“细胞神经网络”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1187738个，建议您升级VIP下载更多相关专利

[发明专利]一种细胞神经网络硬件架构的优化方法-CN201810337836.9在审
发明人：卓成;刘仲阳 -专利权人：浙江大学
申请日： 2018-04-16 - 公布日： 2018-09-28 - 主分类号： G06N3/06 文献下载
摘要：本发明公开了一种细胞神经网络硬件架构的优化方法，该方法包括构建细胞神经网络硬件架构和对计算加速单元实现系统级、模块级和设计空间级优化设计；该架构由外部存储器、存储器接口控制器、片上输入缓存、片上输出缓存、计算加速单元和总线构成；计算加速单元包括若干依次连接的迭代单元，每个迭代单元包括若干并行运算模块；数据在计算加速单元中执行运算操作，运算结果写入片上输出缓存；整个细胞神经网络的运算操作通过迭代单元流水线完成；本发明通过系统级优化实现了细胞神经网络的并行计算，通过模块级优化充分利用了硬件的内存带宽并减少数据传输延时，通过设计空间级优化在有限硬件资源的情况下达到系统的最优计算性能。
细胞神经网络加速单元迭代单元硬件架构优化设计空间输出缓存运算操作系统级存储器接口控制器数据传输延时外部存储器并行计算并行运算计算性能内存带宽神经网络输入缓存依次连接硬件资源优化设计运算结果整个细胞总线构建流水线写入架构

[发明专利]一种分数阶细胞神经网络自适应同步控制及电路设计方法-CN201610065857.0有效
发明人：张小红;俞梁华;钟小勇 -专利权人：江西理工大学
申请日： 2016-02-01 - 公布日： 2018-05-01 - 主分类号： G05B13/04 文献下载
摘要：一种分数阶细胞神经网络自适应同步控制及电路设计方法，通过选择分数阶微分算法，组合细胞神经网络方程定义，构建了一个三维分数阶细胞神经网络系统。在该系统基础上设计一个驱动系统非线性参数已知而响应系统非线性参数未知的驱动‑响应系统，同时构造一个新的自适应同步控制器及参数自适应调整率，在数值仿真中实现驱动和响应系统的同步；设计分数阶细胞神经网络驱动系统和响应系统电路图
一种分数细胞神经网络自适应同步控制电路设计方法

[发明专利]一种血细胞识别方法、装置、设备及可读存储介质-CN202211331829.0有效
发明人：李迪;张志鸿 -专利权人：成都西交智汇大数据科技有限公司
申请日： 2022-10-28 - 公布日： 2023-03-03 - 主分类号： G06V20/69 文献下载
摘要：本发明提供了一种血细胞识别方法、装置、设备及可读存储介质，涉及细胞识别技术领域，所述方法包括获取第一信息、参考信息和训练后的神经网络模型；将第一信息和参考信息进行预处理，得到预处理后的第一信息和预处理后的参考信息；将预处理后的第一信息发送至所述训练后的神经网络模型得到第一特征图，将预处理后的参考信息发送至训练后的神经网络模型得到第二特征图；根据第一特征图和第二特征图识别学生标注的血细胞玻片样本图像是否正确，本发明通过神经网络模型生成第一信息和参考信息对应的特征图，再对特征图进行聚类分析实现血细胞的智能化识别，大大的减少了人工成本。
一种血细胞识别方法装置设备可读存储介质

[发明专利]基于卷积神经网络的人体细胞蛋白质自动识别方法及系统-CN201910026171.4有效
发明人：高岩;姜凯;于治楼 -专利权人：山东浪潮科学研究院有限公司
申请日： 2019-01-11 - 公布日： 2023-04-18 - 主分类号： G06V20/69 文献下载
摘要：本发明公开了基于卷积神经网络的人体细胞蛋白质自动识别方法及系统，属于利用计算机视觉方案对医学显微镜图像进行自动识别分类领域，本发明要解决的技术问题为如何利用监督学习中的卷积神经网络分类器识别图像中细胞内的蛋白质类别，进而判断细胞是否正常，采用的技术方案为：①一种基于卷积神经网络的人体细胞内蛋白质自动识别方法，该方法步骤如下：S1、数据集预处理：按照ProteinResNet32模型的输入格式制作数据集，并设定蛋白质排序确定②一种基于卷积神经网络的人体细胞蛋白质自动识别系统，该系统包括数据集预处理模块、模型实现与训练模块和模型部署与持续优化模块。
基于卷积神经网络人体细胞蛋白质自动识别方法系统

[发明专利]骨髓细胞形态学人工智能分析方法-CN202010510879.X在审
发明人：王斌;张水生;张文杰;李婷;何曼;涂丽娜;章英;武雅君;张婧;刘招友 -专利权人：江西卫生职业学院
申请日： 2020-06-08 - 公布日： 2020-09-15 - 主分类号： G06T7/00 文献下载
摘要：本发明提供了一种骨髓细胞形态学人工智能分析方法，该方法包括以下步骤：(1)建立模型：利用计算机，构建卷积神经网络模型，以骨髓细胞不同阶段的形态图像作为训练数据集，对卷积神经网络模型进行训练；(2)采集待分析的骨髓细胞图像：利用显微镜，提取骨髓片的图像，并将骨髓片的图像传输给计算机；(3)骨髓细胞形态学分析：将骨髓片的图像输入到步骤(1)训练后的卷积神经网络模型中，并输出结果。该方法通过AI实现骨髓细胞的数字化，便于提取、识别和保存，使骨髓细胞的判断更加客观和更加精准。
骨髓细胞形态学人工智能分析方法

[发明专利]基于全身骨扫描影像的深度学习摄护腺癌骨转移辨识系统-CN202010661940.0在审
发明人：程大川;刘家铨;高嘉鸿;谢德钧 -专利权人：中国医药大学附设医院
申请日： 2020-07-10 - 公布日： 2021-04-16 - 主分类号： G06T7/00 文献下载
摘要：本发明提供基于全身骨扫描影像的深度学习摄护腺癌骨转移辨识系统，其中，前处理模块接收输入的全身骨扫描影像进行处理；神经网络模块检测该输入的全身骨扫描影像是否为摄护腺癌骨转移。神经网络模块包括胸腔部位网络模块与骨盆部位网络模块。胸腔部位网络模块包括：建立第一阶段加快区域卷积神经网络，依据全身骨扫描影像，分割出胸腔部位的训练影像；及以该训练影像来训练第二阶段加快区域卷积神经网络，并分类出癌细胞骨转移的病灶。骨盆部位网络模块使用卷积神经网络，其包括：建立第一阶段加快区域卷积神经网络，依据输入的全身骨扫描影像，分割出骨盆部位的训练影像；及以该训练影像来训练卷积神经网络，以分类骨盆部位是否为骨转移影像。
基于全身扫描影像深度学习摄护腺转移辨识系统

[发明专利]利用生物知识搭建的神经网络模型的生物特性预测方法-CN201810125383.3在审
发明人：冯雪阳;徐宥;盛嘉元 -专利权人：南京恺尔生物科技有限公司
申请日： 2018-02-08 - 公布日： 2018-08-10 - 主分类号： G06F19/18 文献下载
摘要：一种利用生物知识搭建的神经网络模型的生物特性预测方法，包含以下步骤：提供已监督训练过的神经网络模型，该神经网络模型包含对应至基因表达的输入层、对应至蛋白质的中间层与对应至细胞表型的输出层；将对应至该输入层的多个基因表达数据输入至该输入层；以及利用该神经网络模型计算出该多个基因表达数据所对应生物的特性的预测值。
神经网络模型输入层表达数据多个基因生物特性生物知识预测基因表达细胞表型输出层中间层蛋白质监督

[发明专利]一种基于双段区块卷积神经网络的细胞检测方法-CN202010889738.3在审
发明人：关明;曾昭沛;陈锟;黄若凡;徐天阳;冯振华;宋晓宁 -专利权人：复旦大学附属华山医院北院;第牛（上海）健康科技有限公司
申请日： 2020-08-28 - 公布日： 2020-12-04 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于双段区块卷积神经网络的细胞检测方法，包括，基于深度学习构建卷积神经网络模型；利用所述神经网络模型提取输入数据在高维非线性空间中的表征，输入双段区块网络；利用所述双段区块网络构建区域块提案网络，分类和筛选一段区块；基于所述一段区块分类和拟合学习所述双段区块网络的二段区块，并利用注意力机制调节；根据调节结果，利用高性能分类器输出所述高置信的细胞检测结果，完成检测。本发明高效地实现细胞检测并将之与日益发展的人工智能技术相结合，能够得到有效的识别和提高检测精度。
一种基于区块卷积神经网络细胞检测方法

[发明专利]基于相对变分的边缘检测方法-CN201410011571.5无效
发明人：徐林;黄东晋;谢志峰;丁友东 -专利权人：上海大学
申请日： 2014-01-10 - 公布日： 2014-07-30 - 主分类号： G06T7/00 文献下载
摘要：本发明提出了一种基于相对变分正则化的细胞神经网络边缘检测方法。本方法包括图像预处理以及预处理后的边缘检测两部分。图像预处理主要是采用相对变分对噪声及纹理进行平滑；预处理后的边缘检测主要是采用细胞神经网络方法对图像进行检测。该发明方法能够对富含噪声及纹理复杂的照片提取出有效可靠、精准的有效边缘信息，与传统Canny方法相比，抑制了噪声及纹理的影响，与标准的细胞神经网络方法相比，避免预先设计复杂的CNN模板参数。
基于相对边缘检测方法

[实用新型]细胞/卷积神经网络智能视觉驾驶疲劳监测加速器-CN201620325384.9有效
发明人：陈进民;虞惠华 -专利权人：陈进民
申请日： 2016-04-19 - 公布日： 2016-11-09 - 主分类号： G08B21/06 文献下载
摘要：本实用新型提出了细胞/卷积神经网络智能视觉驾驶疲劳监测加速器，属于人工智能技术领域。本实用新型以细胞/卷积神经网络为核心，细胞/卷积神经网络芯片连接摄像头和微处理器，微处理器连接内存模块、显示屏、扬声器、LED提示灯、通信接口模块和电源等必要的外围部件，构成一个具有疲劳驾驶识别功能的智能视觉驾驶疲劳监测加速器
细胞卷积神经网络智能视觉驾驶疲劳监测加速器

[实用新型]基于细胞神经网络或卷积神经网络的医学影像识别诊断系统-CN201620270008.4有效
发明人：陈芳丹;陈进民 -专利权人：陈进民
申请日： 2016-04-05 - 公布日： 2016-10-26 - 主分类号： G06F19/00 文献下载
摘要：本实用新型提出了基于细胞神经网络或卷积神经网络的医学影像识别诊断系统，属于人工智能技术领域。本实用新型以细胞神经网络或卷积神经网络芯片为核心，利用与医学影像设备或与医学影像设备相连接的计算机已有的摄像头、内存、微处理器、喇叭/耳机和电源等，构成具有深度学习功能的医学影像诊断识别系统，克服了现有大规模深度神经网络或深度学习芯片的不足
基于细胞神经网络卷积医学影像识别诊断系统

[发明专利]一种基于CFA算法和BP神经网络的入侵检测方法-CN201710352845.0有效
发明人：凌捷;黄盛;罗玉;谢锐;龚怡 -专利权人：广东工业大学
申请日： 2017-05-18 - 公布日： 2020-07-28 - 主分类号： G06F21/55 文献下载
摘要：本发明公开了一种基于CFA算法和BP神经网络的入侵检测方法，将所述BP神经网络的运行参数编码为CFA算法中的细胞个体，再将误差函数作为CFA算法的适应值函数，多次迭代后选择适应度最优的参数作为所述BP神经网络的初始权值和阈值进行训练，最后将训练好的所述BP神经网络应用于入侵检测的分类器中。本发明利用CFA算法的全局搜索和收敛速度快的特点，优化BP神经网络的初始运行参数，并据此构造一个可以应用于网络入侵检测的分类器。本方法通过改善BP神经网络因初始参数随机化导致的易陷入局部最小值和收敛速度慢的缺点，从而提高了BP神经网络在网络入侵检测中检测准确率。
一种基于 cfa 算法 bp 神经网络入侵检测方法

[发明专利]基于零阶近似的可微分神经网络架构搜索方法-CN202310464120.6在审
发明人：谢仑辰;黄开宇;梁馨;史清江 -专利权人：同济大学
申请日： 2023-04-26 - 公布日： 2023-07-21 - 主分类号： G06N3/04 文献下载
摘要：本发明提供了一种基于零阶近似的可微分神经网络架构搜索方法，具有这样的特征，包括以下步骤：步骤S1，构建包括神经细胞和降采样块的初始神经网络；步骤S2至步骤S6，构建结构参数矩阵、震荡结构参数矩阵、模型参数矩阵和震荡模型参数矩阵；步骤S7，更新模型参数矩阵和震荡模型参数矩阵；步骤S8，将验证数据集输入初始神经网络，通过第二损失函数和梯度下降方法，得到更新结构参数矩阵；步骤S9，判断迭代是否完成；步骤S10，选取更新结构参数矩阵中每个连接边对应的结构参数中的最大值对应的神经网络操作，作为该连接边的神经网络操作，则得到复杂神经网络。总之，本方法能够提高搜索复杂神经网络的效率和复杂神经网络的准确度。
基于零阶近似的微分神经网络架构搜索方法

[发明专利]基于细胞分类模型分类细胞的方法、装置及设备-CN202010899451.9在审
发明人：杨了;杨适睿;唐明轩;左东奇;唐晓霁 -专利权人：中移（成都）信息通信科技有限公司;中国移动通信集团有限公司
申请日： 2020-08-31 - 公布日： 2022-03-18 - 主分类号： G06T7/00 文献下载
摘要：本申请实施例提供了一种基于细胞分类模型分类细胞的方法、装置及设备，该基于细胞分类模型分类细胞的方法包括：获取目标细胞图像；将目标细胞图像输入第一卷积神经网络进行特征提取，输出多个第一粗分类特征；将多个第一粗分类特征与目标细胞图像输入拼接层进行特征拼接，输出拼接特征；将拼接特征输入第二卷积神经网络进行特征提取，输出多个精分类特征；将多个精分类特征输入第一卷积神经网络进行特征提取，输出多个第二粗分类特征，多个第二粗分类特征包括目标粗分类特征，目标粗分类特征标识有目标细胞图像的粗分类结果；本申请实施例能够解决现有的肿瘤细胞分类模型对细胞分类精度较低的问题。
基于细胞分类模型方法装置设备

[发明专利]基于卷积神经网络的细胞计数方法-CN202310254227.8在审
发明人：崔球;崔天伦;刘欢 -专利权人：中国科学院青岛生物能源与过程研究所
申请日： 2023-03-16 - 公布日： 2023-07-04 - 主分类号： G06T7/00 文献下载
摘要：本发明提供了一种基于卷积神经网络的细胞计数方法，包括以下步骤：数据收集步骤：实验培养细胞，并收集细胞显微图像数据；数据处理步骤：对收集后的细胞显微图像数据切分处理，并对切分后的数据进行分组，划分为训练集、验证集和测试集；数据标注步骤：对数据进行铆框标注，获得铆框标注数据；数据基础增广步骤：对铆框标注数据进行基础增广处理；模型训练步骤：将增广处理后的训练集数据输入神经网络进行训练，所述神经网络模型包含Backbone、FAN‑FPN、Decoupled‑Head模块；模型验证步骤：使用验证集数据对模型进行验证，并对模型进行调整，确定最优模型；模型推理步骤：采用最优模型进行细胞计数。
基于卷积神经网络细胞计数方法