| DC Field | Value | Language |
| dc.contributor.author | Курочка, К. С. | - |
| dc.contributor.author | Лучшева, Т. В. | - |
| dc.contributor.author | Панарин, К. А. | - |
| dc.date.accessioned | 2018-06-08T07:01:38Z | - |
| dc.date.available | 2018-06-08T07:01:38Z | - |
| dc.date.issued | 2018 | - |
| dc.identifier.citation | Курочка, К. С. Локализация позвонков человека на рентгеновских изображениях с использованием Darknet YOLO = Localization of human percentages on X-ray images with use of Darknet YOLO./ К. С. Курочка, Т. В. Лучшева, К. А. Панарин // Доклады БГУИР. – 2018. – № 3 (113). – С. 32–38. | ru_RU |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/31835 | - |
| dc.description.abstract | Предлагается алгоритм, позволяющий с использованием сверточной нейронной сети
на основе регионов Darknet YOLO осуществлять локализацию позвонков на рентгеновских
изображениях с последующим определением геометрических параметров с помощью библиотеки
компьютерного зрения OpenCV. | ru_RU |
| dc.language.iso | ru | ru_RU |
| dc.publisher | БГУИР | ru_RU |
| dc.subject | доклады БГУИР | ru_RU |
| dc.subject | спондилография | ru_RU |
| dc.subject | рентгенография | ru_RU |
| dc.subject | компьютерное зрение | ru_RU |
| dc.subject | сегментация | ru_RU |
| dc.subject | нейронные сети | ru_RU |
| dc.subject | spondylography | ru_RU |
| dc.subject | radiography | ru_RU |
| dc.subject | computer vision | ru_RU |
| dc.subject | segmentation | ru_RU |
| dc.subject | neural networks | ru_RU |
| dc.title | Локализация позвонков человека на рентгеновских изображениях с использованием Darknet YOLO | ru_RU |
| dc.title.alternative | Localization of human percentages on X-ray images with use of Darknet YOLO. | ru_RU |
| dc.type | Статья | ru_RU |
| local.description.annotation | Technology that allows to localize vertebrae on X-ray images and then determine geometric
parameters using the OpenCV computer vision library using a convolutional neural network Darknet YOLO
based on regions is proposed. | - |
| Appears in Collections: | №3 (113)
|