MétaCan
Menu
Constructeur de cohorte

4 299 418 travaux, canadiens par l’une de quatre routes.

Chaque état de filtre est une URL; l’URL est la requête; la requête est citable via /q/⟨hash⟩. La page, l’API et l’export analysent les mêmes paramètres.

La cohorte courante, diffusée en continu depuis la base de données : toutes les colonnes des travaux, les étiquettes machine, les scores provisoires et l'état de validation de chaque rangée. Les exportations sont plafonnées à 100 000 rangées. Crée un lien /q/ permanent pour cette requête exacte. Les mêmes filtres produisent toujours le même lien, qui que soit le demandeur.

Terme de recherche
Auteur ou autrice
Période
Ordre
Langue
Type
Domaine
Revue
Sujet
Advanced Neural Network Applications
Rétractation
Résumé
Source des données probantes
Devis d'étude
Accord des étiquettes
État des étiquettes

Les étiquettes directes de Codex et Gemma sont non validées et clairsemées. Les prédictions distillées couvrent la base complète et sont elles aussi non validées. Choisissez explicitement la source; l'absence d'une étiquette directe n'est jamais une étiquette négative.

affaffiliation
fundbailleur
venuerevue
aboutsujet

Les quatre voies se composent : exigez la voie du financement et excluez l'affiliation pour obtenir la strate financée-seulement qu'aucune base fondée sur l'affiliation ne voit jamais.

1 336 résultats · 1 filtre actif ·
Résultats par année
20012025
Date de publication
Catégories
Étiquettes machine · couverture clairsemée
Preuves
Langue
Type
Citations
Un travail non étiqueté est inconnu, pas un négatif. La couverture est rapportée à chaque requête.
1 336 travaux dans la cohorte · sur 4 299 418page 17 sur 27

Les étiquettes couvrent 0 des 1 336 travaux de cette cohorte. Les autres sont non étiquetés, ce qui n'est pas une étiquette négative : la table des étiquettes est clairsemée aujourd'hui et s'enrichit au fil des rondes d'étiquetage.

Les prédictions distillées couvrent 1 336 des 1 336 travaux de cette cohorte. Ces prédictions portent le statut machine_predicted_unvalidated. Le mode candidate est l'union; le consensus est l'intersection.

afffundnon étiqueté
DEEP LEARNING FOR OBJECT DETECTION USING RADAR DATA
Ahmed Reda, Naser El‐Sheimy, A. Moussa
2023· article· en· ISPRS annals of the photogrammetry, remote sensing and spatial information sciences· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
2
citations
affsans résuménon étiqueté
MCUBench: A Benchmark of Tiny Object Detectors on MCUs
Sudhakar Sah, Darshan C. Ganji, Matteo Grimaldi, Ravish Kumar, Alexander F. Hoffman, Honnesh Rohmetra +1 autres
2025· book-chapter· en· Lecture notes in computer science· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
2
citations
affnon étiqueté
Cat Recognition Based on Deep Learning
Pengyin Chen, Arial Qin, Junhao Lu
2021· preprint· en· HAL (Le Centre pour la Communication Scientifique Directe)· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
2
citations
affnon étiqueté
PrunedCaps: A Case For Primary Capsules Discrimination
Ramin Sharifi, Pouya Shiri, Amirali Baniasadi
2021· article· en· 2021 20th IEEE International Conference on Machine Learning and Applications (ICMLA)· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
2
citations
affsans résuménon étiqueté
Genetic Algorithm for CNN Architecture Optimization
Khalid Elghazi, Hassan Ramchoun, Tawfik Masrour
2023· book-chapter· en· Lecture notes in networks and systems· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
2
citations
affnon étiqueté
Decoupling the Layers in Residual Networks
Ricky Fok, Aijun An, Zana Rashidi, Xiaogang Wang
2018· article· en· International Conference on Learning Representations· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
2
citations
afffundnon étiqueté
Can Forward Gradient Match Backpropagation?
Louis Fournier, Stéphane Rivaud, Eugene Belilovsky, Michael Eickenberg, Edouard Oyallon
2023· preprint· en· arXiv (Cornell University)· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
2
citations
affsans résuménon étiqueté
Orthogonal Ensemble Networks for Biomedical Image Segmentation
Agostina J. Larrazabal, César E. Martínez, José Dolz, Enzo Ferrante
2021· preprint· en· Lecture notes in computer science· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
2
citations
afffundsans résuménon étiqueté
Realistic image normalization for multi-Domain segmentation
Pierre-Luc Delisle, Benoit Anctil-Robitaille, Christian Desrosiers, Hervé Lombaert
2021· preprint· en· Medical Image Analysis· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
2
citations
afffundnon étiqueté
Zero-skipping in CapsNet. Is it worth it?
Ramin Sharifi, Pouya Shiri, Amirali Baniasadi
2020· article· en· EPiC series in computing· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
2
citations
affsans résuménon étiqueté
Recognition of Graphological Wartegg Hand-Drawings
Yunqi Xu, Ching Y. Suen
2022· book-chapter· en· Lecture notes in computer science· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
2
citations
affnon étiqueté
ASIP Accelerator for LUT-based Neural Networks Inference
Moussa Traoré, J. M. Pierre Langlois, Jean Pierre David
2022· article· en· 2022 20th IEEE Interregional NEWCAS Conference (NEWCAS)· Computer Science
prédiction distillée:candidate · metaepi_narrowconsensus · aucune
2
citations
affnon étiqueté
CGX
Ilia Markov, Hamidreza Ramezanikebrya, Dan Alistarh
2022· preprint· en· Computer Science
prédiction distillée:candidate · aucuneconsensus · aucune
2
citations

En coulisses: Sélection · Constats · À propos