|
|
|
Публикации в базе данных Math-Net.Ru |
Цитирования |
|
2024 |
| 1. |
Е. Ю. Щетинин, “Об эффективности применения визуальных трансформеров в обнаружении аномалий гистопатологических изображений”, Матем. моделирование, 36:5 (2024), 73–87  |
|
2023 |
| 2. |
Е.Ю. Щетинин, “О перспективах применения компьютерных лингвистических моделей в задачах классификации биомедицинских изображений”, Матем. моделирование, 35:12 (2023), 18–30 ; E.Yu.Shchetinin, “On using the computer linguistic models in the classification of biomedical images”, Math. Models Comput. Simul., 16:2 (2024), 246–253 |
2
|
|
2022 |
| 3. |
E. Yu. Shchetinin, A. G. Glushkova, “Arrhythmia detection using resampling and deep learning methods on unbalanced data”, Компьютерная оптика, 46:6 (2022), 980–987 |
| 4. |
Е.Ю. Щетинин, “Обнаружение коронавирусной инфекции COVID-19 на основе анализа рентгеновских снимков грудной клетки методами глубокого обучения”, Компьютерная оптика, 46:6 (2022), 963–970 |
1
|
|
2021 |
| 5. |
Е. Ю. Щетинин, Л. А. Севастьянов, “О методах переноса глубокого обучения в задачах классификации биомедицинских изображений”, Информ. и её примен., 15:4 (2021), 59–64 |
1
|
|
2020 |
| 6. |
Л. А. Севастьянов, Е. Ю. Щетинин, “О методах повышения точности многоклассовой классификации на несбалансированных данных”, Информ. и её примен., 14:1 (2020), 63–70 |
7
|
| 7. |
Е.Ю. Щетинин, Л. А. Севастьянов, А. В. Демидова, Д. С. Кулябов, “Классификация повреждений кожи по данным дермаскопии с использованием методов глубокого обучения”, Матем. биология и биоинформ., 15:2 (2020), 180–194 |
7
|
|
2004 |
| 8. |
Е. Ю. Щетинин, А. С. Лапушкин, “Статистические методы и математические модели оценивания финансовых рисков”, Матем. моделирование, 16:5 (2004), 40–54  |
1
|
|
Обратная связь: