“密集特征 ”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2478567个，建议您升级VIP下载更多相关专利

[发明专利]YOLOv3 Tiny Vehicle高速车辆实时检测网络及方法-CN202310220395.5在审
发明人：崔亚妮;任佳;郝秋实;张育;易家傅;丁洁;陈敏;马秀新 -专利权人：海南大学
申请日： 2023-03-09 - 公布日： 2023-06-13 - 主分类号： G06V20/54 文献下载
摘要：YOLOv3Tiny Vehicle网络包括主干特征提取模块和检测模块。主干特征提取模块包括主干特征提取首层、五个密集连接块和主干特征提取尾层。主干特征提取首层与第一密集连接块相连。五个密集连接块，即第一密集连接块、第二密集连接块、第三密集连接块、第四密集连接块和第五密集连接块，结构相同、顺序相连；每个密集连接块由三个卷积层构成，这三个卷积层的连接采用密集连接方式；第五密集连接块与主干特征提取尾层相连
yolov3 tiny vehicle 高速车辆实时检测网络方法

[发明专利]一种基于密集残差神经网络的字符识别方法-CN202111483023.9在审
发明人：张召;郑欢;洪日昌;汪萌 -专利权人：合肥工业大学
申请日： 2021-12-07 - 公布日： 2022-04-12 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种基于密集残差神经网络的字符识别方法，通过充分利用所有卷积层的分层特征来增强密集神经网络的局部和全局特征学习能力，进而捕获深层次的结构特征，用于字符识别。本发明保留原始密集残差块的局部特征融合和残差操作，以保证局部特征的学习能力，同时将特征的串联操作改为求和操作，进而减少内部层的计算工作量。在完全捕获局部密集残差特征之后，本发明通过模仿密集块的构造，以整体方式自适应地学习全局密集残差特征，利用求和运算和几个改进的密集残差块来构造一个称为全局密集块的新块。
一种基于密集神经网络字符识别方法

[发明专利]一种基于压缩密集神经网络的字符识别方法-CN202111483929.0在审
发明人：张召;郑欢;洪日昌;汪萌 -专利权人：合肥工业大学
申请日： 2021-12-07 - 公布日： 2022-04-12 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种基于压缩密集神经网络的字符识别方法。重新设计了密集块内部特征的组合方式，从而使提出的轻量密集块与原始模型相比可以将计算成本和权重大小降低到（1/L，2/L），其中L是块中内部层的数量。基于设计的轻量密集块，本发明提出了压缩密集神经网络用于字符识别。压缩密集神经网络，主要包含三个模块，输入的字符图像数据首先经过特征编码模块，获得密集编码特征，密集编码特征经过上采样模块处理，得到上采样特征，将上采样特征输入转录模块，得到最后的字符图像识别结果。
一种基于压缩密集神经网络字符识别方法

[发明专利]一种数据密集型应用集成测试方法及系统-CN201710674724.8有效
发明人：郑美光;陈伟业;欧阳聪宇;杨柳 -专利权人：中南大学
申请日： 2017-08-09 - 公布日： 2020-11-06 - 主分类号： G06F16/901 文献下载
摘要：本发明公开了一种数据密集型应用集成测试方法及系统，该方法通过自动化定制生成数据密集型应用，并验证数据密集型应用是否满足数据密集型特征，以及在验证数据密集型应用满足数据密集型特征后，存储数据密集型应用，解决了现有技术无法自动定制生成并验证数据密集型应用的技术问题，不仅能自动定制生成数据密集型应用，而且能对自动定制生成的数据密集型应用进行验证，以及在验证数据密集型应用具有数据密集型特征后，存储该数据密集型应用，给研究人员提供了稳定、可靠的数据密集型应用测试用例，而且流程自动化更是提高了数据密集型应用生成的效率。
一种数据密集型应用集成测试方法系统

[发明专利]文本识别方法、装置、电子设备及可读存储介质-CN202111187941.7在审
发明人：张召;赵随意;张莉;王邦军 -专利权人：苏州大学
申请日： 2021-10-12 - 公布日： 2022-01-07 - 主分类号： G06K9/00 文献下载
摘要：其中，方法包括预先基于卷积神经网络构建文本识别网络模型；文本识别网络模型包括特征提取层、密集融合块和转录层。密集融合块包括第一密集块、第二密集块和卷积运算层，第一密集块和第二密集块相连，密集融合块用于将特征提取层提取的图像特征、第一密集块输出特征和第二密集块输出特征通过连接操作在不同层进行融合处理；转录层包括分类器和损失函数层
文本识别方法装置电子设备可读存储介质

[发明专利]基于多维度融合的密集场景文本检测方法、设备、介质-CN202110546741.X有效
发明人：孟月波;石德旺;金丹;刘光辉;徐胜军 -专利权人：西安建筑科技大学
申请日： 2021-05-19 - 公布日： 2022-11-22 - 主分类号： G06V20/62 文献下载
摘要：本发明公开了一种基于多维度融合的密集场景文本检测方法、设备、介质，包括以下步骤：采集密集场景文本图像数据，构建检测训练数据集Tr；以ResNet50组成的FPN金字塔结构为基本骨架构造密集场景文本检测网络，在ResNet50最大池化层后衔接文本增强模块，利用FPN提取不同分辨率的特征，采用通道融合策略自底向上建立高低维度特征信息链，得到多维度特征图F；计算多维度特征图F的损失，采用随机梯度下降法训练密集场景文本检测网络，将多维度特征图F重构至输入图像中，完成密集文本的检测；本发明的密集文本检测方法提高了密集文本检测网络对密集场景文字的检测性能，实现了更加准确的检测效果，推动了密集场景文本检测相关实际应用的落地。
基于多维融合密集场景文本检测方法设备介质

[发明专利]一种基于改进YOLOV4的密集小目标检测方法-CN202111195196.0在审
发明人：李克文;杨建涛;张敏;李绍辉;王晓晖 -专利权人：中国石油大学（华东）
申请日： 2021-10-13 - 公布日： 2022-01-14 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于改进YOLOV4的密集小目标检测方法，其特征在于通过Mosaic数据增强方法对密集小目标检测数据集在数据广度层面进行数据特征融合处理，丰富检测物体的密集程度以及检测物体的背景信息和目标信息，最后对Mosaic数据增强方法处理后的数据集进行密集小目标检测数据处理，使密集小目标数据集分布满足标准正态分布；应用改进YOLOV4密集小目标检测方法优化图像数据特征提取策略，丰富目标实例特征的语义信息，之后对密集小目标检测数据集进行迭代训练，使用随机梯度优化器对检测模型参数进行优化，将所得检测模型与目前最优检测模型进行对比，选择检测精度更高的模型作为当前最优检测模型并且继续进行迭代训练，经过多轮迭代训练之后生成最优密集小目标检测模型本发明利用改进YOLOV4密集小目标检测方法的数据预处理机制以及特征提取策略生成最优的密集小目标检测模型，丰富目标实例特征的语义信息，有效地提高密集小目标检测精度。
一种基于改进 yolov4 密集目标检测方法

[发明专利]生成式图像修复装置-CN202310315486.7有效
发明人：马晓轩;邓轶博;化凤芳;张翰韬;肖垚 -专利权人：北京建筑大学
申请日： 2023-03-29 - 公布日： 2023-07-14 - 主分类号： G06T5/00 文献下载
摘要：包括预处理模块以及生成模块，所述预处理模块用于获取破损图像的边缘信息，输入至所述生成模块；所述生成模块用于根据所述边缘信息生成完整图像，所述生成模块包括粗生成模块和细化生成模块，所述粗生成模块包括多个密集块，用于提取破损图像中的破损特征；每个所述密集块包括多个密集连接的密集层，所述密集层用于提取所述破损特征。通过采用密集连接的方式连接密集层，使得将先前密集层中的特征信息分别经过每一个密集层进行处理，实现提高生成模块的修复精度。所述生成模块通过采用间接连接方式连接所有层，实现提高训练的稳定性。
生成图像修复装置

[发明专利]基于多尺度特征编码的密集油滴目标检测计数方法和装置-CN202311027313.1有效
发明人：王安东;刘畅;路峰;宋建彬;车纯广;高树润 -专利权人：山东黄河三角洲国家级自然保护区管理委员会;北京信息科技大学
申请日： 2023-08-16 - 公布日： 2023-10-27 - 主分类号： G06V20/40 文献下载
摘要：本发明公开了一种基于多尺度特征编码的密集油滴目标检测计数方法和装置。该方法包括：步骤1，采集密集油滴目标视频数据；步骤2，对视频数据的油滴识别定位，获得每一油滴的边界框；步骤2包括：先对密集油滴目标视频数据多尺度特征编码，获得特征权重；再对特征图进行增强处理，获得增强特征图；其次对增强特征图引导处理，获得密集油滴的特征图；最后使用回归和分类思想对密集油滴目标的特征图进行检测，获得每一个油滴的边界框。本发明涉及计算机视觉技术领域和石油开采与加工领域，解决了密集油滴目标检测中存在多形态以及遮挡导致难以检测的技术问题。本发明能够提升网络对不同形态目标的学习能力，还能增强对密集油滴遮挡场景的识别能力。
基于尺度特征编码密集目标检测计数方法装置

[发明专利]一种字符识别方法、装置、设备及存储介质-CN202110943787.5在审
发明人：张召;郑欢;张莉;王邦军 -专利权人：苏州大学
申请日： 2021-08-17 - 公布日： 2021-11-12 - 主分类号： G06K9/00 文献下载
摘要：本申请公开了一种字符识别方法、装置、设备及存储介质，该方法包括：采集原始字符图像，生成训练集；构建密集残差神经网络；该网络包括多个连续的残差密集块、紧密连接所有残差密集块且以求和运算构造的全局密集块、由两个卷积层组成的下采样块、转录块；使用训练集对该网络进行训练，利用残差密集块提取局部特征，利用全局密集块提取全局特征，利用下采样块减小全局特征的大小并提取目标特征，以及利用转录块对提取到的目标特征进行预测，并将预测结果转换为识别结果；将待处理字符图像输入至训练完成的密集残差神经网络进行处理，输出字符识别结果。这样可以捕获深层次的结构特征用于字符识别，有效提升字符的识别能力。
一种字符识别方法装置设备存储介质

[发明专利]一种三维物体的检测方法和装置、电子设备、存储介质-CN201910881408.7有效
发明人：徐国栋;王闻箫;刘子立;谢亮;杨政;刘海风;蔡登 -专利权人：杭州飞步科技有限公司
申请日： 2019-09-18 - 公布日： 2022-06-03 - 主分类号： G06V20/64 文献下载
摘要：该方法包括：接收激光雷达发送的待检测点云数据，根据预设的张量模型和神经网络模型对待测点云数据进行特征提取处理，并根据提取到的特征生成初始特征图，根据预设的密集特征指示器捕捉特征图对应的密集特征，并根据密集特征生成目标特征图，根据目标特征图确定待测点云数据对应的三维物体的信息，根据三维物体的信息对自动驾驶设备的移动状态进行控制，通过根据密集特征指示器对密集特征进行捕捉，可提高特征提取的准确性，可实现查缺补漏，从而确保自动驾驶设备安全且可靠的行驶的技术效果
一种三维物体检测方法装置电子设备存储介质

[发明专利]图像语义分割方法及装置-CN202110033687.9在审
发明人：范铭源;赖申其;黄君实;罗钧峰;魏晓明;张珂;苏金明;郭魏铭 -专利权人：北京三快在线科技有限公司
申请日： 2021-01-11 - 公布日： 2021-04-20 - 主分类号： G06K9/34 文献下载
摘要：包括：将待处理图像输入至图像识别模型；图像识别模型包括：短时密集连接网络层和解码网络层，短时密集连接网络层包括：卷积模块、多个短时密集连接层和输出模块，短时密集连接层包含多个短时密集连接模块；调用卷积模块对待处理图像进行处理得到待处理图像对应的第一特征图；调用短时密集连接层对第一特征图进行处理得到第二特征图；调用输出模块对第二特征图进行处理得到第三特征图；调用解码网络层对第三特征图进行上采样并向分割类别映射，得到通道数为分割类别数的第四特征图；根据第四特征图确定待处理图像对应的语义分割结果
图像语义分割方法装置

[发明专利]训练神经网络的方法、图像处理的方法、设备及存储介质-CN201910304564.7有效
发明人：边成 -专利权人：腾讯科技（深圳）有限公司
申请日： 2019-04-16 - 公布日： 2022-10-25 - 主分类号： G06V10/774 文献下载
摘要：训练神经网络的方法包括：将密集特征进行局部像素加权和全局通道加权，得到自适应密集特征；基于自适应密集特征进行对抗训练，得到对抗损失，基于对抗损失更新初始神经网络的参数，直至得到满足要求的目标神经网络。基于源域图像和目标域图像的所有层，提取密集特征，充分利用了网络底层和高层的特征，避免丢失重要特征。将密集特征进行局部像素加权和全局通道加权，得到的自适应密集特征代表性更强，提高用于图像处理的神经网络的训练精度，提高基于目标神经网络进行图像处理的效果。
训练神经网络方法图像处理设备存储介质

[发明专利]一种基于双残差超密集网络的多模态医学图像融合方法-CN202010734334.7有效
发明人：王丽芳;王蕊芳;张晋 -专利权人：中北大学
申请日： 2020-07-27 - 公布日： 2023-05-19 - 主分类号： G06T5/50 文献下载
摘要：本发明公开了一种基于双残差超密集网络的多模态医学图像融合方法，包括：通过在双残差超密集网络中的第一Conv层卷积和PReLU层激活，提取第一模态医学图像和第二模态医学图像的浅层特征；通过残差学习和超密集连接，提取深层特征；对深层特征依次进行双残差超密集网络中的Concat层通道维度上拼接、最后Conv层卷积、PReLU层激活，获得第一模态医学图像和第二模态医学图像的融合图像。本发明通过将残差密集块与超密集连接结合提出的双残差超密集块不仅将密集连接应用到同一路径的层之间，还运用到跨不同路径的层之间，在提取不同模态图像特征的两个路径间进行信息传递，使得提取到的深层特征更详细丰富
一种基于双残差超密集网络多模态医学图像融合方法

[发明专利]一种基于密集关键点引导的舰船检测方法-CN202011338114.9有效
发明人：张浩鹏;史嘉伟;姜志国;谢凤英;赵丹培 -专利权人：北京航空航天大学
申请日： 2020-11-25 - 公布日： 2022-08-30 - 主分类号： G06V20/13 文献下载
摘要：本发明公开了一种基于密集关键点引导的舰船检测方法，包括将待检测图像输入骨架网络提取特征后经过加权‑残差特征融合模块得到多尺度特征信息，利用该特征对密集关键点位置进行粗回归得到相对每个特征位置的初始偏移，对初始偏移的密集关键点进行精炼得到精炼偏移从而得到对关键点位置的最终预测，以及每个密集关键点属于前景与背景的置信度。最后前景密集关键点经过后处理方法得到检测旋转框。本发明使用密集关键点引导的舰船检测新方法，避免了之前旋转框检测方法中存在的角度周期问题以及顶点排序歧义问题。
一种基于密集关键引导舰船检测方法

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