“dcnn”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373个，建议您升级VIP下载更多相关专利

[发明专利]从宽度扩展网路的DCNN结构及应用该DCNN结构的图像分类算法-CN202210798988.5在审
发明人：陈寿宏;汪韬;侯杏娜;易木兰;马峻;郭玲;黄振涛 -专利权人：桂林电子科技大学
申请日： 2022-07-08 - 公布日： 2022-11-01 - 主分类号： G06N3/04 文献下载
摘要：本发明涉及从宽度扩展网路的DCNN结构及应用该DCNN结构的图像分类算法。采用具备若干支路网络的DCNN结构，且最后的全连接层可以连接多个卷积层的参数。本发明从增加DCNN模型宽度的角度出发，提出多路径DCNN(MP‑DCNN，Multi Path‑DCNN)模型，通过扩展网络的宽度，获取更丰富的网络特征，提升网络的分类性能。多路径DCNN是在原有的DCNN结构的基础上，增加支路网络，使最后的全连接层可以连接多个卷积层的参数，从而获得更多的图像信息，丰富网络学习的细节特征，提升DCNN网络的性能。
宽度扩展网路 dcnn 结构应用图像分类算法

[发明专利]一种基于小样本下压缩感知的DCNN纹理疵点识别方法-CN201710927851.4有效
发明人：郝矿荣;隗兵;丁永生;唐雪嵩 -专利权人：东华大学
申请日： 2017-10-09 - 公布日： 2020-10-30 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及一种基于小样本下压缩感知的DCNN纹理疵点识别方法，采集待识别的织物图像，经预处理得到待识别的疵点图像，输入到训练好的DCNN中，由训练好的DCNN输出编码，查找与编码匹配的标签，根据标签确定疵点类别；标签是通过将疵点类别已知的疵点图像输入到DCNN中，然后处理DCNN输出的编码后得到的，每种疵点类别都有对应的标签且各不相同；训练好的DCNN是指通过将小样本同压缩观测后得到的新样本输入到DCNN中调整DCNN神经元之间的连接权值得到的识别准确率高于设定值的DCNN。
一种基于样本压缩感知 dcnn 纹理疵点识别方法

[发明专利]基于Spark和AMPSO的并行深度卷积神经网络优化方法-CN202310051881.9在审
发明人：毛伊敏;戴经国;罗全成 -专利权人：韶关学院
申请日： 2023-02-02 - 公布日： 2023-06-30 - 主分类号： G06N3/0464 文献下载
摘要：本发明提出了一种基于Spark和AMPSO的并行深度卷积神经网络优化方法，包括以下步骤：S1，在主节点上使用原始数据集预训练DCNN模型，调用FP‑FIS策略对预训练后的DCNN模型进行剪枝，获得压缩后的DCNN模型，并将压缩后的DCNN模型分发至各计算节点；S2，将原始数据集划分为大小相同的数据集，并分发至各计算节点；S3，在各mapper节点上调用map函数和MPT‑AMPSO策略并使用各节点上所分发的数据集对压缩后的DCNN模型进行并行训练；S4，在各reducer节点上调用reduceByKey函数和DLBNP策略对压缩后的DCNN模型参数进行并行更新，最终获取参数更新结果。本发明解决了模型冗余参数过多的问题；解决了并行DCNN算法收敛速度慢和容易陷入局部最优的问题；解决了集群并行效率低的问题。
基于 spark ampso 并行深度卷积神经网络优化方法

[发明专利]一种深度卷积神经网络训练方法及装置-CN201610738135.7在审
发明人：乔宇;刘家铭;王亚立 -专利权人：深圳先进技术研究院
申请日： 2016-08-26 - 公布日： 2017-01-25 - 主分类号： G06N3/08 文献下载
摘要：所述深度卷积神经网络训练方法包括步骤a在大规模源数据集上对DCNN进行预训练，并对所述DCNN进行模型剪枝；步骤b在剪枝过的DCNN上进行迁移学习；步骤c利用小规模目标数据集对迁移后的DCNN进行模型压缩本发明利用迁移学习方法与模型压缩技术的优势互补，在大规模源数据集到小规模目标数据集的迁移学习过程中，对DCNN进行模型压缩与剪枝，从而改善迁移学习能力，以降低DCNN在小规模目标数据集上的过拟合风险与部署难度
一种深度卷积神经网络训练方法装置

[发明专利]一种基于深度学习的隔膜泵运行状态监测方法-CN202210898950.5在审
发明人：马文生;陈伟;李有根;王天周;李方忠 -专利权人：重庆水泵厂有限责任公司
申请日： 2022-07-28 - 公布日： 2022-11-01 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于深度学习的隔膜泵运行状态监测方法，包括以下步骤：步骤一、振动信号数据采集；步骤二、随机森林降维处理；步骤三、构建数据集和划分数据集；步骤四、设计2DCNN+LSTM模型；步骤五、训练2DCNN+LSTM模型；步骤六、测试已训练完成的模型的准确性：将预测的故障类型与步骤五中的隔膜泵实际的故障类型进行对比，若相同，则认为最终2DCNN+LSTM模型判断正确，反之，则认为最终2DCNN+最终2DCNN+LSTM模型对于原始数据的特征表征能力，最终2DCNN+LSTM模型泛化能力提升，能够对在线采集的数据及时做出诊断。
一种基于深度学习隔膜运行状态监测方法

[发明专利]用于识别不同妊娠阶段脉搏的1DCNN-GRU-Attention模型、构建方法及应用-CN202310513339.0在审
发明人：李楠;黄璐琦;于佳瑞;赵宇平;毛晓波 -专利权人：郑州大学;中国中医科学院
申请日： 2023-05-09 - 公布日： 2023-08-04 - 主分类号： A61B5/02 文献下载
摘要：本发明实施例公开了用于识别不同妊娠阶段脉搏的1DCNN‑GRU‑Attention模型，该模型的构建方法包括步骤：S1、采集妊娠脉搏波；S2、对采集的妊娠脉搏波进行预处理，将预处理后的妊娠脉搏波数据分为训练集和测试集；S3、构建1DCNN‑GRU‑Attention混合模型；S4、利用预处理后的妊娠脉搏波训练集数据训练1DCNN‑GRU‑Attention混合模型，得到用于识别不同妊娠阶段脉搏的1DCNN‑GRU‑Attention本发明实施例公开的用于识别不同妊娠阶段脉搏的1DCNN‑GRU‑Attention模型的构建方法，得到了能够识别不同妊娠阶段脉搏的1DCNN‑GRU‑Attention模型，对不同妊娠阶段脉搏的分类准确率可达
用于识别不同妊娠阶段脉搏 dcnn gru attention 模型构建方法应用

[发明专利]孤立手语词特征提取器、提取方法、识别模型及方法-CN202111244393.7在审
发明人：徐强;辜嘉;吴宗正;李凌;宋凯旋 -专利权人：苏州中科先进技术研究院有限公司
申请日： 2021-10-26 - 公布日： 2022-03-04 - 主分类号： G06V40/20 文献下载
摘要：本发明公开了一种孤立手语词特征向量提取方法、提取器、识别方法及模型，通过2DCNN‑3DCNN融合的网络模型，能够从手语视频中识别出所对应的孤立手语词；模型既强化了平面特征的提取，又可一定程度上避免3DCNN本发明结合了2DCNN和3DCNN优点，总体网络结构层次分明，结构简单，不仅运算速度快，模型参数量少，而且能够捕捉手部运动特征，非常适合于手语识别这种整体运动量不大，但局部运动量相对较大的场合。
孤立语词特征提取方法识别模型

[发明专利]一种电弧炉二次侧水冷电缆寿命分析方法及系统-CN202310233057.5在审
发明人：潘赛虎;朱冬森;郝振华;林胜男;王雪;王鑫;包涵 -专利权人：常州大学
申请日： 2023-03-08 - 公布日： 2023-06-23 - 主分类号： G06F30/27 文献下载
摘要：本发明涉及电弧炉技术领域，尤其涉及一种电弧炉二次侧水冷电缆寿命分析方法及系统，包括采集水冷电缆运行参数；得到输入参数；通过熵权法分析水冷电缆寿命多个评估指标，得到综合权重最高的输出指标；构建输入参数和输出指标的1‑DCNN神经网络模型，并通过均方根误差和决定系数评价1‑DCNN神经网络模型；利用GA算法对1‑DCNN神经网络模型的权值与阈值参数进行寻优。本发明以1‑DCNN神经网络模型建立寿命的函数预测，通过GA算法对1‑DCNN算法的网络初始权值和阈值进行优化，提高1‑DCNN神经网络模型通用性，并通过熵权法得到与电缆的损坏相关性强的电流平衡度指标，
一种电弧炉二次水冷电缆寿命分析方法系统

[发明专利]一种基于标签概率序列的高鲁棒性深度道路提取方法-CN202110787335.2有效
发明人：赫晓慧;李盼乐;郭晓宇;高亚军 -专利权人：郑州大学
申请日： 2021-07-13 - 公布日： 2022-09-30 - 主分类号： G06V20/10 文献下载
摘要：一种基于标签概率序列的高鲁棒性深度道路提取方法，本发明提出了一种新的SDL框架，引入标签概率序列学习DCNN的道路提取任务，其中标签概率序列由前端学习DCNN获得，可以提供丰富的真实的标签信息来纠正错误标签和稳健地学习DCNN；基于标签概率序列，提出了一种自适应标签校正来提高噪声数据集的质量；同时，开发了一种基于标签概率序列不确定性的噪声修正损失函数，以利用改进的数据集稳健地学习DCNN；对两个具有挑战性的噪声道路数据集齐路和汇路进行了经验评估，以验证所提方法的在稳健地学习DCNN模型。
一种基于标签概率序列高鲁棒性深度道路提取方法

[发明专利]一种多模脑电信号及1DCNN迁移的驾驶疲劳状态识别方法-CN201911059617.X在审
发明人：宋立新;黄亚康 -专利权人：哈尔滨理工大学
申请日： 2019-11-01 - 公布日： 2020-02-11 - 主分类号： A61B5/18 文献下载
摘要：一种多模脑电信号及一维卷积神经网络(1DCNN)迁移的驾驶疲劳状态识别方法。属于疲劳驾驶检测和分类技术领域，目的是为了对驾驶员进行疲劳预警，以较少因疲劳驾驶而引发交通事故对人们的生命财产造成的伤害。本发明包括：步骤一：脑电(EEG)信号预处理及特征提取，步骤二：眼电(EOG)信号预处理及特征提取，步骤三：1DCNN模型的构建和预训练，步骤四：1DCNN迁移模型的构建，步骤五：融合特征送入1DCNN迁移模型，将EEG特征和EOG特征进行融合送入1DCNN迁移模型进行训练和测试，对样本进行疲劳状态的识别。
迁移信号预处理疲劳驾驶特征提取构建送入疲劳驾驶检测分类技术驾驶疲劳脑电信号疲劳预警疲劳状态神经网络生命财产一维卷积状态识别融合多模脑电样本交通事故测试分类伤害应用

[发明专利]基于卷积神经网络的交互动作的识别方法和系统-CN201910914052.2在审
发明人：宋波 -专利权人：北京影谱科技股份有限公司
申请日： 2019-09-25 - 公布日： 2020-01-21 - 主分类号： G06K9/00 文献下载
摘要：本申请公开了一种基于卷积神经网络的交互动作的识别方法和系统，该方法包括：将采集到的包含人的肢体动作的图片进行标注并分类，将分类后的多个肢体动作图片作为训练数据集；将训练数据集中的训练样本输入DCNN深度卷积神经网络获得训练样本的类别特征向量；利用FNN模糊神经网络计对DCNN深度卷积神经网络进行优化，得到交互动作的DCNN‑FNN训练模型；采用该训练模型识别待识别图片的肢体动作的类别。本申请利用FNN模糊神经网络优化算法可以加快深度卷积神经网络DCNN的收敛速度，以快速得到交互动作的DCNN‑FNN训练模型，从而可以快速、准确地识别待识别图片的肢体动作的类别。
卷积神经网络肢体动作交互动作训练模型模糊神经网络训练样本训练数据集图片类别特征训练数据优化算法分类向量申请标注收敛采集优化

[发明专利]深度卷积神经网络压缩方法、装置、存储介质及设备-CN201911138226.7在审
发明人：周军;丁松;王洋;江武明 -专利权人：北京眼神智能科技有限公司;北京眼神科技有限公司
申请日： 2019-11-20 - 公布日： 2021-05-21 - 主分类号： G06K9/62 文献下载
摘要：该方法包括：获取DCNN、精简网络和训练集；使用训练集训练DCNN；从训练集的每个类别中随机选取一个样本组成训练子集；将训练子集输入训练好的DCNN，提取第一特征矩阵，并得到在DCNN的特征层或分类层的输出；将训练子集中样本的标签替换为DCNN的输出；从训练子集中分批取出样本输入精简网络，计算损失函数并更新精简网络的参数；重复上述步骤，直至训练子集中所有样本被取出；迭代上述步骤一定次数，完成精简网络的训练
深度卷积神经网络压缩方法装置存储介质设备

[发明专利]深度卷积神经网络初始化和训练方法、装置、介质及设备-CN201911138266.1在审
发明人：周军;丁松;王洋;江武明 -专利权人：北京眼神智能科技有限公司;北京眼神科技有限公司
申请日： 2019-11-20 - 公布日： 2021-05-21 - 主分类号： G06K9/00 文献下载
摘要：该初始化方法包括：获取DCNN、与DCNN对应的简易网络和初始训练集，初始训练集包括多个类别的样本，样本上设置有表示该样本类别的标签；使用初始训练集训练简易网络；将初始训练集的样本输入训练好的简易网络，得到每个样本在简易网络的特征层或分类层的输出；将初始训练集中每个样本的标签替换为该样本在简易网络的特征层或分类层的输出，得到更新后的训练集；使用更新后的训练集预训练DCNN，完成DCNN的初始化。本发明能够使得任何结构的不易收敛的DCNN获得更好的初始化，使其更易收敛，加快训练速度。
深度卷积神经网络初始化训练方法装置介质设备

[发明专利]一种超大型挂篮悬浇施工联测联控方法-CN202310375050.7在审
发明人：马存骥;彭昆;何传钊;黄国忠;农启鹏;黎彦;徐乐;袁成;王惠鸿;曹玉红 -专利权人：中交四航局第一工程有限公司
申请日： 2023-04-10 - 公布日： 2023-07-18 - 主分类号： G06V20/52 文献下载
摘要：本发明提出了一种超大型挂篮悬浇施工联测联控方法，该方法包括：通过3DCNN实时监测和分析施工现场情况，获取超大型挂篮悬浇施工现场的实时情况；所述通过3DCNN实时监测和分析施工现场情况包括：通过3DCNN的分析获取超大型挂篮的实时动作；所述通过3DCNN的分析获取超大型挂篮的实时动作的方法为：通过单流特征提取网络从输入视频帧中提取时空特征，获取超大型挂篮的实时动作；所述单流特征提取网络包括：3DCNN架构和
一种超大型挂篮施工联测方法

[发明专利]嵌入式DCNN和边缘计算的裂解炉重管温度识别方法-CN201910309296.8有效
发明人：彭志平;赵俊峰;邓锡海;尹兆林;毛远洪;付公燚;邱金波;崔得龙;张清华;谭云;何杰光;陈锦丰;吴家伟 -专利权人：广东石油化工学院
申请日： 2019-04-17 - 公布日： 2020-07-28 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种嵌入式DCNN和边缘计算的裂解炉重管温度识别方法，所述方法包括深度卷积神经网络(Deep Convolution Neural Network，DCNN)重管识别模型的构建、DCNN重管识别模型的重构及炉管温度的边缘计算等步骤，即先利用重管和非重管的特征差异，训练生成DCNN重管识别模型；其次针对嵌入式处理器的特性，将DCNN重管识别模型移植到红外自动测温仪内部的嵌入式处理器；再由DCNN重管识别模型结合红外自动测温仪内部的数据处理算法和温度值计算方法
嵌入式 dcnn 边缘计算裂解炉温度识别方法

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 373 条