that represents the hot region or non-hot region of the users for the specific dataset. [1] , region identification, region representation, and region classification. [2] Segmentation plays bigger role identifying the disease, Hence in this paper we propose an Adaptive Snake Model for segmentation and region identification. [3] The 63 relevant differential metabolites could achieve the purpose of region identification through PCA. [4] Based on the database, the region identification and error compensation algorithm were designed, and comparison experiments were carried out. [5] RESULTS This paper presents a rigorous review comprising all the aspects of medical image analysis concerning capsule endoscopy namely video summarization and redundant image elimination, Image enhancement and interpretation, segmentation and region identification, Computer-aided abnormality detection in capsule endoscopy, Image and video compression. [6] Aiming at the influence of AC system on DC system, this paper presents a method of region identification which threatens the stable operation of DC system from the perspective of static analysis. [7] 24% and 100% for variety and region identification, respectively. [8] Our proposed method comprised of four stages namely, feature extraction, feature selection, classification and Region identification. [9] Based on linear discriminant analysis (LDA), a qualitative model for the geographical-region identification of Z. [10]DBSCAN은 특정 데이터 세트에 대한 사용자의 핫 영역 또는 비 핫 영역을 나타내는 영역 식별을 얻기 위해 반복되지 않는 모든 개별 위치의 해당 좌표에 적용됩니다. [1] , 지역 식별, 지역 표현 및 지역 분류. [2] 분할은 질병을 식별하는 더 큰 역할을 하므로 이 논문에서는 분할 및 영역 식별을 위한 적응형 뱀 모델을 제안합니다. [3] 63개의 관련 차등 대사 산물은 PCA를 통해 지역 식별의 목적을 달성할 수 있습니다. [4] 데이터베이스를 기반으로 영역 식별 및 오류 보상 알고리즘을 설계하고 비교 실험을 수행했습니다. [5] 결과 이 논문은 캡슐 내시경과 관련된 의료 이미지 분석의 모든 측면, 즉 비디오 요약 및 중복 이미지 제거, 이미지 향상 및 해석, 분할 및 영역 식별, 캡슐 내시경의 컴퓨터 지원 이상 감지, 이미지 및 비디오 압축으로 구성된 엄격한 검토를 제공합니다. [6] 본 논문에서는 교류계통이 직류계통에 미치는 영향을 목적으로 정적해석의 관점에서 직류계통의 안정적인 운영을 위협하는 영역을 식별하는 방법을 제시한다. [7] 품종 및 지역 식별은 각각 24% 및 100%입니다. [8] 제안하는 방법은 특징 추출, 특징 선택, 분류 및 영역 식별의 4단계로 구성됩니다. [9] Z의 지리적 지역 식별을 위한 정성적 모델인 선형 판별 분석(LDA)을 기반으로 합니다. [10]
Functional Region Identification
The study of functional region identification of a city is of great significance to the city’s functional cognition, spatial planning, economic development, human livability, and so forth. [1] Meantime, the system can provide support in the decision for urban resource allocation, urban functional region identification, traffic congestion and so on. [2] 421) in terms of similarity capturing performance and functional region identification accuracy (OA=0. [3]도시의 기능적 지역 식별에 대한 연구는 도시의 기능적 인지, 공간 계획, 경제 발전, 인간의 거주 가능성 등에 매우 중요합니다. [1] 한편, 시스템은 도시 자원 할당, 도시 기능 지역 식별, 교통 혼잡 등에 대한 결정을 지원할 수 있습니다. [2] 421) 유사성 캡처 성능 및 기능 영역 식별 정확도 측면에서(OA=0. [3]
Tumor Region Identification
Recently, deep learning algorithms have shown great promise in pathology image analysis, such as in tumor region identification, metastasis detection and patient prognosis. [1] Furthermore, notable performance is achieved in the case of medical applications such as gray matter segmentation and precise tumor region identification. [2] Recently, artificial intelligence, especially deep learning, has shown great potential in pathology image analysis tasks such as tumor region identification, prognosis prediction, tumor microenvironment characterization, and metastasis detection. [3]최근 딥 러닝 알고리즘은 종양 영역 식별, 전이 감지 및 환자 예후와 같은 병리 이미지 분석에서 큰 가능성을 보여주었습니다. [1] 또한 회백질 세분화 및 정확한 종양 영역 식별과 같은 의료 응용 분야의 경우 주목할만한 성능을 얻을 수 있습니다. [2] 최근 인공 지능, 특히 딥 러닝은 종양 영역 식별, 예후 예측, 종양 미세 환경 특성화 및 전이 감지와 같은 병리 이미지 분석 작업에서 큰 잠재력을 보여주고 있습니다. [3]
Candidate Region Identification
(2)in the stage of candidate region identification, we present a Deformation Adaptability Model, this model can make full used of the relationship between key structures of buildings, and it has better adaptability to distributed target. [1] A ship target detection algorithm based on discriminative dictionary learning is proposed, which mainly includes image denoising, candidate region extraction and candidate region identification. [2](2) 후보 지역 식별 단계에서 우리는 Deformation Adaptability Model을 제시하는데, 이 모델은 건물의 주요 구조 간의 관계를 최대한 활용할 수 있으며 분산 대상에 더 나은 적응성을 갖습니다. [1] 주로 이미지 노이즈 제거, 후보 영역 추출 및 후보 영역 식별을 포함하는 판별 사전 학습 기반의 선박 표적 탐지 알고리즘을 제안합니다. [2]
Brain Region Identification
The brain consists of massive regions with different functions and the precise delineation of brain region boundaries is important for brain region identification and atlas illustration. [1] Moreover, using this proposed methodology, we try to improve brain region identification and statistical accuracy which could not be clarified by conventional experimental methods. [2]뇌는 기능이 다른 방대한 영역으로 구성되어 있으며 뇌 영역 식별 및 아틀라스 일러스트레이션을 위해서는 뇌 영역 경계의 정확한 묘사가 중요합니다. [1] 또한, 제안된 방법론을 사용하여 기존의 실험 방법으로 명확하게 할 수 없었던 뇌 영역 식별 및 통계적 정확도를 향상시키려고 합니다. [2]
Conservative Region Identification
The choice of the threshold is a trade-off between conservative region identification and discarding weak, but true binding sites. [1] Conservative region identification of the ND5 gene and phylogenetic analysis confirmed that the ND5 gene was located between two control regions. [2]임계값의 선택은 보존적 영역 식별과 약하지만 진정한 결합 사이트를 버리는 것 사이의 절충점입니다. [1] ND5 유전자의 보존적 영역 식별과 계통발생학적 분석을 통해 ND5 유전자가 두 대조군 영역 사이에 위치함을 확인했습니다. [2]
Probable Region Identification
Hence in this paper we have proposed a CNN based methodology named Dual layer CNN(DL-CNN), where we have used two layer Convolution Neural Network, first layer Is used for the Probable Region Identification and second layer is used for the Segmentation and false positive reduction. [1] The main intention of the model is segmentation and probable region identification. [2]따라서 이 논문에서 우리는 이중 레이어 CNN(DL-CNN)이라는 CNN 기반 방법론을 제안했습니다. 여기에서 우리는 2개의 레이어 Convolution Neural Network를 사용했습니다. 첫 번째 레이어는 Probable Region Identification에 사용되고 두 번째 레이어는 Segmentation에 사용되고 false 긍정적인 감소. [1] 모델의 주요 의도는 세분화 및 가능한 지역 식별입니다. [2]
Body Region Identification
CONCLUSIONS Precise body region identification automatically in whole-body or body region tomographic images is vital for numerous medical image analysis and analytics applications. [1] Two classification tasks were evaluated for their feasibility of sinogram-space machine learning: body region identification and intracranial hemorrhage (ICH) detection. [2]결론 전신 또는 신체 부위 단층 촬영 이미지에서 자동으로 정확한 신체 부위 식별은 수많은 의료 이미지 분석 및 분석 애플리케이션에 필수적입니다. [1] 사이노그램 공간 기계 학습의 가능성에 대해 신체 영역 식별 및 두개내 출혈(ICH) 감지의 두 가지 분류 작업을 평가했습니다. [2]
region identification accuracy
1%, region identification accuracy of 94. [1] 421) in terms of similarity capturing performance and functional region identification accuracy (OA=0. [2]1%, 지역 식별 정확도 94. [1] 421) 유사성 캡처 성능 및 기능 영역 식별 정확도 측면에서(OA=0. [2]
region identification algorithm
A new parameter Harmonic Loss (product of weighted total harmonic distortion factor of the line voltage (Vwthd) and normalized switching loss) is introduced as an objective function, and a spatial region identification algorithm is proposed to determine the optimized switching sequences for hybrid SVPWM technique. [1] Evaluation with real data of the Tianjin radar indicates that the critical success index of the weak echo region identification algorithm is 0. [2]새로운 매개변수 Harmonic Loss(라인 전압(Vwthd)의 가중 총 고조파 왜곡 계수와 정규화된 스위칭 손실의 곱)가 목적 함수로 도입되었으며, 하이브리드 SVPWM 기술에 최적화된 스위칭 시퀀스를 결정하기 위해 공간 영역 식별 알고리즘이 제안되었습니다. . [1] Tianjin 레이더의 실제 데이터로 평가한 결과 약한 에코 영역 식별 알고리즘의 임계 성공 지수가 0임을 나타냅니다. [2]