Fabian Cristian Gieseke
Lektor
Machine Learning
Universitetsparken 1
2100 København Ø
1 - 3 ud af 3Pr. side: 10
- 2019
- Udgivet
Bigger buffer k-d trees on multi-many-core systems
Gieseke, Fabian Cristian, Oancea, Cosmin Eugen, Mahabal, A., Igel, Christian & Heskes, T., 2019, High Performance Computing for Computational Science – VECPAR 2018: 13th International Conference, São Pedro, Brazil, September 17–19, 2018, Revised Selected Papers. Springer, s. 202-214 (Lecture Notes in Computer Science, Bind 11333).Publikation: Bidrag til bog/antologi/rapport › Bidrag til bog/antologi › Forskning › fagfællebedømt
- Udgivet
Detecting Hardly Visible Roads in Low-Resolution Satellite Time Series Data
Oehmcke, Stefan, Thrysøe, C., Borgstad, A., Vaz Salles, M. A., Brandt, Martin Stefan & Gieseke, Fabian Cristian, 2019, Proceedings of the IEEE International Conference on Big Data, Big Data 2019: Special Session on Intelligent Data Mining. IEEE, s. 2403-2412 9006251,Publikation: Bidrag til bog/antologi/rapport › Konferencebidrag i proceedings › Forskning › fagfællebedømt
- Udgivet
Magnitude and Uncertainty Pruning Criterion for Neural Networks
Ko, V., Oehmcke, Stefan & Gieseke, Fabian Cristian, 2019, 2019 IEEE International Conference on Big Data, Big Data. Baru, C., Huan, J., Khan, L., Hu, X. T., Ak, R., Tian, Y., Barga, R., Zaniolo, C., Lee, K. & Ye, Y. F. (red.). IEEE, s. 2317-2326 9005692. (Proceedings - 2019 IEEE International Conference on Big Data, Big Data 2019).Publikation: Bidrag til bog/antologi/rapport › Konferencebidrag i proceedings › Forskning › fagfællebedømt
ID: 91244670
Flest downloads
-
2314
downloads
Buffer k-d trees: processing massive nearest neighbor queries on GPUs
Publikation: Bidrag til bog/antologi/rapport › Konferencebidrag i proceedings › Forskning › fagfællebedømt
Udgivet -
198
downloads
Big universe, big data: machine learning and image analysis for astronomy
Publikation: Bidrag til tidsskrift › Tidsskriftartikel › fagfællebedømt
Udgivet -
86
downloads
Creating cloud-free satellite imagery from image time series with deep learning
Publikation: Bidrag til bog/antologi/rapport › Konferencebidrag i proceedings › Forskning › fagfællebedømt
Udgivet