“cnn”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8121个，建议您升级VIP下载更多相关专利

[发明专利]为数据库确定卷积神经网络CNN模型的装置和方法-CN201611095599.7有效
发明人：孙利;王淞;范伟;孙俊 -专利权人：富士通株式会社
申请日： 2016-12-01 - 公布日： 2021-11-02 - 主分类号： G06N3/04 文献下载
摘要：本发明涉及为数据库确定卷积神经网络CNN模型的装置和方法。根据本发明的为数据库确定CNN模型的装置包括：选取单元，用于从多个已知分类能力的CNN模型中选取至少两个CNN模型；拟合单元，用于根据至少两个CNN模型的分类能力和第一参数拟合以分类能力和第一参数为变量的曲线，其中，第一参数用于表征CNN模型的性能；预测单元，用于根据曲线预测其它CNN模型的第一参数；以及确定单元，用于根据每一个CNN模型的第一参数从多个CNN模型中确定适用于数据库的CNN模型。使用根据本发明的为数据库确定CNN模型的装置和方法，无需对所有CNN模型进行训练，大大降低了计算量，简化了设计CNN模型的流程。
数据库确定卷积神经网络 cnn 模型装置方法

[发明专利]采用嵌入式系统中的小规模卷积神经网络模块的人脸检测-CN201710692173.8有效
发明人：王星;梅迪·塞伊菲;陈明华;吴谦伟;梁杰 -专利权人：奥瞳系统科技有限公司
申请日： 2017-08-14 - 公布日： 2021-05-25 - 主分类号： G06K9/00 文献下载
摘要：本申请实施例提供了基于使用小规模硬件卷积神经网络(CNN)模块的人脸检测系统的多个示例，其中该模块被配置到多任务级联CNN模块中。在一些实施例中，基于子图像的CNN系统可被配置为等同于不需划分而处理整个输入图像的大规模CNN，从而该基于子图像的CNN系统的输出可与大规模CNN的输出完全相同。基于此，本申请公开的一些实施例将该基于子图像的CNN系统和技术应用到级联CNN或多任务级联CNN(MTCNN)的一级或多级中，从而输入到该级联CNN或者该MTCNN的指定级中的更大输入图像可以被划分成一组具有更小尺寸的子图像因此，该级联CNN或者该MTCNN的每一级都可以采用相同的小规模硬件CNN模块，该小规模硬件CNN模块受最大输入图像尺寸限制。
采用嵌入式系统中的小规模卷积神经网络模块检测

[发明专利]图像语义标注的设备和方法及其模型的生成方法和系统-CN201580081584.2有效
发明人：汤晓鸥;刘子纬;李晓潇;罗平;吕健勤 -专利权人：北京市商汤科技开发有限公司
申请日： 2015-07-08 - 公布日： 2021-06-01 - 主分类号： G06K9/00 文献下载
摘要：公开了一种图像语义标注的设备和方法及其模型的生成方法和系统，所述生成方法包括：分别形成第一CNN和第二CNN；随机地将第一CNN初始化；将原始图像和多个预定标签真值标注输入到第一CNN，以迭代地更新第一CNN的权值，从而使得从第一CNN输出的、原始图像的类别标签概率接近预定标签真值标注；随机地将第二CNN初始化；将类别标签概率输入到第二CNN，以校正输入的类别标签概率，以确定类别标签概率的分类误差；通过反向传播分类误差来更新第二CNN；将更新的第一CNN与更新的第二CNN进行级联；将原始图像中的每个像素分类为多个通用对象类别中的一个；以及将分类误差反向传播通过级联的CNN，以更新级联的CNN的权值，直到分类误差小于预定阈值。
图像语义标注设备方法及其模型生成系统

[发明专利]CNN加速器和电子设备-CN202010980637.7有效
发明人：刘锴;宋宁;范召;杜金凤 -专利权人：广东高云半导体科技股份有限公司
申请日： 2020-09-17 - 公布日： 2021-08-03 - 主分类号： G06N3/063 文献下载
摘要：本发明提供了一种CNN加速器和电子设备，所述CNN加速器包括设置在MCU内核中的CNN训练器、设置在FPGA内核中的CNN引擎器和CNN存储器，可以将MCU内核的数据处理能力和FPGA内核的并行处理能力及可编程能力相结合，由此提高了CNN加速器的数据处理速度和并行处理能力，能够兼容卷积神经网络的训练阶段和推断阶段。且CNN训练器获得的训练权重值直接传输到CNN引擎器，可以随时优化CNN引擎器中各层级间的权重分布，降低推断错误率。此外，使用FPGA内核的存储资源作为CNN存储器，节省了CNN引擎器内各执行单元与CNN存储器之间的读写时间，在一定的存储容量下保证了数据的读写速率，从而加快了CNN加速器整体的运算效率。
cnn 加速器电子设备

[发明专利]确定卷积神经网络CNN模型的装置和方法-CN201611095600.6有效
发明人：孙利;王淞;范伟;孙俊 -专利权人：富士通株式会社
申请日： 2016-12-01 - 公布日： 2020-06-26 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及确定卷积神经网络CNN模型的装置和方法。根据本发明的确定CNN模型的装置包括：第一确定单元，用于确定包括多个样本的数据库的复杂度；第二确定单元，用于根据数据库的复杂度确定适用于数据库的CNN模型的分类能力；第三确定单元，用于获取多个候选CNN模型中的每个候选CNN模型的分类能力；以及匹配单元，用于根据每个候选CNN模型的分类能力以及适用于数据库的CNN模型的分类能力确定适用于数据库的CNN模型。使用根据本发明的确定CNN模型的装置和方法，可以简化CNN模型的设计流程，使得作为用户的普通人员也能够容易地设计和调整CNN模型，并能够根据数据库的复杂度为该数据库确定出更匹配的CNN模型。
确定卷积神经网络 cnn 模型装置方法

[发明专利]一种基于FPGA的深度学习加速方法-CN202110637295.3在审
发明人：马桂芝 -专利权人：南京广捷智能科技有限公司
申请日： 2021-06-08 - 公布日： 2021-08-13 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种基于FPGA的深度学习加速方法，包括运动检测模块，其用于检测与视频图像中的运动对象相对应的候选图像区域；第一CNN模块，其使用具有第一图像尺寸的滑动窗口处理运动检测模块检测到的候选图像区域，并在候选图像区域内生成第一人脸窗口；第一图像尺寸在第一CNN模块的最大输入图像尺寸与最小输入尺寸之间；第一CNN模块、第二CNN模块、第三CNN模块均采用硬件CNN模块，并且第一CNN模块、第二CNN模块与第三CNN模块耦合；本发明能够基于输入图像尺寸小的小型的输入硬件CNN模块处理高像素的图像，并且对于硬件CNN模块的架构进行优化，使其能够并行加速卷积，能够同时保证图像处理的速率。
一种基于 fpga 深度学习加速方法

[发明专利]一种基于PE架构通道的卷积神经网络加速器-CN202210311313.3在审
发明人：罗斌 -专利权人：南京广捷智能科技有限公司
申请日： 2022-03-28 - 公布日： 2022-06-24 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种基于PE架构通道的卷积神经网络加速器，包括运动检测模块，其用于检测与视频图像中的运动对象相对应的候选图像区域；第一CNN模块，其使用具有第一图像尺寸的滑动窗口处理运动检测模块检测到的候选图像区域，并在候选图像区域内生成第一人脸窗口；第一图像尺寸在第一CNN模块的最大输入图像尺寸与最小输入尺寸之间；第一CNN模块、第二CNN模块、第三CNN模块均采用硬件CNN模块，并且第一CNN模块、第二CNN模块与第三CNN模块耦合；本发明能够基于输入图像尺寸小的小型的输入硬件CNN模块处理高像素的图像，并且对于硬件CNN模块的架构进行优化，使其能够并行加速卷积，能够同时保证图像处理的速率。
一种基于 pe 架构通道卷积神经网络加速器

[发明专利]基于ISTOA-CNN的HVDC系统故障诊断方法及系统-CN202310875843.5在审
发明人：陈潜;武雯阳;李强;彭光强;邵震;王电处;杨光源;肖耀辉;陈礼昕;黄之笛;龚泽;毛炽祖;王晨涛;陈浩 -专利权人：中国南方电网有限责任公司超高压输电公司电力科研院;中国南方电网有限责任公司超高压输电公司大理局
申请日： 2023-07-17 - 公布日： 2023-09-29 - 主分类号： G06F18/24 文献下载
摘要：本发明提供了一种基于ISTOA‑CNN的HVDC系统故障诊断方法及系统，引入改进乌燕鸥优化算法对所述CNN模型进行参数智能寻优，获得优化后的ISTOA‑CNN模型；通过训练集对所述ISTOA‑CNN模型进行训练，通过测试集对所述ISTOA‑CNN模型进行测试直至达到预设故障识别精度，获得最终基于IHBA‑TCN的HVDC系统故障诊断模型，用于对高压直流输电系统进行故障诊断，从而解决CNN模型参数选择误差对分类效果有较大影响的问题本发明引入了改进乌燕鸥优化算法对CNN进行参数智能寻优，来提升CNN对HVDC系统的故障辨识准确率；引入ISTOA对CNN进行参数智能寻优，从而减少CNN参数选择存在误差从而影响CNN分类精度的问题，有效提高了
基于 istoa cnn hvdc 系统故障诊断方法

[发明专利]一种多任务学习下的CNN绝缘子老化光谱分类方法-CN202110704967.8有效
发明人：陈林聪;李欣然;张瑞恩;符小桃 -专利权人：海南电网有限责任公司电力科学研究院
申请日： 2021-06-24 - 公布日： 2023-04-14 - 主分类号： G06V10/764 文献下载
摘要：本发明提供一种多任务学习下的CNN绝缘子老化光谱分类方法，包括下列步骤：将绝缘子老化图像数据进行归一化，并划分为训练数据以及待处理数据，构建包含交叉熵损失函数的CNN判别网络，将第一训练数据输入CNN判别网络中进行训练，获得CNN判别网络中的第一参数值；构建包含认证目标损失函数的CNN认证网络，将所述第一参数值作为所述CNN认证网络的初值，将第一训练数据输入CNN认证网络中进行训练，获得CNN判别网络中的第二参数值；构建包含整体目标损失函数的CNN属性判别网络，将所述第二参数值作为所述CNN属性判别网络的初值，将所述第一训练数据、第二训练数据输入所述CNN属性判别网络中进行训练，获得分类结果。
一种任务学习 cnn 绝缘子老化光谱分类方法

[发明专利]处理卷积神经网络的方法-CN201911171097.1在审
发明人：伍捷;马云汉;谢必克;李湘村;苏俊杰;刘峻诚 -专利权人：耐能智慧股份有限公司
申请日： 2019-11-26 - 公布日： 2020-06-19 - 主分类号： G06N3/04 文献下载
摘要：本发明提供了一种处理卷积神经网络的方法，包含将输入数据输入至浮点预训练CNN模型以产生浮点预训练CNN模型的每层的浮点特征图，将浮点特征图输入至统计分析模拟器以产生浮点预训练CNN模型的每层的动态量化范围，依据浮点预训练CNN模型的每层的动态量化范围对浮点预训练CNN模型的每层的特征值进行量化以产生量化CNN模型的每层的特征值、量化CNN模型的每层的纯量因子、及量化CNN模型的分数位，及将量化CNN模型的每层的特征值输入至推论引擎以使用低精度的定点算数操作来产生定点推论CNN模型的每层的特征值。
处理卷积神经网络方法

[发明专利]针对深度通道和卷积神经网络图像和格式使用相机设备的方法和系统-CN201780086811.X在审
发明人：徐琳;杨柳;姚安邦;蔡东琪;王立彬;胡平;王山东;程文华;郭怡文;陈玉荣 -专利权人：英特尔公司
申请日： 2017-04-07 - 公布日： 2019-10-15 - 主分类号： H04N7/18 文献下载
摘要：公开了针对深度通道和卷积神经网络(CNN)图像和格式使用相机设备的方法和系统。在一个示例中，图像值通过图像捕获设备或相机中的颜色传感器阵列来捕获。图像值提供颜色通道数据。通过颜色传感器阵列捕获的图像值被输入到具有至少一个CNN层的CNN。CNN为每层提供CNN通道数据。颜色通道数据和CNN通道数据用于形成存储在存储器中的深度通道图像。通过传感器阵列捕获的图像值被输入具有第一CNN层的CNN。使用通过颜色传感器阵列捕获的图像值来在第一CNN层处生成输出。第一CNN层的输出被存储为所捕获的图像的特征图。
图像捕获颜色传感器卷积神经网络颜色通道数据传感器阵列格式使用通道数据相机设备存储图像捕获设备通道图像存储器输出特征图相机

[发明专利]一种基于混合神经网络的脑电时空特征学习与情感分类方法-CN202011057296.2在审
发明人：陈景霞;闵重丹;郝为;张鹏伟 -专利权人：陕西科技大学
申请日： 2020-09-29 - 公布日： 2021-01-22 - 主分类号： A61B5/369 文献下载
摘要：本发明公开了一种基于混合神经网络的脑电时空特征学习与情感分类方法，步骤有：采集多个通道的脑电信号；从多个通道的脑电信号中提取PSD功率谱密度特征；并转为二维网状矩阵序列；然后分为若干个片段Pj；建CASC_CNN_LSTM模型和CASC_CNN_CNN模型，通过CASC_CNN_LSTM模型从每个片段Pj中联合提取脑电信号的深层空间特征和时间特征，CASC_CNN_LSTM模型提取的深层空间特征和时间特征输入CASC_CNN_LSTM模型对应的softmax层进行情感类别预测；通过CASC_CNN_CNN模型从每个片段Pj中联合提取脑电信号更深层次的深层空间特征；将CASC_CNN_CNN模型提取的更深层次的深层空间特征输入CASC_CNN_CNN模型对应的softmax层进行情感类别预测。
一种基于混合神经网络时空特征学习情感分类方法

[发明专利]使用卷积神经网络的数字图像处理-CN201610122298.2有效
发明人： A·拉文德兰;O·塞利克-汀马兹;M·巴达维 -专利权人：埃森哲环球服务有限公司
申请日： 2016-03-03 - 公布日： 2019-09-06 - 主分类号： G06K9/62 文献下载
摘要：根据示例，可以通过卷积神经网络(CNN)集合对数字图像进行处理，以对数字图像中的对象进行分类。对于每个CNN，可以选择候选架构和候选参数以构建多个CNN。一旦确定每个对于所选择的候选参数具有不同的值的预定数量的CNN满足验证阈值，就可以从预定数量的CNN生成CNN集合。然后，可以聚集来自CNN集合的预测以准确地对数字图像中的对象进行分类。
使用卷积神经网络数字图像处理

[发明专利]一种基于CNN神经网络的智能垃圾识别方法及装置-CN202110618957.2在审
发明人：相信;胡涛;贺圆;韩雨薇;王阳坤 -专利权人：安徽大学
申请日： 2021-06-03 - 公布日： 2021-09-03 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于CNN神经网络的智能垃圾识别方法及装置，所述方法包括：获取至少三种种类的垃圾图像，建立数据集；构建CNN卷积神经网络；将数据集中的图像送入CNN卷积神经网络来训练CNN卷积神经网络，得到CNN卷积神经网络模型并测试CNN卷积神经网络模型，获得训练好的CNN卷积神经网络模型；利用训练好的CNN卷积神经网络模型检测未知垃圾图像，得到垃圾分类结果；本发明的优点在于：能检测的垃圾种类较多，
一种基于 cnn 神经网络智能垃圾识别方法装置

[发明专利]一种在FPGA上部署CNN的方法、装置、设备和介质-CN202211341476.2在审
发明人：邓联文;孙东旭;谢海鹏;邱雷雷;黄生祥 -专利权人：中南大学
申请日： 2022-10-25 - 公布日： 2023-02-03 - 主分类号： G06F8/60 文献下载
摘要：本申请属于卷积神经网络加速领域，涉及一种在FPGA上部署CNN的方法，包括：获取需要在FPGA上部署的CNN模型并进行量化，得到量化CNN模型；构建部署框架，并在所述部署框架中编写所述量化CNN模型的每层代码以及层间代码；在所述量化CNN模型的层间设置流水，将上一层的输出数据即时作为下一层的输入数据并计算，得到第一优化指令；插入所述第一优化指令，对所述层间代码进行优化，得到第一代码；根据每层代码以及所述第一代码生成优化代码；构建部署工程，并调用根据所述优化代码导出的IP核，进行CNN运算并实现CNN模型在FPGA上的部署。采用本方法能够提高CNN在FPGA上运算的速度，减少CNN运算的时间，进而更好的提高CNN的实时性。
一种 fpga 部署 cnn 方法装置设备介质

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 8121 条