“深度模型”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1075939个，建议您升级VIP下载更多相关专利

[发明专利]一种基于支持向量机的深度学习模型鲁棒边界评估方法、装置和应用-CN202110272000.7在审
发明人：陈晋音;陈若曦;郑海斌 -专利权人：浙江工业大学
申请日： 2021-03-12 - 公布日： 2021-06-01 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于支持向量机的深度学习模型鲁棒边界评估方法、装置和应用，包括为用于分类任务的深度学习模型的每个分类类别分配一个支持向量机；将样本数据分别输入至深度学习模型和每个支持向量机，得到样本数据在深度学习模型和每个支持向量机的特征空间分布；针对每个支持向量机，以样本数据在支持向量机的特征空间分布与在深度学习模型的特征空间分布的散度指标作为损失函数优化支持向量机的参数；优化结束后，每个支持向量机的决策边界即为深度学习模型对与支持向量机对应的分类类别的决策边界，依据该决策边界实现对深度学习模型鲁棒边界评估，进而实现训练阶段深度学习模型的安全性评估与提升。
一种基于支持向量深度学习模型边界评估方法装置应用

[发明专利]一种基于改进深度神经网络的远距离机场目标检测方法-CN202110061833.9在审
发明人：于秋则;李子玲;倪达文;颜宇轩 -专利权人：武汉大学
申请日： 2021-01-18 - 公布日： 2021-04-23 - 主分类号： G06K9/62 文献下载
摘要：本发明提出了一种基于改进深度神经网络的远距离机场目标检测方法。本发明构建机场跑道图像训练集，采用外接矩形边框标注该训练集中每幅图像的机场跑道区域，并标记其跑道状态，构建深度学习模型图像训练集；将机场跑道图像训练集中的跑道区域进行超分辨重建，得到扩充后深度学习模型图像训练集；根据darknet‑53网络构建深度神经网络模型，采用k‑means算法改进先验框，得到适合扩充后深度学习模型图像训练集的先验框，结合先验框构建深度神经网络模型的损失函数模型,将扩充后深度学习模型图像训练集作为训练集输入，通过优化训练得到优化后的深度神经网络模型。
一种基于改进深度神经网络远距离机场目标检测方法

[发明专利]烘焙模型贴图的方法、装置、计算机设备和存储介质-CN202011127143.0在审
发明人：陈思敏 -专利权人：上海哔哩哔哩科技有限公司
申请日： 2020-10-20 - 公布日： 2021-02-26 - 主分类号： G06T15/00 文献下载
摘要：本申请提供了一种烘焙模型贴图的方法、装置、计算机设备和存储介质。该方法包括：获取待烘焙模型和待烘焙模型的贴图坐标信息；渲染待烘焙模型在屏幕坐标系下的深度图和待烘焙信息图；把待烘焙模型根据贴图坐标信息展开，以待烘焙模型的相机坐标信息作为颜色，渲染得到贴图布局图；针对待烘焙模型的同一屏幕坐标，比较待烘焙模型的物理深度和深度图上表征的图像深度是否相同；若物理深度与图像深度不同，将贴图布局图上屏幕坐标对应的色值信息设置为预设值；若物理深度与图像深度相同，根据待烘焙信息图上屏幕坐标的色值信息设置贴图布局图上屏幕坐标对应的色值信息
烘焙模型贴图方法装置计算机设备存储介质

[发明专利]一种基于无线通信网络的频谱可用性预测方法和系统-CN202111507860.0在审
发明人：吴启晖;潘光良;王威;李泓余 -专利权人：南京航空航天大学
申请日： 2021-12-10 - 公布日： 2022-04-08 - 主分类号： G06K9/62 文献下载
摘要：本发明提供一种基于无线通信网络的频谱可用性预测方法和系统，其中方法包括获取频谱数据集；设置贝叶斯优化的循环次数、超参数的搜索空间和深度学习模型迭代次数；初始化深度学习模型的结构、权重、偏置和超参数；计算频谱数据集在深度学习模型的输入和输出之间的损失；更新深度学习模型的权重和偏置参数；判断深度学习模型的损失曲线和准确率拟合曲线是否处于收敛状态；如果否，重新设置深度学习模型迭代次数；如果是，采用贝叶斯优化微调深度学习模型超参数，得到最优深度学习模型。
一种基于无线通信网络频谱可用性预测方法系统

[发明专利]一种查找应用边缘计算的操作系统误差的方法-CN202011542502.9在审
发明人：汪辉;任大明;任昌;刘晶;胡海涛 -专利权人：南京鑫和汇通电子科技有限公司
申请日： 2020-12-24 - 公布日： 2022-07-12 - 主分类号： G06V10/774 文献下载
摘要：本发明提出一种查找应用边缘计算的操作系统误差的方法，包括：搭建测试系统，测试系统可自动读取检测图像；将训练深度学习模型的操作系统作为参照系统，将应用边缘计算的操作系统作为移植系统，将参照系统内训练好的原始深度学习模型应用在移植系统中得到转换深度学习模型；采集参考图像，测试系统分别调用原始深度学习模型和转换深度学习模型对每一张参考图像进行识别，并对识别结果进行比对；针对比对结果不一致的参考图像，对转换深度学习模型的网络层进行排查，对有问题的网络层进行精准定位本发明解决了难以确定训练好的深度学习模型移植到应用边缘计算的操作系统中出现误差的原因，精确确定转换深度学习模型的有问题的网络层。
一种查找应用边缘计算操作系统误差方法

[发明专利]深度学习模型的可视化训练方法、介质、设备及装置-CN202211706877.3在审
发明人：罗建新;沈强;王传熙;池毓成 -专利权人：福建正孚软件有限公司
申请日： 2022-12-29 - 公布日： 2023-05-02 - 主分类号： G06N3/0985 文献下载
摘要：本发明公开了一种深度学习模型的可视化训练方法、介质、设备及装置，包括：获取历史数据，并进行处理，以生成训练数据；获取操作指令，并根据操作指令生成待训练深度学习模型对应的可视化训练链路；获取可视化训练链路中每个可视化模块对应的训练参数、待训练深度学习模型的超参数和遍历参数；根据每个可视化模块对应的训练参数、待训练深度学习模型的超参数和遍历参数对待训练深度学习模型进行遍历训练，以及基于遍历训练的结果生成遍历参数对应的多指标变化训练图像；能够对深度学习模型进行遍历训练，极大地提高了深度学习模型参数设置的便利性和准确性，进而提高最终深度学习模型的识别准确率，降低训练所需时间成本。
深度学习模型可视化训练方法介质设备装置

[发明专利]一种训练深度学习模型的方法、装置、电子设备及存储介质-CN202211413731.X在审
发明人：夏振平;林李兴;徐浩;张博文;陈豪;程成 -专利权人：苏州科技大学
申请日： 2022-11-11 - 公布日： 2023-01-31 - 主分类号： G06V10/774 文献下载
摘要：本发明公开了一种训练深度学习模型的方法、装置、电子设备及存储介质，属于深度学习技术领域。方法包括利用小样本数据集对待训练的深度学习模型进行初次训练；采集待检测产品的图像并将其输入至训练后的深度学习模型中进行预测，并在人机交互界面显示预测结果，判断是否需要进行矫正标注，并在是时进行矫正并设置相应权重，并将矫正标注后的图像和对应的标注添加至迭代数据集中，并利用其对模型进行迭代训练；判断准确率是否高于原深度学习模型，根据判断结果使用迭代后的深度学习模型参数替换旧的深度学习模型参数或者重新对迭代数据集进行切分并重新训练本发明能够实现在线检测的同时训练深度学习模型，减少部署时对数据集数量的要求。
一种训练深度学习模型方法装置电子设备存储介质

[发明专利]一种基于自适应多列深度模型的人脸图像正规化方法-CN201410677837.X有效
发明人：刘艳飞;周祥东;周曦 -专利权人：重庆中科云丛科技有限公司
申请日： 2014-11-21 - 公布日： 2018-11-02 - 主分类号： G06K9/00 文献下载
摘要：本发明涉及一种基于自适应多列深度模型的人脸图像正规化方法，该方法包括以下步骤S1：建立自适应多列深度模型；S2：自适应多列深度模型的训练；S3：目标人脸图像正规化。本发明提供的一种基于多列自适应深度模型的人脸正规化方法，通过将多列深度模型进行线性组合实现多种影响人脸识别的不利因素的联合矫正，同时利用非线性优化方法自适应地计算每一列深度模型的最优权值，即根据输入图像自适应调整每种因素的矫正因子与传统的利用单一深度神经网络模型进行人脸矫正的方法相比，本发明提供的基于多列自适应深度模型的人脸正规化方法对各种变化因素的鲁棒性更强。
一种基于自适应深度模型图像正规化方法

[发明专利]一种深度学习模型的训练方法、图像处理方法及装置-CN201911191008.X有效
发明人：亢寒;陈宽;王少康 -专利权人：北京推想科技有限公司
申请日： 2019-11-28 - 公布日： 2020-09-08 - 主分类号： G06T7/11 文献下载
摘要：本发明公开了一种深度学习模型的训练方法及装置，该方法包括：通过标记有磨玻璃结节的胸部医学图像对深度学习模型进行训练，得到训练好的深度学习模型，该训练好的深度学习模型提高了磨玻璃结节分割的效率，除此之外还有效的提高了分割的准确度进一步的，在深度学习模型中添加了多级特征融合监督模块，这样增强了深度学习模型对图像中病灶区域的响应，由此实现了对整张图像进行处理，简化了操作流程；并且，还添加了自主分级监督模块，使得深度学习模型能够自主调节不同层级的特征对分割结果的影响除此之外，对解码后的特征图进行上采样操作，使得深度学习模型能够更加准确的分割磨玻璃结节。
一种深度学习模型训练方法图像处理装置

[发明专利]基于卡通纹理分解和深度学习的SAR图像超分辨方法及系统-CN202110505235.6有效
发明人：赵曰峰;段孟君;蔡阳健;方敬 -专利权人：山东师范大学
申请日： 2021-05-10 - 公布日： 2023-08-18 - 主分类号： G06T3/40 文献下载
摘要：本发明属于图像超分辨领域，提供了一种基于卡通纹理分解和深度学习的SAR图像超分辨方法及系统。该方法包括，获取SAR图像的高分辨率图像HR和低分辨率图像LR，构成LR‑HR图像对，构建训练集和测试集；分别对高分辨率图像HR和低分辨率图像LR进行卡通纹理分解；构建深度学习网络模型，采用训练集对构建深度学习网络模型进行训练，包括：将LR‑HR卡通图像对输入深度学习网络模型的卡通图像处理网络进行训练，将LR‑HR纹理图像对输入深度学习网络模型的纹理图像处理网络进行训练，调整模型参数，直至深度学习网络模型收敛，得到训练完成后的深度学习网络模型；将待处理的SAR图像输入训练后的深度学习网络模型，得到超分辨SAR图像。
基于卡通纹理分解深度学习 sar 图像分辨方法系统

[发明专利]单目图像深度估计方法及装置-CN201910800196.5有效
发明人：戴琼海;郝敏升;李一鹏 -专利权人：清华大学
申请日： 2019-08-28 - 公布日： 2022-07-19 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种单目图像深度估计方法及装置，其中，该方法包括：获取单目视频序列，通过SLAM算法对单目视频序列进行处理生成关键帧稀疏特征点深度信息；根据关键帧稀疏特征点深度信息和单目视频序列构建训练集；构建端对端网络模型；对关键帧稀疏特征点深度信息进行恢复生成深度图，根据深度图及深度图对应的深度点计算几何误差，根据几何误差、相似性误差及深度图光滑度构造损失函数；根据训练集和损失函数对端对端网络模型进行训练，生成单目图像深度估计模型，通过单目图像深度估计模型对单目图像的深度信息进行估计。该方法通过SLAM系统得到的深度信息作为弱监督信息并基于此训练网络模型，提高了CNN输出深度图的准确度。
图像深度估计方法装置

[发明专利]深度预测模型的训练方法及装置、介质和电子设备-CN202110852013.1在审
发明人：戴夏强 -专利权人： OPPO广东移动通信有限公司
申请日： 2021-07-27 - 公布日： 2021-11-05 - 主分类号： G06T7/13 文献下载
摘要：本公开提供一种深度预测模型的训练方法、深度预测模型的训练装置、计算机可读介质和电子设备，涉及图像处理技术领域。该方法包括：获取样本图像对应的对象掩膜图像，并将样本图像输入待训练模型得到深度预测图像；根据对象掩膜图像和深度预测图像计算样本图像对应的目标损失函数；基于目标损失函数对待训练模型进行权重更新，以获取深度预测模型本公开可以有效优化对象边缘的深度预测，使得对象边缘处的深度预测结果更加准确。
深度预测模型训练方法装置介质电子设备

[发明专利]一种基于深度决策树算法的电力负荷特性挖掘方法-CN201810331744.X在审
发明人：谢百明;谈竹奎;刘斌;王冕;李正佳;马春雷;桂专;徐长宝;袁旭峰;桂军国;林呈辉;张秋雁 -专利权人：贵州电网有限责任公司
申请日： 2018-04-13 - 公布日： 2018-09-04 - 主分类号： H02J3/00 文献下载
摘要：本发明公开了一种基于深度决策树算法的电力负荷特性挖掘方法，它包括：利用采集装置采集电力用户负荷特征数据及影响电力负荷变化的因素数据；对所采集的电力用户负荷特性数据及影响电力负荷变化因素数据进行预处理，建立训练数据样本集和测试集；设置深度决策树模型的参数，即深度决策树算法中的初始森林模型参数；利用训练数据样本集对深度决策树模型进行训练；利用测试集对训练后的深度决策树模型进行测试，确定深度决策树模型深度；得到训练和测试完成的深度决策树模型后，向模型中输入需要进行负荷特性挖掘的观测值数据，输出负荷特性预测结果；达到对电力系统负荷特性进行深度挖掘的目标，从而指导电力企业安全调度和稳定运行。
决策树模型决策树算法挖掘训练数据样本电力负荷电力用户负荷变化负荷特性因素数据影响电力测试集预处理采集电力系统负荷测试安全调度采集装置电力企业负荷特征模型参数输出负荷特性预测稳定运行观测森林

[发明专利]面向施工安全的自监督单目深度估计迁移学习方法及系统-CN202210924807.9在审
发明人：郑小玉;刘自强;童宁波;朱华蓉 -专利权人：中国电建集团成都勘测设计研究院有限公司
申请日： 2022-08-02 - 公布日： 2022-10-11 - 主分类号： G06V20/10 文献下载
摘要：本发明公开了面向施工安全的自监督单目深度估计迁移学习方法及系统，涉及人工智能技术领域，其技术方案要点是：采集包含施工设备和工人的施工现场图像，并对所有施工现场图像进行标注和划分，构建迁移数据集；建立自监督的单目深度估计网络模型，并加载单目深度估计网络模型的预训练参数；依据迁移数据集对单目深度估计网络模型进行迁移训练，训练过程采用损失函数约束；利用定量评价指标评估每次训练后单目深度估计网络模型的性能，筛选得到最优的单目深度估计网络模型本发明结合自监督单目深度估计模型的编解码器结构特点，利用场景深度的层次区分来实现将自监督的单目深度估计网络模型从自动驾驶等场景迁移到施工场景。
面向施工安全监督深度估计迁移学习方法系统

[发明专利]基于三维重建的模型训练方法、三维重建方法及装置-CN202310525310.4在审
发明人：李顺恺;张维一;郭小燕 -专利权人：北京达佳互联信息技术有限公司
申请日： 2023-05-10 - 公布日： 2023-08-08 - 主分类号： G06T17/20 文献下载
摘要：本公开提供了一种基于三维重建的模型训练方法、三维重建方法、装置、电子设备、计算机可读存储介质，涉及深度学习技术领域。该方法包括：获取至少一初始图像，以及每个初始图像对应的位姿与稀疏点云；获取预先构建的初始网络模型，由初始网络模型基于稀疏点云，确定至少一初始图像对应的实际深度值；基于实际深度值与位姿，确定初始图像的稠密深度图；基于实际深度值与稠密深度图的深度值，确定初始网络模型对应的目标损失函数；基于目标损失函数对初始网络模型进行模型训练，得到三维重建模型。本公开可以无需基于图像的深度真值训练三维重建网络，解决了获取训练数据深度真值成本过高的问题，大大降低了三维真值数据获取的成本。
基于三维重建模型训练方法装置