“邓巍然”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果6个，建议您升级VIP下载更多相关专利

[发明专利]一种基于机器视觉的术后护理方法及系统-CN202310370464.0在审
发明人：张志凡;陈红梅;邓巍然;丁宇 -专利权人：中国人民解放军总医院第六医学中心
申请日： 2023-04-10 - 公布日： 2023-09-15 - 主分类号： G16H20/40 文献下载
摘要：本发明提供了一种基于机器视觉的术后护理方法及系统，涉及数据处理技术领域，在用户术后监测部位设置传感器，采集用户监测信息，以确定用户体态信息，若满足预设术后监测要求时，获得图像启动信息，控制图像采集设备对目标用户进行图像采集，获得用户采集视频信息按照用户预设护理要求进行特征提取，根据护理特征信息、预设护理要求，发送护理指导信息，解决了现有技术中护理方法的执行进程不够灵活且与患者的状态契合度不足，对于护理监管较为片面，以影响患者的术后恢复的技术问题，基于用户术后护理实况进行精准定位监测，以确定护理特征进行实时护理的预警与处理变通，同时进行关联用户的连接建立，以进行护理信息的交互共享与指导。
一种基于机器视觉术后护理方法系统

[发明专利]一种数据处理方法、装置、计算机设备及存储介质-CN202010079087.1有效
发明人：余翀;张银锋;张应国;邓巍然 -专利权人：腾讯科技（深圳）有限公司
申请日： 2020-02-03 - 公布日： 2023-07-14 - 主分类号： G06N3/082 文献下载
摘要：本申请实施例公开了一种数据处理方法、装置及存储介质，该方法包括：对第一模型进行剪枝处理，得到剪枝模型。对上述剪枝模型进行训练，得到第二模型，获取上述第二模型的训练结果成功率。若上述训练结果成功率大于成功率阈值，则根据原始模型运行性能以及上述第二模型的模型拓扑结构，预测上述第二模型对应的模型运行性能。若上述第二模型对应的模型运行性能未达到性能阈值，则对上述第二模型进行重新剪枝处理。若上述第二模型对应的模型运行性能达到上述性能阈值，则确定上述第二模型为用于进行业务处理的目标模型。采用本申请实施例，可以实现自动化剪枝，从而可以提高模型剪枝的效率。
一种数据处理方法装置计算机设备存储介质

[发明专利]一种用于支撑膝关节的体位垫-CN202210296621.3在审
发明人：张志凡;邓巍然;陈红梅 -专利权人：中国人民解放军总医院第六医学中心
申请日： 2022-03-24 - 公布日： 2022-06-28 - 主分类号： A61G13/12 文献下载
摘要：本发明提出了一种用于支撑膝关节的体位垫，涉及医疗器械技术领域。一种用于支撑膝关节的体位垫，包括第一支撑垫、第二支撑垫和第三支撑垫，上述第一支撑垫和上述第三支撑垫分别设于上述第二支撑垫两侧，上述第一支撑垫上端具有第一弧形凸起，上述第二支撑垫上端具有第二弧形凸起，上述第三支撑垫上端具有第三弧形凸起，上述第二弧形凸起最高点所处水平面高于上述第一弧形凸起最高点所处水平面和上述第三弧形凸起最高点所处水平面；此体位垫使得小腿和大腿同时得到支撑，不至于使得小腿和大腿悬空，从而使得膝关节患者的膝关节部位能够得到更好的支撑，而且便于膝关节患者更好的恢复。
一种用于支撑膝关节体位

[发明专利]经由选择性修剪来加速长短期记忆网络-CN201910025315.4在审
发明人：乔治斯·乔治亚迪斯;邓巍然 -专利权人：三星电子株式会社
申请日： 2019-01-10 - 公布日： 2019-08-02 - 主分类号： G06N3/04 文献下载
摘要：一种用于修剪的系统和方法。神经网络包括多个长短期记忆单元，每个长短期记忆单元包括具有权重矩阵W_c的输入、具有权重矩阵W_i的输入门、具有权重矩阵W_f的遗忘门、以及具有权重矩阵W_o的输出门。在一些实施例中，在初始训练之后，修剪权重矩阵W_i、W_f和W_o中的一个或多个，并且保留权重矩阵W_c不变。然后，对神经网络进行再训练，在再训练期间将经修剪的权重约束成保持为零。
权重矩阵修剪记忆单元神经网络记忆网络输出门输入门权重遗忘保留

[发明专利]神经网络以及修剪神经网络的权重的方法-CN201811327128.3在审
发明人： 邓巍然;乔治斯·乔治亚迪斯 -专利权人：三星电子株式会社
申请日： 2018-11-08 - 公布日： 2019-06-21 - 主分类号： G06N3/04 文献下载
摘要：一种使用解析阈值函数h(w)来修剪神经网络的权重的方法和一种权重已得到最优修剪的神经网络。所述神经网络包括：多个层，其中每一个层包括与这个层相关联的一组权重w，所述权重w会增强神经网络的速度性能、神经网络的准确度或同时增强神经网络的速度性能与神经网络的准确度。每一组权重w是基于：通过响应于输入训练数据对神经网络的输出进行反向传播而得到最小化的成本函数C。成本函数C还基于成本函数C相对于解析阈值函数h(w)的第一参数的导数及所述成本函数C相对于所述解析阈值函数h(w)的第二参数的导数得到最小化。
神经网络权重成本函数阈值函数修剪解析准确度最小化导数反向传播训练数据关联输出响应

[发明专利]用于优化神经网络的方法-CN201811220391.2在审
发明人： 邓巍然 -专利权人：三星电子株式会社
申请日： 2018-10-19 - 公布日： 2019-05-14 - 主分类号： G06N3/08 文献下载
摘要：一种方法，包括：提供包括多个层的深度神经网络(DNN)模型，所述多个层中的每个层包括多个节点；基于分布函数对多个权重中的每个权重的权重改变进行采样，所述多个权重中的每个权重对应于所述多个节点中的每个节点；通过权重改变乘以权重的符号来更新权重；并通过对采样改变和更新权重的步骤进行迭代来训练DNN模型。在训练之后，多个权重具有高稀疏率。
权重采样优化神经网络分布函数神经网络迭代更新稀疏