“卷积核”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145537个，建议您升级VIP下载更多相关专利

[发明专利]一种卷积神经网络中的卷积核存储方法及装置-CN201911023889.4在审
发明人：朱喻 -专利权人：广州思德医疗科技有限公司
申请日： 2019-10-25 - 公布日： 2020-02-18 - 主分类号： G06K9/62 文献下载
摘要：本发明实施例提供一种卷积神经网络中的卷积核存储方法及装置，所述方法包括：在训练预设有核空间的卷积神经网络过程中，对锁定卷积核存储空间中的锁定卷积核进行锁定，以使其无法参与训练过程中的参数更新；存储新增目标卷积核至所述开放卷积核存储空间；存储新卷积核至所述新卷积核存储空间；其中，所述新卷积核是具有新特征的新增目标卷积核。本发明实施例提供的卷积神经网络中的卷积核存储方法及装置，通过核空间划分出的锁定卷积核存储空间、开放卷积核存储空间和新卷积核存储空间，对卷积核进行分类存储，实现了卷积核的记忆迁移，从而减少了训练卷积神经网络过程中的计算量
一种卷积神经网络中的存储方法装置

[发明专利]一种获取专用卷积核的方法及装置-CN201911025035.X有效
发明人：王子宁 -专利权人：广州思德医疗科技有限公司
申请日： 2019-10-25 - 公布日： 2022-06-10 - 主分类号： G06N3/08 文献下载
摘要：本发明实施例提供一种获取专用卷积核的方法及装置，所述方法包括：获取卷积神经网络中的全局公共卷积核和组内公共卷积核；所述全局公共卷积核是所有类别中都存在的卷积核、所述组内公共卷积核是在组内存在、但在其他组内不存在的卷积核；所述卷积神经网络包含可识别未知分类类别的分类器；从全部卷积核集合中剔除所述全局公共卷积核和所述组内公共卷积核，并将剩余的目标卷积核作为与所述未知分类类别相对应的专用卷积核；其中，所述目标卷积核是利用KernelRetrace方法确定的、卷积效率大于预设值的卷积核。本发明实施例提供的获取专用卷积核的方法及装置，能够合理、准确地获取专用卷积核。
一种获取专用卷积方法装置

[发明专利]深度神经网络裁剪方法、装置及电子设备-CN201911280967.9在审
发明人：舒红乔;王奇刚;李远辉;向辉;邓建林 -专利权人：联想（北京）有限公司
申请日： 2019-12-09 - 公布日： 2020-04-21 - 主分类号： G06N3/08 文献下载
摘要：本申请实施例公开了一种深度神经网络裁剪方法、装置及电子设备，将目标卷积层中稀疏度最高的卷积核作为基准卷积核，根据该基准卷积核对各个非基准卷积核的相对熵，以及各个非基准卷积核中元素的绝对值，确定至少一个目标卷积核；该目标卷积核与基准卷积核的差异，小于目标卷积层中非目标卷积核与所述基准卷积核的差异；删除该至少一个目标卷积核，并对目标卷积层的下一卷积层中的各个卷积核进行处理，使得下一卷积层中的各个卷积核与所述目标卷积层中剩余的卷积核相适配，减少了目标卷积层中卷积核的数量和输出的特征图的数量，以及目标卷积层的下一卷积层中卷积核的数据量，在保证网络模型的处理精度的同时提升网络模型的加速效果。
深度神经网络裁剪方法装置电子设备

[发明专利]一种多标准卷积核剪枝方法-CN202210743202.X在审
发明人：马胜;易啸;黎铁军;罗莉;张建民;吴利舟;蒋威;侯翔;徐睿;王波 -专利权人：中国人民解放军国防科技大学
申请日： 2022-06-28 - 公布日： 2022-11-01 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种多标准卷积核剪枝方法，包括：计算出采用基于范数卷积核剪枝方法的比例，确定基于范数卷积核剪枝阈值；计算出采用基于功能相似性的卷积核剪枝方法的比例，确定基于功能相似卷积核剪枝阈值；使用基于范数卷积核剪枝方法和基于范数卷积核剪枝阈值选择出被剪枝卷积核，将被选择卷积核参数值设为0值；使用基于功能相似性卷积核剪枝方法和基于功能相似卷积核剪枝阈值选择出被剪枝卷积核，将被选择卷积核参数值设为0。
一种标准卷积剪枝方法

[发明专利]卷积神经网络及基于卷积神经网络的图像处理方法-CN202010048134.6在审
发明人：李永;吴岳辛;叶翔;刘莹;姜卫星;丰·石;张高鑫;王凡;何子航;李慧;胡嘉豪;李婉婷;赵家凤;李凤男;王伟刚 -专利权人：波音公司;北京邮电大学
申请日： 2020-01-16 - 公布日： 2021-07-16 - 主分类号： G06N3/04 文献下载
摘要：本公开涉及卷积神经网络及基于卷积神经网络的图像处理方法，卷积神经网络包括：至少一个卷积层，每个卷积层包括至少一个卷积核组，每个卷积核组包括两个以上的卷积核，每个卷积核组的各卷积核对输入的具有不同旋转角度的图像数据的相同特征进行特征提取以获得特征图，卷积核组的一个卷积核经过旋转能得到卷积核组的其他卷积核；以及至少一个池化层，每个池化层利用与卷积核组的各卷积核分别对应的池化窗口对各卷积核输出的特征图进行池化，以输出池化后的特征图，其中，通过绕与卷积核组的一个卷积核对应的池化窗口的中心而旋转该池化窗口，能得到与卷积核组中的其他卷积核对应的池化窗口。本公开的卷积神经网络自身具有旋转不变性。
卷积神经网络基于图像处理方法

[发明专利]应用于神经网络的计算方法及计算装置-CN201711102485.5有效
发明人：韩银和;许浩博;王颖 -专利权人：中国科学院计算技术研究所
申请日： 2017-11-10 - 公布日： 2020-07-31 - 主分类号： G06N3/04 文献下载
摘要：该计算方法包括以下步骤：获取仅包含数值1和‑1权重的二值卷积核；将所述二值卷积核分解为初始卷积核和特征卷积核，其中，所述初始卷积核和所述特征卷积核与所述二值卷积核的维数相同，所述初始卷积核是由数值为1的权重构成的矩阵，所述特征卷积核是相对于所述二值卷积核保留了数值为‑1的权重所形成的矩阵；基于所述初始卷积核和所述特征卷积核执行神经网络中的卷积计算。利用本发明的计算方法和计算装置能够提高卷积计算的效率并节省存储电路的开销。
应用于神经网络计算方法计算装置

[发明专利]卷积神经网络的计算方法、片上系统和电子设备-CN202110897011.4有效
发明人：孙伟昶 -专利权人：安谋科技（中国）有限公司
申请日： 2021-08-05 - 公布日： 2023-02-03 - 主分类号： G06N3/04 文献下载
摘要：本申请涉及神经网络领域，公开了一种卷积神经网络的计算方法、片上系统和电子设备。本申请的卷积神经网络的计算方法包括：根据深度学习处理芯片上参数缓存的大小确定卷积核的切分方式；根据切分方式对多个卷积核中每个卷积核进行切分，以将每个卷积核分成N个部分卷积核；对多个卷积核进行分组，以得到N个卷积核组；将第一到第N卷积核组分别加载至参数缓存，并将输入数据分别与加载至参数缓存中的卷积核组进行卷积运算，获得N个卷积运算结果；合并N个卷积运算结果。因此可在参数缓存的存储空间小于多个卷积核所需的存储空间时，无需频繁加载卷积核的数据，能够提高卷积运算的效率。
卷积神经网络计算方法系统电子设备

[发明专利]卷积神经网络压缩方法和装置、图像分类方法和装置-CN202110671327.1在审
发明人：王培松;程健 -专利权人：中国科学院自动化研究所
申请日： 2021-06-17 - 公布日： 2021-11-16 - 主分类号： G06K9/62 文献下载
摘要：本发明提供一种卷积神经网络压缩方法和装置、图像分类方法和装置，其中卷积神经网络压缩方法包括：对预训练的卷积神经网络中的各个卷积操作层分别进行卷积核聚类，得到各个卷积操作层对应的卷积核类簇；对各个卷积操作层对应的每一卷积核类簇进行卷积核剪枝；对卷积核剪枝后的卷积神经网络进行重训练，得到压缩后的卷积神经网络。本发明实现了高效的卷积核剪枝，同时，上述方式不再受卷积核分布导致的剪枝敏感度不同的限制，从而极大的节省了卷积核剪枝的计算资源和时间资源的消耗。
卷积神经网络压缩方法装置图像分类

[发明专利]神经网络压缩、目标检测、行驶控制方法以及装置-CN202010123508.6在审
发明人：游山;苏修;王飞;钱晨 -专利权人：上海商汤临港智能科技有限公司
申请日： 2020-02-27 - 公布日： 2020-06-26 - 主分类号： G06N3/08 文献下载
摘要：本公开提供了一种神经网络压缩、目标检测、行驶控制方法以及装置，该方法包括：获取训练后的待压缩神经网络的卷积层的卷积核参数信息；基于所述卷积核参数信息，从所述卷积核参数信息指示的多个卷积核中确定待删减卷积核，并从所述多个卷积核中将所述待删减卷积核删除；基于删除处理后的卷积层，确定压缩后的神经网络。
神经网络压缩目标检测行驶控制方法以及装置

[发明专利]神经网络模型的处理方法和装置-CN201810904409.4在审
发明人：张宝昌;王晓迪;曹先彬 -专利权人：北京航空航天大学
申请日： 2018-08-09 - 公布日： 2019-01-04 - 主分类号： G06N3/04 文献下载
摘要：本发明提供一种神经网络模型的处理方法和装置，该方法包括：重复执行以下步骤，直至神经网络模型的损失误差达到预设条件：获取样本图像，输入到神经网络模型，进行拓展处理，得到三维特征图；对每一层卷积层中的原始卷积核进行二值化，得到每一层卷积层的二值化卷积核；根据每一层卷积层中的调制卷积核，对每一层卷积层的二值化卷积核进行调制，生成每一层卷积层的重构卷积核；根据每一层卷积层的重构卷积核和三维特征图，确定最后一层卷积层的三维输出特征图；根据各原始卷积核、二值化卷积核和调制卷积核和三维输出特征图，计算损失误差；根据损失误差，对每一层卷积层中的原始卷积核和调制卷积核进行更新。
卷积核卷积神经网络模型二值化调制方法和装置三维特征输出特征重构卷积三维神经网络样本图像预设条件重复执行更新拓展

[发明专利]一种图像超分辨率卷积神经网络加速计算方法-CN201710940557.7有效
发明人：高钦泉;张鹏涛;童同 -专利权人：福建帝视信息科技有限公司
申请日： 2017-09-30 - 公布日： 2021-01-12 - 主分类号： G06T3/40 文献下载
摘要：本发明公开一种图像超分辨率卷积神经网络加速计算方法，其包括以下步骤：（1）获取已训练好的卷积核组，（2）将已训练好的卷积核组转化为易于卷积计算处理的矩阵形式的卷积核组；（3）解析出中间卷积层矩阵形式的卷积核组作为原始卷积核组；（4）基于原始卷积核组构造低秩学习模型：（5）通过低秩学习模型求解基卷积核组；（6）通过最小二乘模型求解重构系数；（7）将原始卷积核组的卷积计算利用基卷积核组以及对应的重构系数进行卷积计算等价代换，实现卷积计算加速本发明对卷积核组进行重构，保证在准确率不降低的情况下，实现卷积计算加速，且该方法只是涉及卷积计算过程，未改变原有准确率，可进一步结合其他加速方法进一步加速。
一种图像分辨率卷积神经网络加速计算方法

[发明专利]一种基于卷积核复用的股票异动时序卷积自编码训练加速方法-CN202010494352.2在审
发明人：邹立达 -专利权人：山东财经大学
申请日： 2020-06-03 - 公布日： 2020-07-24 - 主分类号： G06N3/04 文献下载
摘要：本发明属于数据挖掘、机器学习技术领域，公开了一种基于卷积核复用的股票异动时序卷积自编码训练加速方法，持续获取一个经济相关股票市场，将交易数据存储于时序数据库中，对数据形式化表示与归一化计算；训练时序卷积自编码模型，从卷积核管理模块获取先验卷积核用于加速训练，同时将本周期训练产生的卷积核发送给卷积核管理模块；卷积核的收集与先验卷积核的生成，卷积核管理模块接收执行训练模块前周期的卷积核，并且生成当前周期的先验卷积核发送至执行训练模块本发明提出基于卷积核复用的股票异动时序卷积自编码训练加速方法，以提高训练速度。
一种基于卷积核复用股票时序编码训练加速方法

[发明专利]用于卷积神经网络的卷积运算装置-CN202010514287.5有效
发明人：焦海龙;刘敏 -专利权人：北京大学深圳研究生院
申请日： 2020-06-08 - 公布日： 2022-04-19 - 主分类号： G06N3/04 文献下载
摘要：一种用于卷积神经网络的卷积运算装置,涉及电子信息以及深度学习技术领域，用于对待卷积矩阵与卷积核矩阵进行卷积计算以获取卷积结果矩阵，包括待卷积矩阵控制器、卷积核矩阵控制器和卷积运算模块。待卷积矩阵控制器和卷积核矩阵控制器分别按卷积顺序获取待卷积矩阵和卷积核矩阵的标签矩阵，只有当待卷积矩阵和卷积核矩阵的标签矩阵的相同位置上的元素值均为预设值时，才将与标签矩阵的元素对应的待卷积矩阵和卷积核矩阵的元素进行卷积运算以获取卷积结果矩阵由待卷积矩阵和卷积核矩阵的标签矩阵的相同位置上的元素值均为预设值而引入的稀疏性要远大于待卷积矩阵和卷积核矩阵，使得卷积运算的计算量降低，进而加速卷积神经网络的运算速度。
用于卷积神经网络运算装置

[发明专利]图像数据的卷积运算方法、装置、电子设备及存储介质-CN202010088688.9有效
发明人：易立强 -专利权人：深圳云天励飞技术股份有限公司
申请日： 2020-02-11 - 公布日： 2023-10-13 - 主分类号： G06N3/0464 文献下载
摘要：本申请提供了一种图像数据的卷积运算方法、装置、电子设备及存储介质，该方法包括：在提取出输入图像的特征图的情况下，获取卷积神经网络中单个卷积核的非零值分布；根据所述单个卷积核的非零值分布对所述单个卷积核进行拆分，得到多个子卷积核；将各个所述子卷积核与在所述特征图上对应的运算范围内的数据进行卷积运算，并将各个所述子卷积核的卷积运算结果进行累加，得到所述单个卷积核的卷积运算结果；将所述单个卷积核的卷积运算结果在输入通道上进行累加，得到所述输入图像在输出通道上的卷积运算结果。本申请实施例有利于减少卷积神经网络的运算量，从而降低边缘设备的功耗。
图像数据卷积运算方法装置电子设备存储介质

[发明专利]基于神经网络的卷积计算方法及装置-CN201910613642.1有效
发明人：刘锦胜 -专利权人：杭州海康威视数字技术股份有限公司
申请日： 2019-07-09 - 公布日： 2023-09-29 - 主分类号： G06N3/0464 文献下载
摘要：本发明提供一种基于神经网络的卷积计算方法及装置。本发明实施例通过将PnD型n维网络结构中每一n维卷积核的n维卷积核系数分解为第一类卷积核系数和第二类卷积核系数；将第二类卷积核系数中每一个卷积核系数进行转换得到目标卷积核系数，将第一类卷积核系数中的各参考卷积核系数、以及第二类卷积核系数中各目标卷积核系数分别与n维特征图进行卷积运算得到目标卷积结果，使得在支持维度较低的神经网络芯片能够部署维度较高的PnD型n维网络结构，不需要改变神经网络芯片硬件结构，既能够具有较快的处理速度
基于神经网络卷积计算方法装置

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