Wykaz publikacji wybranego autora

Michał Piekarski, mgr inż.

doktorant

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


  • 2022

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


  • 2019

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


Identyfikatory Autora

ORCID: 0000-0001-9391-4263 orcid iD

ResearcherID: brak

Scopus: brak




1
  • [referat, 2022]
  • TytułA hybrid deep learning based anomaly detection framework dedicated for big research infrastructures
    AutorzyMichał PIEKARSKI, Joanna JAWOREK-KORJAKOWSKA, Adriana Wawrzyniak
    ŹródłoICARCV 2022 [Dokument elektroniczny] : the 17textsuperscript{th} International Conference on Control, Automation, Robotics and Vision : December 11-13, 2022, Singapore / Nanyang Technological University, Singapore. — [Piscataway] : IEEE, cop. 2022. — S. 887–892
  • brak zdefiniowanych słów kluczowych

    cyfrowy identyfikator dokumentu: 10.1109/ICARCV57592.2022.10004226

2
  • [referat, 2019]
  • TytułBreak the curse of small datasets in computer vision tasks with transfer learning methods
    AutorzyJoanna JAWOREK-KORJAKOWSKA, Andrzej BRODZICKI, Dariusz KUCHARSKI, Michał PIEKARSKI, Marek GORGOŃ
    ŹródłoPP-RAI'2019 [Dokument elektroniczny] : Polskie Porozumienie na rzecz Rozwoju Sztucznej Inteligencji : 16–18.10.2019, Wrocław : conference proceedings. — [Wrocław : Faculty of Electronics. Wroclaw University of Science and Technology], cop. 2019. — S. [146–149]
  • keywords: anomaly detection, signal processing, deep neural networks, transfer learning, image analysis

    cyfrowy identyfikator dokumentu:

3
4
  • [referat, 2022]
  • TytułDeep neural network for beam profile classification in synchrotron
    AutorzyMichał PIEKARSKI
    ŹródłoIBIC2022 [Dokument elektroniczny] : proceedings of the 11textsuperscript{th} International Beam Instrumentation Conference : Kraków, Poland, 11-15 September 2022 / eds. Peter Forck, [et al.]. — [Genewa] : JACoW, cop. 2022. — S. 323–326
  • brak zdefiniowanych słów kluczowych

    cyfrowy identyfikator dokumentu: 10.18429/JACoW-IBIC2022-TUP38

5
  • [referat, 2022]
  • TytułDeep neural network interpretability methods for supervised and unsupervised problems
    AutorzyAndrzej BRODZICKI, Dariusz KUCHARSKI, Michał PIEKARSKI, Aleksander KOSTUCH, Joanna JAWOREK-KORJAKOWSKA
    ŹródłoPP-RAI'2022 [Dokument elektroniczny] : proceedings of the 3rd Polish conference on Artificial intelligence : April 25–27, 2022, Gdynia, Poland. — Gdynia : Gdynia Maritime University, 2022. — S. 25–28
  • keywords: deep neural networks, unsupervised, explainability, interpretability, supervised

    cyfrowy identyfikator dokumentu:

6
7
8
9