“网络压缩”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1506264个，建议您升级VIP下载更多相关专利

[发明专利]图像压缩方法、装置及电子设备-CN201911199756.2在审
发明人：周雷;孙振鉷;武祥吉 -专利权人：合肥图鸭信息科技有限公司
申请日： 2019-11-29 - 公布日： 2020-01-24 - 主分类号： H04N19/172 文献下载
摘要：本发明实施例提供了一种图像压缩方法、装置及电子设备，所述图像压缩方法包括：获取图像；根据第一图像编解码网络对所述图像进行处理，得到所述图像的特征通道；根据第一图像编解码网络对所述特征通道中满足条件的通道进行压缩，得到第一压缩图像比特流；根据第一图像编解码网络对所述第一压缩图像比特流进行解压缩，得到第一重建图像；根据第二图像编解码网络对所述第一重建图像进行压缩，得到压缩后的图像比特流；该方法可有效地提高压缩比，
图像编解码比特流特征通道图像压缩压缩图像重建图像图像压缩网络装置及电子设备获取图像满足条件性能提升解压缩压缩比有效地

[发明专利]生成神经网络模型的方法、装置、电子设备以及存储介质-CN202010503073.8有效
发明人：希滕;张刚;温圣召 -专利权人：北京百度网讯科技有限公司
申请日： 2020-06-05 - 公布日： 2023-09-01 - 主分类号： G06N3/0464 文献下载
摘要：本申请的实施例公开了生成神经网络模型的方法、装置、电子设备以及存储介质，涉及人工智能、深度学习和图像处理技术领域。具体实现方案为：执行多次迭代搜索操作，迭代搜索操作包括以下步骤：采用预设的压缩策略控制器在预设的压缩策略的搜索空间中确定出预设的神经网络模型的目标压缩策略，压缩策略包括剪枝和量化的组合策略，根据目标压缩策略，对预设的神经网络模型进行剪枝和量化，得到当前的压缩后模型，并获取当前的压缩后模型的性能，基于压缩后模型的性能生成反馈信息，响应于确定反馈信息达到预设的收敛条件，确定当前的压缩后模型为生成的目标神经网络模型该方法可以搜索出最优的模型压缩策略。
生成神经网络模型方法装置电子设备以及存储介质

[发明专利]基于改进聚类的深度神经网络的压缩方法-CN201810075486.3在审
发明人：刘涵;马琰 -专利权人：西安理工大学
申请日： 2018-01-26 - 公布日： 2018-07-20 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了基于改进聚类的深度神经网络的压缩方法；首先通过剪枝策略将正常训练后的网络变为稀疏网络，实现初步的压缩，然后通过K‑Means++聚类得到每层权重的聚类中心，用聚类中心值来表示原始权重值实现权值共享，最后通过各层聚类来进行各层权重的量化，进行再训练更新聚类中心，实现最终的压缩。本发明通过剪枝、权值共享和权值量化三步，最终将深度神经网络整体压缩了30到40倍，并且精度有所提升。基于改进聚类的压缩方法简单有效，深度神经网络在不损失精度(甚至提升)的条件下实现了有效压缩，这使得深度网络在移动端的部署成为了可能。
聚类神经网络压缩聚类中心权重量化改进剪枝策略稀疏网络整体压缩共享剪枝网络移动更新部署

[发明专利]一种基于DCT系数预测的JPEG图像去压缩效应方法-CN201910622339.8在审
发明人：熊淑华;孙梦笛;何小海;李兴龙;任超;普拉迪普卡恩;滕奇志 -专利权人：四川大学
申请日： 2019-07-11 - 公布日： 2021-01-12 - 主分类号： H04N19/625 文献下载
摘要：本发明公开了一种基于DCT系数预测的JPEG图像去压缩效应方法。包括以下步骤：给定压缩图像，通过网络的卷积操作从图像的左上角开始依次提取重叠图像块；通过卷积神经网络对每个图像块进行DCT变换得到对应的DCT系数；利用宽激活残差网络来学习DCT系数的非线性映射关系；通过量化约束先验修正通过网络学习到的DCT系数；用网络对学习到的DCT系数进行IDCT变换，变换回像素域；通过图像块提取操作的逆操作，将网络的输出重组成图像。本发明所述的JPEG图像去压缩效应方法能对JPEG图像的压缩效应进行有效去除，并且可以恢复部分因压缩而丢失的图像细节信息。所以本发明是一种有效的JPEG图像去压缩效应方法。
一种基于 dct 系数预测 jpeg 图像压缩效应方法

[发明专利]一种基于神经网络的杀虫物联网多媒体数据压缩方法-CN202310342859.X在审
发明人：舒磊;陈明颖;刘野;李凯亮;杨星;杜帮松 -专利权人：南京农业大学
申请日： 2023-03-31 - 公布日： 2023-07-28 - 主分类号： H04L67/12 文献下载
摘要：一种基于神经网络的杀虫物联网多媒体数据压缩方法，属于数据处理技术领域，包括：预处理用于训练的杀虫灯音频数据，构建训练数据集；获取训练数据集的梅尔频率倒谱图训练神经网络；获取待压缩的杀虫灯音频数据；使用训练好的神经网络模型处理待压缩的杀虫灯音频数据，得到二进制文件；通过预先构建训练数据集并获取数据集的梅尔频率倒谱图，使用音频的梅尔频率倒谱图对生成式对抗网络进行训练，得到用于数据压缩的网络模型，以提高音频数据压缩模型过程中的待传输数据的压缩率，大幅减少神经网络模型的计算量和所需参数量
一种基于神经网络杀虫联网多媒体数据压缩方法

[发明专利]一种提高SSL数据传输性能的系统及方法-CN201610886203.4有效
发明人：宋磊;唐政治;郑抗 -专利权人：中国科学院声学研究所;北京中科智网科技有限公司
申请日： 2016-10-11 - 公布日： 2020-04-14 - 主分类号： H04L29/06 文献下载
摘要：本发明提供了一种提高SSL数据传输性能的系统及方法，该系统包括：数据压缩模块、数据动态加密模块和网络状况监测预测模块；所述的数据压缩模块对需要传输的SSL数据进行压缩，并记录SSL数据的压缩时间；所述的网络状况监测预测模块对SSL数据传输过程中的网络状况进行预测；所述的数据动态加密模块根据网络状况监测预测模块预测获得的网络状况和数据压缩模块记录的压缩时间，动态调整SSL数据加密的并行度，并将加密后的SSL数据传输至网络。
一种提高 ssl 数据传输性能系统方法

[发明专利]超声数据的编码方法、解码方法及电子设备、存储介质-CN202211099131.0在审
发明人：齐昕 -专利权人：杭州海康威视数字技术股份有限公司
申请日： 2022-09-07 - 公布日： 2023-01-03 - 主分类号： G06T9/00 文献下载
摘要：本申请公开了超声数据的编码方法、解码方法及电子设备、存储介质，涉及超声相控阵检测技术领域，可用于实现超声数据的无损压缩，提高超声数据的压缩准确度。该编码方法包括：获取待压缩的超声数据；将待压缩的超声数据输入到基于深度学习的编码网络，以编码网络对待压缩的超声数据进行压缩，得到压缩后的超声数据；利用预设的码本集对压缩后的超声数据进行编码，得到编码后的超声数据该解码方法包括：获取待解压的超声数据；将待解压的超声数据输入至基于深度学习的解码网络，以解码网络对待解压的超声数据进行解码，得到解码后的超声数据。
超声数据编码方法解码电子设备存储介质

[发明专利]一种压缩机故障过程中事件重要性分析方法-CN202010144147.3有效
发明人：崔铁军;李莎莎 -专利权人：辽宁工程技术大学
申请日： 2020-03-04 - 公布日： 2021-08-03 - 主分类号： F04B49/10 文献下载
摘要：本发明公开了一种压缩机故障过程中事件重要性分析方法，其特征在于，根据压缩机故障过程将该过程使用网络结构进行表示，形成压缩机故障网络；考虑故障起始事件状态转化，提出了二元结构重要度和概率结构重要度；考虑压缩机故障网络系统和压缩机故障的不同，进一步划分为故障起始事件对网络结构重要度和对压缩机故障结构重要度；计算这四种故障起始事件结构重要度，可用于在资源有限情况下对压缩机故障过程中的重要故障进行处理，保障压缩机正常运行。
一种压缩机故障过程事件重要性分析方法

[发明专利]批量MIB的处理方法-CN201210546261.4无效
发明人：万海荣 -专利权人：武汉烽火网络有限责任公司
申请日： 2012-12-14 - 公布日： 2013-04-03 - 主分类号： H04L12/24 文献下载
摘要：本发明公开了一种批量MIB的处理方法，包括以下步骤：网络管理系统将批量MIB信息封装到命令文件中发送到被管设备，当命令文件的超过IP报文所能携带的最大净荷时压缩命令文件并写入压缩标志；被管设备接收命令文件，并根据压缩标志解压缩；被管设备解析命令文件获得批量MIB信息，并将处理结果封装为响应文件，当响应文件的大小超过IP报文所能携带的最大净荷时，压缩响应文件并写入压缩标志；网络管理系统获取响应文件，并根据压缩标志进行解压缩；网络管理系统解析响应文件获得批量MIB信息，并完成相应的网络管理。
批量 mib 处理方法

[发明专利]神经网络压缩方法、装置和存储介质-CN202110029346.4在审
发明人：马文婷;张志鹏;徐青青 -专利权人：中国移动通信有限公司研究院;中国移动通信集团有限公司
申请日： 2021-01-11 - 公布日： 2022-07-19 - 主分类号： G06N3/08 文献下载
摘要：本发明提供一种神经网络压缩方法、装置和存储介质，属于计算机视觉领域。所述神经网络压缩方法，通过对训练后的神经网络的每一指定卷积层进行逐层执行如下操作：在所述指定卷积层后分别添加编码层和激活层，得到待压缩的神经网络；采用训练图像集和验证图像集，将所述待压缩的神经网络训练m个迭代，直到所述激活层输出的特征向量的稀疏性满足第一阈值；根据所述激活层输出的特征向量和第二阈值，删除所述指定卷积层中的冗余通道，获取剪枝后的指定卷积层；最后，获得对所有指定卷积层都完成剪枝后的压缩后的神经网络模型；通过上述方法实现对通过对剪枝方法的优化，实现对卷积神经网络的压缩效果的优化。
神经网络压缩方法装置存储介质

[发明专利]基于树的内容中心网络多个兴趣包处理方法-CN201310648497.3有效
发明人：盛立杰;何花;杨春磊 -专利权人：西安电子科技大学
申请日： 2013-12-04 - 公布日： 2014-02-26 - 主分类号： H04L29/06 文献下载
摘要：本发明公开一种基于树的内容中心网络多个兴趣包处理方法，主要解决现有技术在内容中心网络中发送多个兴趣包的情形下，网络资源利用率低，不适用于公共前缀较短或无公共前缀的情况，完全依赖代理服务器处理，导致网络传输效率低、网络负荷大的不足的问题。具体步骤包括：（1）读取兴趣包内容名字：（2）建立内容名字树：（3）合并内容名字树中的单分支结点：（4）存储内容名字树中的结点：（5）发送压缩兴趣包：（6）解压缩压缩兴趣包。本发明通过采用发送压缩兴趣包的方法，对多个兴趣包进行发送；在接收端，采用了建立目的内容名字串对压缩兴趣包中内容名字进行解压缩，减少了网络中兴趣包的个数，降低网络带宽的消耗。
基于内容中心网络兴趣处理方法

[发明专利]一种基于RNN的模型压缩加密方法-CN202110395326.9有效
发明人：罗清彩;孙善宝;谭强;徐驰 -专利权人：山东新一代信息产业技术研究院有限公司
申请日： 2021-04-13 - 公布日： 2022-07-15 - 主分类号： H04L9/08 文献下载
摘要：一种基于RNN的模型压缩加密方法，利用RNN网络来产生压缩神经网络，同时结合量化剪枝等压缩方法，在一定程度上可以减小模型的大小；通过模型压缩的参数微调形成数据集，并尽量在数据集上追求更高的准确率，减少RNN网络的泛化能力，更好的来实现拟合压缩模型参数，使得业务模型达到较好的准确率。设计多层RNN网络的Encoder‑Decoder的网络结构，利用重构误差来训练网络模型，将Decoder公开，采用特征向量作为密钥来保护压缩模型，有效利用神经网络的不可解释性，使得很难通过输出模型能反推出输入特征向量
一种基于 rnn 模型压缩加密方法

[发明专利]基于神经网络的大数据压缩方法、系统及存储介质-CN202210351881.6在审
发明人：周杨凡;常小梅 -专利权人：河南伴龙电子科技有限公司
申请日： 2022-04-02 - 公布日： 2022-06-17 - 主分类号： H03M7/30 文献下载
摘要：本发明公开了一种基于神经网络的大数据压缩方法、系统及存储介质，涉及人工智能领域。主要包括：对待压缩的各数据进行算术编码，并分别获得各数据的初始权重；构建自编码网络，所述自编码网络包括输入层、输出层及至少一个隐藏层；将编码后的数据同时作为所述自编码网络的输入及输出，将各数据的初始权重作为各数据对应的神经元的初始权重，对所述自编码网络进行训练；按照权重从小到大对自编码网络进行网络剪枝，直至自编码网络的压缩率及准确率中至少一个在相应的预设阈值范围外，并将剪枝完成后的自编码网络中隐藏层对应的数据作为压缩后的数据。本发明实施例能够提高对大数据压缩的处理效率。
基于神经网络数据压缩方法系统存储介质

[发明专利]一种图像分类方法、存储装置和处理装置-CN201811046300.8有效
发明人：程健;贺翔宇 -专利权人：中国科学院自动化研究所
申请日： 2018-09-07 - 公布日： 2021-05-04 - 主分类号： G06K9/62 文献下载
摘要：本发明属于深度神经网络技术领域，具体涉及一种基于少量无标签数据的深度卷积神经网络的压缩方法，旨在解决在已有全精度网络模型基础上，对深度卷积神经网络所有层进行压缩，且不进行基于原始有标注训练数据进行再训练时，性能损失较大的问题，包括：获取原始深度卷积神经网络；对原始深度卷积神经网络中各层的权值张量进行稀疏化操作，得到多个含有较多0元素的权值张量；在已压缩的权值张量基础之上，通过少量无标注数据对压缩后的深度卷积神经网络中的批数据归一化层中的统计量进行更新，获得新的深度卷积神经网络。通过本发明实施例，实现了在仅依赖于少量无标注数据的大型深度卷积神经网络的压缩，降低了性能损失。
一种图像分类方法存储装置处理

[发明专利]用于单像素成像的采样和重建集成深度学习网络的训练方法-CN201910988953.6有效
发明人：鄢秋荣;管焰秋;方哲宇;杨晟韬;李冰;曹芊芊 -专利权人：南昌大学
申请日： 2019-10-17 - 公布日： 2022-09-06 - 主分类号： G06T11/00 文献下载
摘要：为解决目前单像素成像重建时间长及质量不好的问题，本发明提供了一种用于单像素成像的采样和重建集成深度学习网络的训练方法。所述采样和重建集成深度学习网络包括压缩采样子网络、初步重建子网络和深层卷积重建子网络；压缩采样子网络的权值矩阵为由“+1”和“‑1”两元组成的二值化矩阵，“+1”和“‑1”分别用于调制单像素成像系统中DMD微镜正向和反向翻转；压缩采样子网络用于对目标进行n次压缩采样，将n次压缩采样所得到的数据处理后得到测量值矩阵，n由单像素成像系统测量率确定；初步重建子网络对测量值矩阵进行卷积、扩维处理，得到初步重建图像；深层卷积重建子网络通过残差学习处理初步重建图像，得到更高成像质量图像。
用于像素成像采样重建集成深度学习网络训练方法