Wykaz publikacji wybranego autora

Michał Karwatowski, mgr inż.

asystent

Wydział Informatyki, Elektroniki i Telekomunikacji
WIEiT-ke, Instytut Elektroniki


  • 2023

    [dyscyplina 1] dziedzina nauk inżynieryjno-technicznych / informatyka techniczna i telekomunikacja

    [dyscyplina 2] dziedzina nauk inżynieryjno-technicznych / automatyka, elektronika, elektrotechnika i technologie kosmiczne (25%)


  • 2018

    [dyscyplina 1] dziedzina nauk inżynieryjno-technicznych / informatyka techniczna i telekomunikacja

    [dyscyplina 2] dziedzina nauk inżynieryjno-technicznych / automatyka, elektronika i elektrotechnika (25%)


Identyfikatory Autora Informacje o Autorze w systemach zewnętrznych

ORCID: 0000-0001-6285-136X orcid iD

ResearcherID: ISA-6516-2023

Scopus: 57189294331

PBN: 5e70938d878c28a0473ac8d5

System Informacyjny AGH (SkOs)




1
2
  • Fast pre-diagnosis of neoplastic changes in cytology images using machine learning / Jakub CAPUTA, Daria ŁUKASIK, Maciej WIELGOSZ, Michał KARWATOWSKI, Rafał FRĄCZEK, Paweł RUSSEK, Kazimierz WIATR // Applied Sciences (Basel) [Dokument elektroniczny]. — Czasopismo elektroniczne ; ISSN 2076-3417. — 2021 vol. 11 iss. 16 art. no. 7181, s. 1–17. — Wymagania systemowe: Adobe Reader. — Bibliogr. s. 16–17, Abstr.. — Publikacja dostępna online od: 2021-08-04. — M. Wielgosz, M. Karwatowski, R. Frączek, P. Russek, K. Wiatr - pierwsza afiliacja: Academic Computer Centre CYFRONET AGH. — tekst: https://www.mdpi.com/2076-3417/11/16/7181/pdf

    orcid iD
  • keywords: detection, deep learning, YOLOv3, neoplasms, canines

    cyfrowy identyfikator dokumentu: 10.3390/app11167181

3
4
  • Mapping neural networks to FPGA-based IoT devices for ultra-low latency processing / Maciej WIELGOSZ, Michał KARWATOWSKI // Sensors [Dokument elektroniczny]. — Czasopismo elektroniczne ; ISSN 1424-8220. — 2019 vol. 19 iss. 13 art. no. 2981, s. 1–47. — Wymagania systemowe: Adobe Reader. — Bibliogr. s. 45–47, Abstr.. — Publikacja dostępna online od: 2019-07-05. — M. Wielgosz, M. Karwatowski - dod. afiliacja: Academic Computer Centre CYFRONET AGH. — tekst: https://www.mdpi.com/1424-8220/19/13/2981/pdf

    orcid iD
  • keywords: neural networks, FPGA, deep learning, Internet of Things, IoT, recurrent neural networks, RNN

    cyfrowy identyfikator dokumentu: 10.3390/s19132981