“去卷积”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果252687个，建议您升级VIP下载更多相关专利

[发明专利]一种基于自编码卷积神经网络的单幅图像去雨方法及系统-CN202110714021.X有效
发明人：盖杉;支援 -专利权人：南昌航空大学
申请日： 2021-06-25 - 公布日： 2022-09-16 - 主分类号： G06T5/00 文献下载
摘要：本发明涉及一种基于自编码卷积神经网络的单幅图像去雨方法及系统。该方法包括：训练基于自编码卷积神经网络的去雨模型；基于自编码卷积神经网络的去雨模型包括输入层、隐含层以及输出层；隐含层包括4层卷积层以及4层反卷积层；改进卷积层与卷积层之间、反卷积层与反卷积层之间的激活函数；利用跳转连接，在卷积层与反卷积层之间添加权重系数；将待去雨的有雨图像分解为低频基础层以及高频细节层；利用基于自编码卷积神经网络的去雨模型对高频细节层进行去雨处理，生成去雨后的高频细节层；增强去雨后的高频细节层，生成增强后的高频细节层；根据低频基础层与增强后的高频细节层确定去雨后的图像。本发明能够提高去雨效果、解决梯度消失的问题。
一种基于编码卷积神经网络单幅图像方法系统

[发明专利]用于多相扫描的硬件去卷积块-CN201380076821.7有效
发明人：简-威廉·范德瓦尔特;阿伦·霍根;科尔姆·欧基夫;维克托·克雷米;沃洛季米尔·比达伊;保罗·凯莱赫 -专利权人：谱瑞科技有限公司
申请日： 2013-09-18 - 公布日： 2019-03-01 - 主分类号： G01R27/26 文献下载
摘要：描述了用于触摸阵列的多相扫描的硬件去卷积的设备和方法。一种设备包括被配置成存储包括卷积电容数据的电容图的存储器装置。所述卷积数据是利用多个TX模式的感测阵列的多相发送(TX)扫描的结果。所述设备还包括耦合到存储器装置的去卷积电路块。所述去卷积电路块被配置成利用所述多个TX模式的逆对卷积电容数据进行去卷积以获得去卷积电容图的电容数据。
用于多相扫描硬件卷积

[发明专利]图像去雨网络、图像去雨网络的训练方法及设备-CN202310088646.9在审
发明人：刘会凯;占涛;杨颖;董倩妍;王绍政 -专利权人：岚图汽车科技有限公司
申请日： 2023-01-17 - 公布日： 2023-04-18 - 主分类号： G06T5/00 文献下载
摘要：本申请公开了一种图像去雨网络、图像去雨网络的训练方法及设备，所述图像去雨网络包括第一卷积网络和第二卷积网络，其中，所述第一卷积网络，用于基于改进的UNet网络对待去雨图像进行预测，并将预测得到的第一去雨滤波核与所述待去雨图像进行逐像素卷积，得到第一去雨图像；所述第二卷积网络，用于基于所述改进的UNet网络对所述第一去雨图像进行预测，并将预测得到的第二去雨滤波核与所述第一去雨图像进行逐像素卷积，得到目标去雨图像。通过将图像去雨网络设计成两个基于改进的UNet网络构建的卷积网络，利用该图像去雨网络对待去雨图像进行去雨，可以有效提升图像去雨的精度。
图像网络训练方法设备

[发明专利]一种基于栈式卷积稀疏去噪自编码器的人脸识别方法-CN201910338306.0有效
发明人：刘艳飞 -专利权人：重庆理工大学
申请日： 2019-04-25 - 公布日： 2023-03-28 - 主分类号： G06V40/16 文献下载
摘要：本发明属于人脸识别领域，特别涉及一种基于栈式卷积稀疏去噪自编码器的人脸识别方法；所述方法包括通过将多个卷积的稀疏去噪自编码器与多个池化层交替连接，从而构建出栈式卷积稀疏去噪自编码器模型；将所述栈式卷积稀疏去噪编码器模型的卷积形式去除，采用分块的方式训练栈式稀疏去噪自编码器模型；用训练好的参数构成卷积滤波器，以卷积形式实现栈式卷积稀疏去噪自编码器；利用栈式卷积稀疏去噪自编码器进行人脸特征提取，并采用分类器对人脸进行分类与识别；本发明通过可以非监督训练的深度卷积神经网络，提取出与有监督深度卷积神经网络有相似性能的人脸特征，有效简化了训练难度。
一种基于卷积稀疏编码器识别方法

[发明专利]基于深度神经网络非配对学习的红外光谱盲去卷积方法-CN202210568874.1在审
发明人：邓丽珍;张萌;朱虎 -专利权人：南京邮电大学
申请日： 2022-05-24 - 公布日： 2022-09-02 - 主分类号： G06T5/00 文献下载
摘要：本发明属于红外光谱去卷积处理技术领域，具体地说，是一种基于深度神经网络非配对学习的红外光谱盲去卷积方法，包括自监督学习和知识提取的两阶段去卷积方，从一组未配对的干净和有噪声的红外光谱中学习去卷积网络。卷积盲点网络从真实红外光谱中学习去卷积，采用1×1卷积层叠加的网络来估计每条红外光谱的噪声特性，联合训练卷积盲点网络和红外光谱特定噪声模型。将学习到的噪声模型应用于红外光谱去卷积，合成一组成对的训练红外光谱，并在第一阶段使用真实的噪声红外光谱和相应的去卷积结果形成另一组成对的训练红外光谱。通过使用这两个配对集训练基于U‑Net的去卷积网络。
基于深度神经网络配对学习红外光谱卷积方法

[发明专利]基于分簇自适应膨胀卷积神经网络的去噪去马赛克方法-CN202110966301.X有效
发明人：赖睿;李延港;官俊涛;李骅南;徐昆然;李奕诗;张华威;张宇豪 -专利权人：西安电子科技大学
申请日： 2021-08-23 - 公布日： 2023-08-15 - 主分类号： G06T3/40 文献下载
摘要：本发明涉及一种基于分簇自适应膨胀卷积神经网络的去噪去马赛克方法，包括：获取待处理的噪声马赛克图像；将待处理的噪声马赛克图像输入至预先训练完成的分簇自适应膨胀卷积神经网络，得到去噪去马赛克的图像；其中，分簇自适应膨胀卷积神经网络是基于训练图像集训练获得的；分簇自适应膨胀卷积神经网络包括依次连接的第一输入卷积模块、第一分簇自适应膨胀卷积模块、第一输出卷积模块、第二输入卷积模块、第二分簇自适应膨胀卷积模块和第二输出卷积模块。本发明的方法去噪去马赛克后的图像保留了图像中更多的细节信息和边缘轮廓信息。
基于自适应膨胀卷积神经网络去噪去马赛克方法

[发明专利]一种基于改进的逆大气散射模型卷积网络的图像去雾方法-CN202010000331.0有效
发明人：张登银;钱雯;曹雪杰;董江伟;周诗琪;张津萍;温家欣 -专利权人：南京邮电大学
申请日： 2020-01-02 - 公布日： 2022-07-26 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了图像处理技术领域的一种基于改进的逆大气散射模型卷积网络的图像去雾方法，旨在解决现有技术中图像增强的去雾方法导致图像失真、图像复原的去雾方法对模型参数选取要求过高、基于深度学习的去雾算法容易因大气光值估计误差而影响图像去雾效果的技术问题所述方法包括如下步骤：将有雾图像输入预先训练好的卷积神经网络，获取无雾图像；所述卷积神经网络包括彼此串联的颜色特征提取卷积网络和深度去雾卷积网络，颜色特征提取卷积网络的输出端与深度去雾卷积网络的输入端连接
一种基于改进大气散射模型卷积网络图像方法

[发明专利]图像去噪的方法及装置-CN201910783313.1在审
发明人：刘哲 -专利权人：广东浪潮大数据研究有限公司
申请日： 2019-08-23 - 公布日： 2019-11-22 - 主分类号： G06T5/00 文献下载
摘要：本发明提供了一种图像去噪的方法及装置中，该方法包括：利用图像去噪卷积模型中的输入层对获取到的图像数据中的像素值进行预处理，得到待计算数据；其中，所述图像去噪卷积模型为利用卷积神经网络构建得到；利用图像去噪卷积模型中的卷积层对所述待计算数据进行计算，得到计算结果；利用图像去噪卷积模型中的预测层将所述计算结果进行标准化处理，得到标准化图像数据。由于卷积神经网络在训练的过程中可以不断地更新参数，使得图像去噪过程中也可以根据卷积神经网络不断的更新参数进行计算，从而达到更好的去噪效果的目的。
图像去噪卷积卷积神经网络更新参数计算数据标准化图像数据预处理标准化处理图像数据输入层构建去噪像素预测

[发明专利]脉冲信号去噪方法、装置及终端设备-CN201911071603.X在审
发明人：李天辉;强东盛;李丹;顾朝敏;胡涛;王艳 -专利权人：国网河北省电力有限公司电力科学研究院;国家电网有限公司;国网河北能源技术服务有限公司
申请日： 2019-11-05 - 公布日： 2020-04-07 - 主分类号： G06K9/00 文献下载
摘要：本发明提供了一种脉冲信号去噪方法、装置及终端设备，该方法包括：获取脉冲信号训练集；将脉冲信号训练集输入卷积神经网络，并基于脉冲信号训练集对卷积神经网络进行训练；其中，在卷积神经网络的训练过程中，基于卷积神经网络的第一层卷积层对脉冲信号训练集中的脉冲信号数据进行卷积处理，对卷积处理后的脉冲信号数据进行自混合，得到混合数据集，并基于混合数据集更新卷积神经网络的结构参数；获取待去噪脉冲信号，并将待去噪脉冲信号输入至训练完成的卷积神经网络，对待去噪脉冲信号进行去噪。本发明提供的脉冲信号去噪方法、装置及终端设备能够有效滤除脉冲信号的噪声污染，提高去噪后脉冲信号的还原度。
脉冲信号方法装置终端设备

[发明专利]一种基于压缩型卷积神经网络的图像去噪方法-CN201710286383.7有效
发明人：伍家松;达臻;陈雄辉;杨启晗;姜龙玉;孔佑勇;舒华忠 -专利权人：东南大学
申请日： 2017-04-27 - 公布日： 2019-12-10 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了一种基于压缩型卷积神经网络的图像去噪方法，包括：构造训练数据集；构造压缩型去噪卷积神经网络模型；利用训练数据集对网络模型进行训练；将有噪声的图像输入到训练好的网络中，并用所述有噪声的图像减去网络的输出图像得到清晰的去噪图像本发明中的去噪卷积神经网络主要特征在于将原始的去噪卷积神经网络的卷积层替换成了经由低秩矩阵分解压缩后的卷积层。本发明通过改进一种已有的去噪卷积神经网络DnCNN，将其网络参数减少了至少75％，精简了网络，同时保持了优异的去噪效果。
一种基于压缩卷积神经网络图像方法

[发明专利]音频处理方法及音频处理装置以及非暂态计算机可读取媒体-CN202110118898.2在审
发明人：冀泰石;赖亚青;沈奕良;朱彦勋;郑家钧 -专利权人：瑞昱半导体股份有限公司
申请日： 2021-01-28 - 公布日： 2022-07-29 - 主分类号： G10L21/0272 文献下载
摘要：所述音频处理方法可包括：利用第一卷积层电路及第二卷积层电路分别对一音频混合信号进行卷积处理，以产生一输入特征图；对所述输入特征图进行对应于一预定神经网络模型的分离处理，以取得分别对应于第一类型及第二类型的第一输出特征图及第二输出特征图；以及利用第一去卷积层电路及第二去卷积层电路分别对所述第一输出特征图的不同部分进行去卷积处理，且利用所述第一去卷积层电路及所述第二去卷积层电路分别对所述第二输出特征图的不同部分进行去卷积处理，以产生对应的处理结果
音频处理方法装置以及非暂态计算机读取媒体

[发明专利]基于卷积自编码器的叠前数据去噪方法及系统-CN201810862238.3在审
发明人：袁三一;宋卫宾;谢涛;刘颖;连世杰;邓力;王尚旭 -专利权人：中国石油大学(北京);中海油田服务股份有限公司
申请日： 2018-08-01 - 公布日： 2018-12-25 - 主分类号： G06T5/00 文献下载
摘要：本发明提供一种基于卷积自编码器的叠前数据去噪方法及系统。该基于卷积自编码器的叠前数据去噪方法包括：对叠前数据进行归一化，得到经过归一化的数据图像；对经过归一化的数据图像开辟多个大小相同的窗口，分割为多个小数据图像，选取其中一个或多个小数据图像作为卷积层输入特征图；使用卷积层的卷积核和卷积层的卷积核偏置对卷积层输入特征图进行卷积处理，得到卷积层输出特征图；将卷积层输出特征图进行池化处理和反池化处理，得到反卷积层输入特征图；使用反卷积层的卷积核和反卷积层的卷积核偏置对反卷积层输入特征图进行反卷积处理，得到反卷积层输出特征图；将反卷积层输出特征图进行反归一化，得到去噪数据，可提供高保真的去噪数据。
卷积反卷积输出特征输入特征卷积核数据去噪编码器归一化数据图像小数据池化偏置去噪图像反卷积处理反归一化卷积处理高保真对叠分割

[发明专利]一种基于卷积神经网络的多光谱遥感图像去雾方法-CN201710452054.5有效
发明人：谢凤英;秦曼君;姜志国 -专利权人：北京航空航天大学
申请日： 2017-06-15 - 公布日： 2020-01-24 - 主分类号： G06T5/00 文献下载
摘要：本发明涉及一种基于卷积神经网络的多光谱遥感图像去雾方法，其特征在于：该方法包括如下步骤：步骤1：多光谱图像去雾波段选择；步骤2：建立去雾模型；步骤3：设计卷积神经网络；步骤4：训练卷积神经网络；步骤5：多光谱遥感图像去雾。本发明通过一个卷积神经网络直接学习有雾图像到清晰图像之间的映射关系，可实现端到端的去雾。卷积网络采用级联的残差结构，可对去雾模型进行有参考的学习，并实现逐步去雾。该方法不仅易于学习和训练，还可以通过加深网络层数实现更高精度的去雾结果。
一种基于卷积神经网络光谱遥感图像方法

[发明专利]用于图像去噪的网络训练方法、装置、终端及存储介质-CN201910100276.X有效
发明人：陈松逵;石大明;朱美芦 -专利权人：深圳大学
申请日： 2019-01-31 - 公布日： 2023-05-23 - 主分类号： G06N3/084 文献下载
摘要：本发明适用图像处理技术领域，提供了一种用于图像去噪的网络训练方法、装置、终端及存储介质，该方法包括：将预设数量的噪声图像输入预设的卷积神经网络，初始化卷积神经网络的参数，通过卷积神经网络的去噪层获取噪声图像的去噪图像特征，通过预设的卷积神经网络的组合层将去噪图像特征进行组合，以得到噪声图像去噪后的去噪图像，将去噪图像和噪声图像对应的无噪声图像输入预设的细节损失模型，获取卷积神经网络去噪时的细节损失，当细节损失模型未收敛时，将细节损失反传到卷积神经网络，并根据细节损失更新卷积神经网络参数，以继续对卷积神经网络进行训练，从而通过不断去噪、调整参数来减少网络时的细节损失，进而提高该网络的去噪效果。
用于图像网络训练方法装置终端存储介质

[发明专利]一种基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法、系统及设备-CN202211228921.4在审
发明人：不公告发明人 -专利权人：中科超精（南京）科技有限公司
申请日： 2022-10-08 - 公布日： 2022-12-30 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法、系统及设备包括：获取数据，对获取的数据进行数据集划分并进行初步处理；构建去噪卷积神经网络模型；对传统UNet卷积神经网络模型以及构建的去噪卷积神经网络模型进行模型训练；对传统UNet卷积神经网络模型以及构建的去噪卷积神经网络模型进行降噪处理；对得到的降噪结果提取数据后，进行多层次对比，最终输出两个卷积神经网络模型的性能与计算效率。本发明提高了后续网络训练的质量和收敛速度提高了去噪系统的泛用性，大大减少整个训练时间；可以在不降低去噪性能的情况下，将计算复杂性降低，减少计算负担。
一种基于卷积神经网络蒙特卡罗剂量计算方法系统设备

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 100000 条