| Subject | English | Russian |
| neur.net. | all convolutional net | "полностью свёрточная" сеть (clck.ru dimock) |
| telecom. | binary convolutional code | двоичный свёрточный код (ssn) |
| telecom. | binary convolutional coding | двоичное свёрточное кодирование (ssn) |
| med. | convolutional atrophy | болезнь Пика (синдром) |
| med. | convolutional cerebral atrophy | синдром Пика |
| med. | convolutional atrophy | ограниченная предстарческая атрофия головного мозга |
| Makarov. | convolutional ball | конволютное стяжение |
| automat. | convolutional code | свёрнутый код |
| cryptogr. | convolutional code | свёрточный помехоустойчивый код (Alex_Odeychuk) |
| media. | convolutional code | свёрточный код корректирующий код, в котором каждый информационный символ из m бит (т.е. строка из m бит), подлежащий кодированию, преобразуется в символ из n бит, где n > m, преобразование представляет собой функцию последних k информационных символов, где k — код ограниченной длины (такие свёрточные коды часто используют для коррекции ошибок методом контроля по чётности) |
| tech. | convolutional code | свёрточный код |
| progr. | convolutional-code constraint length | кодовое ограничение свёрточного кода (см. Теория передачи информации. Терминология. Вып. 94. М.: Наука, 1979 ssn) |
| tech. | convolutional codec | свёрточный кодек |
| quant.el. | convolutional-coded signal | сигнал со свёрточным кодированием |
| quant.el. | convolutional-coded signaling | передача сигналов со свёрточным кодированием |
| IT | convolutional coder | свёрточный кодер |
| tech. | convolutional coding | свёрточное кодирование |
| quant.el. | convolutional-encoded signal | сигнал с рациональным свёрточным кодированием |
| el. | convolutional encoder | устройство для свёрточного кодирования |
| el. | convolutional encoder | устройство свёрточного кодирования |
| Makarov. | convolutional encoder | свёрточный кодер |
| IT | convolutional encoding | свёрточное кодирование (сообщений) |
| tech. | convolutional encoding | свёрточное кодирование |
| math. | convolutional equation | уравнение свёртки |
| math. | convolutional equation | уравнение в свёртках |
| el. | convolutional filtering | фильтрация в виде формирования свёртки |
| tech. | convolutional filtering | фильтрация посредством свёртки |
| TV | convolutional inner coder | внутренний свёрточный кодер |
| AI. | convolutional layer | свёрточный слой (искусственной нейронной сети | A convolutional layer contains a set of filters whose parameters need to be learned. The height and weight of the filters are smaller than those of the input volume. Each filter is convolved with the input volume to compute an activation map made of neurons. In other words, the filter is slid across the width and height of the input and the dot products between the input and filter are computed at every spatial position. The output volume of the convolutional layer is obtained by stacking the activation maps of all filters along the depth dimension. Since the width and height of each filter is designed to be smaller than the input, each neuron in the activation map is only connected to a small local region of the input volume. In other words, the receptive field size of each neuron is small, and is equal to the filter size. The local connectivity is motivated by the architecture of the animal visual cortex where the receptive fields of the cells are small. The local connectivity of the convolutional layer allows the network to learn filters which maximally respond to a local region of the input, thus exploiting the spatial local correlation of the input (for an input image, a pixel is more correlated to the nearby pixels than to the distant pixels). In addition, as the activation map is obtained by performing convolution between the filter and the input, the filter parameters are shared for all local positions. The weight sharing reduces the number of parameters for efficiency of expression, efficiency of learning, and good generalization. Alex_Odeychuk) |
| med. | convolutional marking | вдавление на внутренних поверхностях черепных костей (MichaelBurov) |
| med. | convolutional markings | бороздовые вдавления (на внутренней поверхности черепных костей) |
| med. | convolutional markings | пальцевые вдавления (на внутренней поверхности черепных костей) |
| med., anat. | convolutional markings | пальцевые вдавления (бороздовые; на внутренней поверхности черепных костей) |
| seism. | convolutional model | свёрточная модель (трассы) |
| neur.net. | convolutional multilayer perceptron | многослойный персептрон свёртки (clck.ru dimock) |
| neur.net. | convolutional network | свёрточная сеть (clck.ru dimock) |
| neur.net. | convolutional network | сеть свёртки (clck.ru dimock) |
| AI. | convolutional neural net | свёрточная нейронная сеть (CNN; ConvNet; КНС; СНС MichaelBurov) |
| AI. | convolutional neural net | конволюционная нейронная сеть (CNN; ConvNet; КНС; СНС MichaelBurov) |
| AI. | convolutional neural network | конволюционная нейронная сеть (CNN; ConvNet; КНС; СНС MichaelBurov) |
| AI. | convolutional neural network | свёрточная нейронная сеть (MNIST – объёмная база данных образцов рукописного написания цифр. База данных является стандартом, предложенным Национальным институтом стандартов и технологий США с целью калибрации и сопоставления методов распознавания изображений с помощью машинного обучения в первую очередь на основе нейронных сетей. Данные состоят из заранее подготовленных примеров изображений, на основе которых проводится обучение и тестирование систем. База данных была создана после переработки оригинального набора черно-белых образцов размером 20x20 пикселей NIST. Создатели базы данных NIST, в свою очередь, использовали набор образцов из Бюро переписи населения США, к которому были добавлены ещё тестовые образцы, написанные студентами американских университетов. Образцы из набора NIST были нормализированы, прошли сглаживание и приведены к серому полутоновому изображению размером 28x28 пикселей. База данных MNIST содержит 60000 изображений для обучения и 10000 изображений для тестирования. Половина образцов для обучения и тестирования были взяты из набора NIST для обучения, а другая половина – из набора NIST для тестирования. Производились многочисленные попытки достичь минимальной ошибки после обучения по базе данных MNIST, которые обсуждались в научной литературе. Рекордные результаты указывались в публикациях, посвящённых использованию свёрточных нейронных сетей, уровень ошибки был доведён до 0,23 %. sas_proz) |
| AI. | convolutional neural network | нейронная сеть свёртки (сеть глубокого обучения, в которой слои свёртки играют доминирующую роль ssn) |
| AI. | convolutional neural network architecture | архитектура свёрточной нейронной сети (из кн.: Dawani J. Hands-On Mathematics for Deep Learning, 2020 Alex_Odeychuk) |
| AI. | convolutional neural network for machine translation | свёрточная нейронная сеть для машинного перевода (работает в 9 раз быстрее рекуррентных нейронных сетей, при этом совсем незначительно уступая им в точности перевода Alex_Odeychuk) |
| biol. | convolutional pattern | рисунок мозговых извилин |
| neur.net. | convolutional perceptron | персептрон свёртки (clck.ru dimock) |
| auto.ctrl. | convolutional relation | соотношение типа свёртки (ssn) |
| math. | convolutional semigroup | свёрточная полугруппа |
| IT | convolutional turbo coding | быстрое свёрточное кодирование (MasterK) |
| neur.net. | deep convolutional neural network | глубокая свёрточная нейронная сеть (из кн.: Головко В.А. Нейросетевые технологии обработки данных, 2017 Alex_Odeychuk) |
| neur.net. | deep recurrent convolutional neural network | глубокая рекуррентная свёрточная нейронная сеть (из кн.: Головко В.А. Нейросетевые технологии обработки данных, 2017 Alex_Odeychuk) |
| AI. | fully convolutional network | полностью свёрточная сеть (Alex_Odeychuk) |
| media. | generalized tail biting convolutional codes | обобщённые свёрточные коды со значащими хвостами (при обычном свёрточном кодировании формирующий регистр инициируется нулями, а при обобщённом — с помощью последних m-блоков информации, каждый из которых для (n, k, m) кода содержит по k бит) |
| AI. | graph convolutional neural network | графовая свёрточная нейронная сеть (Alex_Odeychuk) |
| neur.net. | multi-task cascaded convolutional network | многозадачная каскадная свёрточная сеть (Alex_Odeychuk) |
| telecom. | packet binary convolutional code | пакетный двоичный свёрточный код (ssn) |
| telecom. | packet binary convolutional coding | пакетное двоичное свёрточное кодирование (ssn) |
| AI. | quantum convolutional neural network | квантовая свёрточная нейронная сеть (квантовая свёрточная нейронная сеть представляет собой ряд свёрточных слоев или последовательностей квантовых операций, чередующихся со слоями объединения, которые вместе уменьшают размер хранимой информации, сохраняя при этом важные функции набора данных  ixbt.com, frontiersin.org Alex_Odeychuk) |
| neur.net. | recurrent convolutional network | рекуррентная свёрточная сеть (clck.ru dimock) |
| AI. | region-based convolutional neural network | регионально-свёрточная нейронная сеть (a machine learning model for computer vision and specifically object detection • Region-based convolutional neural networks have been used for tracking objects from a drone-mounted camera, locating text in an image, and enabling object detection. Alex_Odeychuk) |
| auto.ctrl. | we now show that in the case of linear, time-invariant system a convolutional relation exists between the input and output sequences | Покажем теперь, что в линейной системе с постоянными параметрами входная и выходная последовательности связаны соотношением типа свёртки (ssn) |