Wykaz publikacji wybranego autora

Michał Piekarski, mgr inż.

doktorant

Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
WEAIiIB-kair, Katedra Automatyki i Robotyki


  • 2019

    [dyscyplina 1] dziedzina nauk inżynieryjno-technicznych / automatyka, elektronika i elektrotechnika


Identyfikatory Autora

ORCID: 0000-0001-9391-4263 orcid iD

ResearcherID: brak

Scopus: brak

PBN: 5ebede3a752340254fc42976





Liczba pozycji spełniających powyższe kryteria selekcji: 7, z ogólnej liczby 7 publikacji Autora


1
  • Break the curse of small datasets in computer vision tasks with transfer learning methods / Joanna JAWOREK-KORJAKOWSKA, Andrzej BRODZICKI, Dariusz KUCHARSKI, Michał PIEKARSKI, Marek GORGOŃ // W: PP-RAI'2019 [Dokument elektroniczny] : Polskie Porozumienie na rzecz Rozwoju Sztucznej Inteligencji : 16–18.10.2019, Wrocław : conference proceedings. — Wersja do Windows. — Dane tekstowe. — [Wrocław : Faculty of Electronics. Wroclaw University of Science and Technology], cop. 2019. — e-ISBN: 978-83-943803-2-8. — S. [146–149]. — Wymagania systemowe: Adobe Reader. — Bibliogr. s. [149], Abstr.. — M. Piekarski – dod. afiliacja: Jagiellonian University. — tekst: http://pp-rai.pwr.edu.pl/PPRAI19_proceedings.pdf

    orcid iD
  • keywords: anomaly detection, signal processing, deep neural networks, transfer learning, image analysis

    cyfrowy identyfikator dokumentu:

2
3
  • Deep neural network for beam profile classification in synchrotron / Michał PIEKARSKI // W: IBIC2022 [Dokument elektroniczny] : proceedings of the 11\textsuperscript{th} International Beam Instrumentation Conference : Kraków, Poland, 11-15 September 2022 / eds. Peter Forck, [et al.]. — Wersja do Windows. — Dane tekstowe. — [Genewa] : JACoW, cop. 2022. — (IBIC ; ISSN 2673-5350). — e-ISBN: 978-3-95450-235-6. — S. 323–326. — Wymagania systemowe: Adobe Reader. — Tryb dostępu: https://accelconf.web.cern.ch/ibic2022/papers/tup38.pdf [2023-01-11]. — Bibliogr. s. 325–326, Abstr.. — M. Piekarski - dod. afiliacja: NSRC SOLARIS, Jagiellonian University

  • brak zdefiniowanych słów kluczowych

    cyfrowy identyfikator dokumentu: 10.18429/JACoW-IBIC2022-TUP38

4
  • Deep neural network interpretability methods for supervised and unsupervised problems / Andrzej BRODZICKI, Dariusz KUCHARSKI, Michał PIEKARSKI, Aleksander KOSTUCH, Joanna JAWOREK-KORJAKOWSKA // W: PP-RAI'2022 [Dokument elektroniczny] : proceedings of the 3rd Polish conference on Artificial intelligence : April 25–27, 2022, Gdynia, Poland. — Wersja do Windows. — Dane tekstowe. — Gdynia : Gdynia Maritime University, 2022. — e-ISBN: 978-83-7421-401-8. — S. 25–28. — Wymagania systemowe: Adobe Reader. — Tryb dostępu: https://wydawnictwo.umg.edu.pl/pp-rai2022/pdfs/ProceedingsPP-RAI2022.pdf [2022-04-27]. — Bibliogr. s. 28, Abstr.. — M. Piekarski – dod. afiliacja: SOLARIS National Synchrotron Radiation Centre, UJ, Krakow

    orcid iD
  • keywords: deep neural networks, unsupervised, explainability, interpretability, supervised

    cyfrowy identyfikator dokumentu:

5
6
7