Zur Hauptnavigation wechseln
Zur Suche wechseln
Zum Hauptinhalt wechseln
Technische Universität Graz Home
English
Deutsch
Home
Personen
Veröffentlichungen
Forschungsgruppen
Projekte
Aktivitäten
Auszeichnungen
Presseberichte
Nach Expertise, Namen oder Zugehörigkeit suchen
Peter Roth
Dipl.-Ing. Dr.techn.
Technische Universität Graz
,
Institut für Maschinelles Sehen und Darstellen (7100)
2003
2021
Publikationen pro Jahr
Übersicht
Fingerprint
Netzwerk
Veröffentlichungen
(131)
Aktivitäten
(74)
Auszeichnungen
(9)
Projekte
(6)
Ähnliche Profile
(12)
Wenn Sie Änderungen in Pure vorgenommen haben, werden diese hier in Kürze erscheinen.
Publikationen
Publikationen pro Jahr
2005
2009
2010
2011
2012
2013
2017
2019
2021
98
Beitrag in einem Konferenzband
8
Artikel
7
Beitrag in Buch/Bericht
6
Buch (Herausgeberwerk)
12
Mehr
4
Preprint
3
Patent
1
Sonstiger Bericht
1
(Altdaten) Vortrag oder Präsentation
1
Paper
1
Editorial
1
Dissertation
Publikationen pro Jahr
Publikationen pro Jahr
4 Ergebnisse
Erscheinungsjahr, Titel
(absteigend)
Erscheinungsjahr, Titel
(aufsteigend)
Titel
Typ
Filter
Preprint
Suchergebnisse
2019
L* ReLU: Piece-wise Linear Activation Functions for Deep Fine-grained Visual Categorization
Basirat, M.
&
Roth, P. M.
,
2019
, (arXiv.org e-Print archive).
Publikation
:
Arbeitspapier
›
Preprint
Chemical activation
100%
Deep neural networks
21%
Computational efficiency
21%
Experiments
7%
Patch augmentation: Towards efficient decision boundaries for neural networks
Bloice, M. D.
,
Roth, P. M.
&
Holzinger, A.
,
8 Nov 2019
, (arXiv.org e-Print archive).
Publikation
:
Arbeitspapier
›
Preprint
Performing Arithmetic Using a Neural Network Trained on Digit Permutation Pairs
Bloice, M. D.
,
Roth, P. M.
&
Holzinger, A.
,
6 Dez 2019
, (arXiv.org e-Print archive).
Publikation
:
Arbeitspapier
›
Preprint
Labels
100%
Neural networks
71%
Convolutional neural networks
53%
Testing
30%
Smart Hypothesis Generation for Efficient and Robust Room Layout Estimation
Hirzer, M.
,
Roth, P. M.
&
Lepetit, V.
,
2019
, (arXiv.org e-Print archive).
Publikation
:
Arbeitspapier
›
Preprint
Feature extraction
100%
Semantics
88%