Sökning: "Basnivå"
Visar resultat 1 - 5 av 19 uppsatser innehållade ordet Basnivå.
1. Avfallshantering: En jämförelse mellan byggarbetsplatser
M1-uppsats, Jönköping University/JTH, Byggnadsteknik och belysningsvetenskapSammanfattning : .... LÄS MER
2. Self-supervised Learning for Efficient Object Detection
Master-uppsats, KTH/Skolan för elektroteknik och datavetenskap (EECS)Sammanfattning : Self-supervised learning has become a prominent approach in pre-training Convolutional Neural Networks for computer vision. These methods are able to achieve state-of-the-art representation learning with unlabeled datasets. In this thesis, we apply Self-supervised Learning to the object detection problem. LÄS MER
3. Perceptuell inlärning av bedömning av bakbenshälta hos häst : en jämförande studie av två digitala inlärningsverktyg
Uppsats för yrkesexamina på avancerad nivå, SLU/Dept. of Anatomy, Physiology and BiochemistrySammanfattning : Syftet med studien var att undersöka om det går att förbättra studenters förmåga att bedöma bakbenshältor hos hästar på video, med hjälp av två olika datorbaserade inlärningsverktyg som också jämfördes med avseende på deras effekt på perceptuell inlärning. En specialgjord träningsmodul för perceptuell inlärning av bedömning av bakbenshältor skapades på student-webbportalen Canvas. LÄS MER
4. Modeling risk and price of all risk insurances with General Linear Models
Kandidat-uppsats, KTH/Matematisk statistikSammanfattning : Denna kandidatexamen ligger inom området matematisk statistik. I samarbete med försäkringsbolaget Hedvig syftar denna avhandling till att utforska en ny metod för hantering av Hedvigs försäkringsdata genom att bygga en prissättningsmodell för alla riskförsäkringar med generaliserade linjära modeller. LÄS MER
5. Semi-Supervised Methods for Classification of Hyperspectral Images with Deep Learning
Master-uppsats, KTH/Skolan för elektroteknik och datavetenskap (EECS)Sammanfattning : Hyperspectral images (HSI) can reveal more patterns than regular images. The dimensionality is high with a wider spectrum for each pixel. Few labeled datasets exists while unlabeled data is abundant. This makes semi-supervised learning well suited for HSI classification. LÄS MER