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 4 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 volet Gemma est une étiquette directe du modèle pour chaque travail (titre seulement); le volet Codex est un classifieur distillé et calibré. Le mode candidate est l'union; le consensus est l'intersection.

affnon étiqueté
RBGNet: Ray-based Grouping for 3D Object Detection
Haiyang Wang, Shaoshuai Shi, Ze Yang, Rongyao Fang, Qian Qi, Hongsheng Li +2 autres
2022· article· en· 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
65
citations
affnon étiqueté
Stripes: Bit-Serial Deep Neural Network Computing
Patrick Judd, Jorge Albericio, Andreas Moshovos
2016· article· en· IEEE Computer Architecture Letters· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
62
citations
afffundsans résuménon étiqueté
3D U-Net for Brain Tumour Segmentation
Raghav Mehta, Tal Arbel
2019· book-chapter· en· Lecture notes in computer science· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
60
citations
affnon étiqueté
DeepFlux for Skeletons in the Wild
Yukang Wang, Yongchao Xu, Stavros Tsogkas, Xiang Bai, Sven Dickinson, Kaleem Siddiqi
2019· article· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
60
citations
affsans résuménon étiqueté
Constraint-Aware Deep Neural Network Compression
Changan Chen, Frederick Tung, Naveen Vedula, Greg Mori
2018· book-chapter· en· Lecture notes in computer science· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
59
citations
affnon étiqueté
MNet: Rethinking 2D/3D Networks for Anisotropic Medical Image Segmentation
Zhangfu Dong, Yuting He, Xiaoming Qi, Yang Chen, Huazhong Shu, Jean-Louis Coatrieux +2 autres
2022· article· en· Proceedings of the Thirty-First International Joint Conference on Artificial Intelligence· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
57
citations
affnon étiqueté
Identifying Unknown Instances for Autonomous Driving
Kelvin Wong, Shenlong Wang, Mengye Ren, Ming Liang, Raquel Urtasun
2019· article· en· Conference on Robot Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
57
citations
affnon étiqueté
Training deep neural networks via direct loss minimization
Yang Song, Alexander G. Schwing, Richard S. Zemel, Raquel Urtasun
2016· article· en· International Conference on Machine Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
55
citations
affnon étiqueté
Graph HyperNetworks for Neural Architecture Search.
Wenjun Zhang, Mengye Ren, Raquel Urtasun
2018· article· en· International Conference on Learning Representations· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
53
citations
venueno affnon étiqueté
ShipYOLO: An Enhanced Model for Ship Detection
Xu Han, Lining Zhao, Yue Ning, Jingfeng Hu
2021· article· en· Journal of Advanced Transportation· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
52
citations

En coulisses: Sélection · Constats · À propos