Các Thông Số Vray

Log InSign Up

• Log In
• Sign Up
• more
• • About
  • Press
  • Papers
  • Terms
  • Privacy
  • Copyright
  • We're Hiring!
  • Help Center
  • less

Outline

keyboard_arrow_downTitleAbstractdownload

Download Free PDF

Download Free DOCXCác thông số vrayvuong vuvisibility

…

description

6 pages

descriptionSee full PDFdownloadDownload PDF bookmarkSave to LibraryshareShareclose

Sign up for access to the world's latest research

Sign up for freearrow_forwardcheckGet notified about relevant paperscheckSave papers to use in your researchcheckJoin the discussion with peerscheckTrack your impact

Abstract

Mở bảng render settings.

... Read moreSee full PDFdownloadDownload PDF

Loading Preview

Sorry, preview is currently unavailable. You can download the paper by clicking the button above.

vuong vuaddFollowmailMessagePapers1Followers61View all papers from vuong vuarrow_forward

Related papers

Chần Đoán Rò Động Mạch Vành Trên Cắt Lớp VI Tính Đa DãyKhôi Nguyên Nguyễn

Vietnamese Journal of Radiology and Nuclear Medicine

Mục đích: Mô tả đặc điểm hình ảnh của rò động mạch vành trên cắt lớp vi tính đa dãy. Đối tượng và phương pháp nghiên cứu: Nghiên cứu được tiến hành trong thời gian từ tháng 1/2019 đến hết tháng 9/2020 trên 31 bệnh nhân được chẩn đoán rò động mạch vành trên phim chụp CLVT động mạch vành tại trung tâm Điện Quang, Bệnh Viện Bạch Mai, nghiên cứu mô tả tiến cứu.Kết quả: Trong tổng số 3322 bệnh nhân được chụp CLVT ĐMV trong thời gian nghiên cứu, có 31 bệnh nhân (11 nam, 20 nữ, tuổi trung bình 56) có rò động mạch vành, chiếm tỷ lệ 0,93%. Có 13 bệnh nhân chỉ có một đường rò duy nhất (41,9%), 18 bệnh nhân có từ hai đường rò trở lên (58,1%). 2 bệnh nhân đường rò xuất phát từ động mạch vành phải (6,5%), 11 bệnh nhân rò từ hệ động mạch vành trái (35,5%) và 18 bệnh nhân rò từ cả động mạch vành phải và trái (58,5%). Có 27 bệnh nhân đường rò đổ vào vòng tuần hoàn phải (87,1%), trong đó 74,2% ...

downloadDownload free PDFView PDFchevron_rightBước Đầu Xác Định Thông Số Xây Dựng Mạng Lưới Thần Kinh Nhân Tạo Trong Ước Lượng Độ Lọc Cầu ThậnQuốc Tuấn Lê

Tạp chí Y học Việt Nam

Mục tiêu: Tìm ra những thông số có mối tương quan chặt chẽ bằng cách sử dụng mô hình mạng lưới thần kinh nhân tạo học hỏi từ các công thức eGFR trong các xét nghiệm sinh hóa (glucose, albumin, protein, axit uric, urê, creatinin trong máu và creatinin trong nước tiểu) và các thông số sinh học (tuổi, giới tính, BMI, huyết áp, chiều cao, cân nặng vòng eo, vòng mông) để làm cơ sở xây dựng các mô hình ANN tiếp theo. Phương pháp nghiên cứu: Cắt ngang mô tả trên các đối tượng tình nguyện sinh sống tại thành phố Hồ Chí Minh và Vũng Tàu, các đối tượng bệnh thận mạn tại phòng khám thận, bệnh viện Đại học Y Dược TP. Hồ Chí Minh cơ sở 2. Khảo sát các yếu tố tuổi, giới, chiều cao, cân nặng, huyết áp, vòng eo, vòng mông, BMI, glucose, ure, creatinin, protein, albumin, acid uric trong máu và creatinin trong nước tiểu 24 giờ. Kết quả: Có 161 người tham gia trong đó có 115 người tình nguyện khỏe mạnh và 46 người bệnh thận mạn. Xác định 3 thông số protein, creatinin huyết thanh, cân nặng có tương qua...

downloadDownload free PDFView PDFchevron_rightLược Đồ Sai Phân Khác Thường Mô Phỏng Số Một Mô Hình Lan Truyền Virus Máy TínhMạnh Tuấn

FAIR - NGHIÊN CỨU CƠ BẢN VÀ ỨNG DỤNG CÔNG NGHỆ THÔNG TIN - 2017, 2017

Trong bài báo này, lược đồ sai phân khác thường (nonstandard finite difference schemes -NSFD) bảo toàn các tính chất quan trọng của một mô hình lan truyền virus máy tính được xây dựng. Các tính chất quan trọng của mô hình này gồm có tính chất dương, tính chất bị chặn, điểm cân bằng và tính chất ổn định của điểm cân bằng. Ở đây tính chất ổn định của điểm cân bằng của NSFD được chúng tôi nghiên cứu dựa trên một mở rộng của Định lý ổn định Lyapunov cổ điển. Các mô phỏng số khẳng định tính đúng đắn của các kết quả lý thuyết cũng như ưu thế của các NSFD so với các lược đồ sai phân bình thường (standard finite difference schemes -SFDS).

downloadDownload free PDFView PDFchevron_rightĐiểm Danh Bằng Mặt Người Với Đặc Trưng Gist Và Máy Học Véctơ Hỗ Trợ16.Trần Nguyễn Minh Thư

FAIR - NGHIÊN CỨU CƠ BẢN VÀ ỨNG DỤNG CÔNG NGHỆ THÔNG TIN - 2017, 2017

Trong bài viết này, chúng tôi đề xuất hệ thống điểm danh bằng mặt người với máy học véctơ hỗ trợ (Support Vector Machines-SVM) sử dụng đặc trưng GIST. Hệ thống điểm danh thực hiện hai bước chính là định vị khuôn mặt trong ảnh thu được từ camera và định danh đối tượng từ ảnh khuôn mặt. Bước định vị khuôn mặt được thực hiện dựa trên các đặc trưng Haar-like kết hợp với mô hình phân tầng (Cascade of Boosted Classifiers-CBC). Chúng tôi đề xuất huấn luyện mô hình máy học SVM sử dụng đặc trưng GIST để thực hiện định danh đối tượng từ ảnh khuôn mặt. Kết quả thực nghiệm trên tập dữ liệu gồm 6722 ảnh của 132 đối tượng là những sinh viên Khoa CNTT-TT, Trường Đại học Cần Thơ cho thấy máy học SVM sử dụng đặc trưng GIST đạt đến 99.29% độ chính xác trên tập kiểm tra, cao hơn khi so với mô hình mạng nơron tích chập (Convolutional Neural Network-CNN), máy học SVM sử dụng mô hình túi từ (Bag-of-Words-BoW) của đặc trưng SIFT (Scale-Invariant Feature Transform), Bayes thơ ngây với láng giềng gần nhất (Naïve Bayes Nearest Neighbor-NBNN) sử dụng đặc trưng SIFT có độ chính xác lần lượt là 96.88%, 97.54% và 98.88%. Từ khóa: Nhận dạng mặt người, đặc trưng GIST, máy học véctơ hỗ trợ (SVM).

downloadDownload free PDFView PDFchevron_right

• Explore
• Papers
• Topics

• Features
• Mentions
• Analytics
• PDF Packages
• Advanced Search
• Search Alerts

• Journals
• Academia.edu Journals
• My submissions
• Reviewer Hub
• Why publish with us
• Testimonials

• Company
• About
• Careers
• Press
• Help Center
• Terms
• Privacy
• Copyright
• Content Policy

580 California St., Suite 400San Francisco, CA, 94104© 2026 Academia. All rights reserved