Поиск

Выпуск
Название
Авторы
Том 29, № 4 (2019)
An Efficient Human Activity Recognition Technique Based on Deep Learning
Khelalef A., Ababsa F., Benoudjit N.
PDF
(Eng)
Том 29, № 1 (2019)
An Intelligent Information Technology for Symbol-Extraction from Weakly Formalized Graphic Documents
Vasin Y., Vasin D.
PDF
(Eng)
Том 28, № 1 (2018)
A Coarse-to-Fine Strategy for Vehicle Logo Recognition from Frontal-View Car Images
Sotheeswaran S., Ramanan A.
PDF
(Eng)
Том 27, № 2 (2017)
Combinatorial analysis of the solvability properties of the problems of recognition and completeness of algorithmic models. Part 2: Metric approach within the framework of the theory of classification of feature values
Torshin I., Rudakov K.
PDF
(Eng)
Том 26, № 3 (2016)
Signal classification and software–hardware implementation of digital filter banks based on field-programmable gate arrays and compute unified device architecture
Kaplun D., Klionskiy D., Gulvanskiy V., Voznesenskiy A., Golubkov A., Geppener V., Kupriyanov M.
PDF
(Eng)
Том 26, № 1 (2016)
Solving problems of clustering and classification of cancer diseases based on DNA methylation data
Polovinkin A., Krylov I., Druzhkov P., Ivanchenko M., Meyerov I., Zaikin A., Zolotykh N.
PDF
(Eng)
Том 29, № 4 (2019)
Surface Classification of Damaged Concrete Using Deep Convolutional Neural Network
Hung P., Su N., Diep V.
PDF
(Eng)
Том 28, № 4 (2018)
An Adaptive Entropy Based Scale Invariant Face Recognition Face Altered by Plastic Surgery
Sable A., Talbar S.
PDF
(Eng)
Том 28, № 1 (2018)
Empirical Mode Decomposition for Signal Preprocessing and Classification of Intrinsic Mode Functions
Klionskiy D., Kaplun D., Geppener V.
PDF
(Eng)
Том 27, № 1 (2017)
Description of the process of presentation and recognition of forest vegetation objects on multispectral space images
Nazmutdinova A., Itskov A., Milich V.
PDF
(Eng)
Том 26, № 3 (2016)
On metric spaces arising during formalization of problems of recognition and classification. Part 2: Density properties
Torshin I., Rudakov K.
PDF
(Eng)
Том 26, № 1 (2016)
A survey of deep learning methods and software tools for image classification and object detection
Druzhkov P., Kustikova V.
PDF
(Eng)
Том 29, № 3 (2019)
An Automatic Detection of Blood Vessel in Retinal Images Using Convolution Neural Network for Diabetic Retinopathy Detection
Raja C., Balaji L.
PDF
(Eng)
Том 28, № 4 (2018)
On Some Transformations of Features in Machine Learning in Medicine
Zhuravlev Y., Ryazanov V., Sen’ko O., Dokukin A., Afanas’ev P.
PDF
(Eng)
Том 28, № 1 (2018)
Normal and Abnormal Tissue Classification in Positron Emission Tomography Oncological Studies
Comelli A., Stefano A., Benfante V., Russo G.
PDF
(Eng)
Том 27, № 1 (2017)
Degradation adaptive texture classification for real-world application scenarios
Gadermayr M., Merhof D., Vécsei A., Uhl A.
PDF
(Eng)
Том 26, № 2 (2016)
A practical aspect of identification and classifying of Guns based on gunshot wound patterns using gene expression programming
Savakar D., Kannur A.
PDF
(Eng)
Том 26, № 1 (2016)
Classification of welding defects in radiographic images
Moghaddam A., Rangarajan L.
PDF
(Eng)
Том 29, № 3 (2019)
Image Classification Model Using Visual Bag of Semantic Words
Qi Y., Zhang G., Li Y.
PDF
(Eng)
Том 28, № 4 (2018)
Detecting Animals in Infrared Images from Camera-Traps
Follmann P., Radig B.
PDF
(Eng)
Том 27, № 3 (2017)
Satellite image-based ancient dwelling fingerprint detection algorithm
Shen L., Yang F.
PDF
(Eng)
Том 27, № 1 (2017)
Combinatorial analysis of the solvability properties of the problems of recognition and completeness of algorithmic models. Part 1: Factorization approach
Torshin I., Rudakov K.
PDF
(Eng)
Том 26, № 2 (2016)
Indian sign language recognition using SVM
Raheja J., Mishra A., Chaudhary A.
PDF
(Eng)
Том 29, № 3 (2019)
Lightweight Nearest Convex Hull Classifier
Nemirko A.
PDF
(Eng)
Том 28, № 3 (2018)
A Trainable System for Underwater Pipe Detection
Rekik F., Ayedi W., Jallouli M.
PDF
(Eng)
1 - 25 из 44 результатов 1 2 > >> 
Подсказки:
  • Ключевые слова чувствительны к регистру
  • Английские предлоги и союзы игнорируются
  • По умолчанию поиск проводится по всем ключевым словам (агенс AND экспериенцер)
  • Используйте OR для поиска того или иного термина, напр. образование OR обучение
  • Используйте скобки для создания сложных фраз, напр. архив ((журналов OR конференций) NOT диссертаций)
  • Для поиска точной фразы используйте кавычки, напр. "научные исследования"
  • Исключайте слово при помощи знака - (дефис) или оператора NOT; напр. конкурс -красоты или же конкурс NOT красоты
  • Используйте * в качестве версификатора, напр. научн* охватит слова "научный", "научные" и т.д.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».