“卷积”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57152个，建议您升级VIP下载更多相关专利

[发明专利]脉冲神经网络的卷积加速方法及卷积加速器-CN202310967759.6有效
发明人：蒋东东;王斌强;董刚 -专利权人：苏州浪潮智能科技有限公司
申请日： 2023-08-02 - 公布日： 2023-09-29 - 主分类号： G06N3/0464 文献下载
摘要：本申请实施例提供了一种脉冲神经网络的卷积加速方法及卷积加速器，其中，该方法包括：接收含有脉冲信号的特征数据；确定所述脉冲信号在所述特征数据中的位置；根据所述脉冲信号的位置从卷积加速器中的卷积缓存存储阵列中读取待运算的数据，以生成脉冲神经网络中的待运算卷积计算矩阵；对预设卷积权重矩阵进行转置，并将转置后的预设卷积权重矩阵与所述待运算卷积计算矩阵进行运算，以确定所述待运算卷积计算矩阵的卷积结果，以完成脉冲神经网络的卷积加速通过本申请，解决了由于卷积计算过程复杂，导致加速器计算效率低的技术问题。
脉冲神经网络卷积加速方法加速器

[发明专利]基于FPGA的可变形卷积网络运算方法、装置和系统-CN201910988793.5在审
发明人：井怡;高鹏;何峻 -专利权人：中国科学院上海高等研究院;上海市信息技术研究中心
申请日： 2019-10-17 - 公布日： 2020-01-31 - 主分类号： G06N3/063 文献下载
摘要：本申请提供的一种基于FPGA的可变形卷积网络运算方法、装置和系统，通过获取图像输入数据，经缓存处理后得到串行数据；将所述串行数据根据卷积尺寸大小进行匹配分割以得到多个待卷积片段；依据预设的增加了偏移向量的可变形卷积核及对应各所述带卷积片段的权值，按顺序依次对各所述待卷积片段进行卷积运算，以得到卷积输出结果。本申请通过该可变形卷积算法，实现任意卷积模型的运算，可有效提高卷积模块的图像检测精度，同时借用FPGA平台得到更好的硬件加速效果。
卷积可变形串行数据缓存处理获取图像卷积运算偏移向量输出结果图像检测网络运算硬件加速卷积核带卷算法预设匹配申请运算借用分割

[发明专利]一种二值卷积神经网络处理器及其使用方法-CN201710316252.9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： 2017-05-08 - 公布日： 2018-06-01 - 主分类号： G06N3/063 文献下载
摘要：本发明提供一种二值卷积神经网络处理器，包括：待计算数据存储装置，用于存储二值形式的待卷积数据的元素以及二值形式的卷积核元素；二值卷积装置，用于对所述二值形式的卷积核元素及所述二值形式的待卷积数据中相应的元素进行二值卷积操作；数据调度装置，用于将所述卷积核元素与所述待卷积数据中相应的元素载入所述二值卷积装置；池化装置，用于对卷积所获得的结果进行池化处理；以及归一化装置，用于对经过池化的结果进行归一化操作。
卷积卷积核池化卷积神经网络处理器数据调度装置归一化操作归一化装置存储装置计算数据存储载入

[发明专利]一种基于并列卷积单元的深度卷积神经网络方法-CN201711049899.6在审
发明人：庞彦伟;侯聪聪 -专利权人：天津大学
申请日： 2017-10-31 - 公布日： 2018-03-06 - 主分类号： G06N3/04 文献下载
摘要：本发明涉及一种基于并列卷积单元的深度卷积神经网络方法,其训练阶段包括下列步骤1)收集数据；定义并列卷积单元由一个简化卷积和一个简化卷积的变形并列组成，其中，简化卷积的变形是将原简化卷积中采用的两个滤波器的位置进行互换，设置深度卷积神经网络结构，包括并列卷积单元的数量及组合方式，设定每个卷积层特征图的个数和大小，设定池化方式及池化窗口尺寸；3)初始化；4)前向计算；5)反向传播。
一种基于并列卷积单元深度神经网络方法

[发明专利]网络模型裁剪方法、装置及计算机可读取存储介质-CN201811597710.1在审
发明人：孔露森;陈航锋 -专利权人：浙江宇视科技有限公司
申请日： 2018-12-26 - 公布日： 2020-07-03 - 主分类号： G06N3/04 文献下载
摘要：所述方法包括依据从待剪网络中识别出的特定层判定待剪网络的网络类型，从而确定多个待剪卷积层，并从待剪卷积层确定待剪卷积核和/或待剪卷积通道，最后裁剪待剪卷积核和/或待剪卷积通道。从而能够依据不同网络模型选择卷积层中的卷积核和卷积通道的裁剪方式，使得卷积神经网络的计算量得到减少。
网络模型裁剪方法装置计算机读取存储介质

[发明专利]多尺度卷积的方法、装置、终端设备及存储介质-CN202011506102.2在审
发明人：王树朋;刘阳兴 -专利权人：武汉TCL集团工业研究院有限公司
申请日： 2020-12-18 - 公布日： 2022-06-21 - 主分类号： G06V10/44 文献下载
摘要：本申请适用于卷积处理的技术领域，提供了一种多尺度卷积的方法、装置、终端设备及存储介质，方法包括：将待处理矩阵按预设通道输入卷积神经网络，卷积神经网络包括与预设通道对应的卷积组；通过卷积组对待处理矩阵进行多尺度卷积计算上述方案，通过多个组卷积提高卷积神经网络对待处理矩阵多尺度特征的提取能力。无需额外增加不同尺度的卷积层，故可以在不增加计算量的前提下，提高模型处理效果。
尺度卷积方法装置终端设备存储介质

[发明专利]卷积神经网络的处理方法、装置、设备及存储介质-CN201811152140.5有效
发明人：姚佳宝 -专利权人：杭州海康威视数字技术股份有限公司
申请日： 2018-09-29 - 公布日： 2022-08-02 - 主分类号： H04N19/176 文献下载
摘要：本发明是关于一种卷积神经网络的处理方法及装置，属于视频编解码技术领域。所述方法包括：对初始卷积神经网络进行训练，得到第一卷积神经网络；对所述第一卷积神经网络进行裁剪处理，得到第二卷积神经网络；基于所述第二卷积神经网络，确定目标卷积神经网络，所述目标卷积神经网络用于视频的编解码本发明可以解决目前的卷积神经网络进行卷积运算时，运算效率较低的问题。
卷积神经网络处理方法装置设备存储介质

[发明专利]卷积神经网络加速器-CN202110741346.7有效
发明人：陈浩敏;郭晓斌;于力;席禹 -专利权人：南方电网数字电网研究院有限公司
申请日： 2021-06-30 - 公布日： 2023-03-24 - 主分类号： G06N3/0464 文献下载
摘要：本申请提供一种卷积神经网络加速器，卷积加速模块的并行输出通道数与池化加速模块的并行输入通道数相等，实现卷积神经网络加速器针对卷积层和池化层的层间流水化运算，以及通过设计卷积加速模块的5个单元，实现了卷积神经网络加速器对卷积层的5层流水化运算，提高卷积神经网络加速器对卷积神经网络的运算速度。
卷积神经网络加速器

[发明专利]一种在FPGA上运行卷积神经网络的方法和装置-CN201910075397.3有效
发明人：陈海波 -专利权人：深兰人工智能芯片研究院（江苏）有限公司
申请日： 2019-01-25 - 公布日： 2021-09-24 - 主分类号： G06N3/04 文献下载
摘要：本发明提供一种在FPGA上运行卷积神经网络的方法和装置，用于解决现有技术中在FPGA上运行卷积神经网络时，存在实施步骤繁琐、时间成本高的问题。方法包括：上位机根据预设的量化位宽计算对卷积神经网络模型的每个卷积层的各个计算参数进行量化的压缩尺度；根据每个卷积层对应的压缩尺度，确定出FPGA在执行该卷积层的运算时，该FPGA对该卷积层进行卷积计算所使用的卷积核权重Wf、对该卷积层的卷积计算结果进行移位操作的移位尺度参数scalef以及对该卷积层的移位计算结果进行偏置操作的偏置Bias/base:Sub>写入该FPGA，以使该FPGA在运行该卷积神经网络模型时，基于每个卷积层对应的Wf、scalef以及Biasf执行该卷积层的运算。
一种 fpga 运行卷积神经网络方法装置

[发明专利]低剂量CT图像去噪网络的训练方法及系统-CN201911249569.0有效
发明人：胡战利;梁栋;黄振兴;杨永峰;刘新;郑海荣 -专利权人：深圳先进技术研究院
申请日： 2019-12-09 - 公布日： 2023-09-15 - 主分类号： G06T5/00 文献下载
摘要：本发明提供了一种低剂量CT图像去噪网络的训练方法，包括步骤：获取训练数据集；建立低剂量CT图像去噪网络，低剂量CT图像去噪网络包括依次连接的第一卷积层、卷积模块、第一融合层以及第二卷积层，第一融合层用于对卷积模块的输入信号和卷积模块的输出信号进行融合，卷积模块包括至少一个卷积网络，至少一个卷积网络依次连接，每一个卷积网络包括依次连接的通道层、第三卷积层及第二融合层，通道层包括第一通道，第一通道包括第四卷积层和第一反卷积层，第四卷积层、第一反卷积层交替连接本发明的低剂量CT图像去噪网络的训练方法中通过将第四卷积层、第一反卷积层交替连接，可以避免信息缺失。
剂量 ct 图像网络训练方法系统

[发明专利]一种用于卷积神经网络处理器的控制方法及装置-CN201810685538.9在审
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： 2018-06-28 - 公布日： 2018-11-23 - 主分类号： G06N3/04 文献下载
摘要：本发明提供一种控制方法，包括：1)确定需要执行的卷积运算的尺寸n*n；2)根据需要执行的卷积运算的尺寸n*n，选择在m²个3*3的卷积计算单元中载入与所述尺寸对应的卷积核的数值，并将其余的各个数值填充为0，3m≥n；3)根据需要执行的卷积运算的尺寸、需要执行卷积的输入特征图的尺寸，确定卷积计算过程所需的周期数；4)在卷积计算过程中的各个周期，将相应的输入特征图的数值载入到所述m²个3*3的卷积计算单元中，所述输入特征图的数值在所述m²个3*3的卷积计算单元中的分布与所述卷积核的数值在所述m²个3*3的卷积计算单元中的分布保持一致；控制载入了卷积核以及输入特征图的数值的所述m²个3*3的卷积计算单元分别执行与所述周期数对应的卷积计算。
卷积计算单元输入特征卷积计算卷积运算卷积核载入周期数卷积神经网络处理器卷积填充

[发明专利]一种针对卷积神经网络处理器的控制方法及装置-CN201810685989.2在审
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： 2018-06-28 - 公布日： 2018-11-23 - 主分类号： G06N3/063 文献下载
摘要：本发明提供一种控制方法，包括：1)确定需要执行的卷积运算的尺寸n*n；2)根据需要执行的卷积运算的尺寸n*n，选择在m²个7*7的卷积计算单元中载入与所述尺寸对应的卷积核的数值，并将其余的各个数值填充为0，7m≥n；3)根据需要执行的卷积运算的尺寸、需要执行卷积的输入特征图的尺寸，确定卷积计算过程所需的周期数；4)在卷积计算过程中的各个周期，将相应的输入特征图的数值载入到所述m²个7*7的卷积计算单元中，所述输入特征图的数值在所述m²个7*7的卷积计算单元中的分布与所述卷积核的数值在所述m²个7*7的卷积计算单元中的分布保持一致；控制载入了卷积核以及输入特征图的数值的所述m²个7*7的卷积计算单元分别执行与所述周期数对应的卷积计算。
卷积计算单元输入特征卷积计算卷积运算卷积核载入周期数卷积神经网络处理器卷积填充

[发明专利]一种卷积神经网络训练、测试方法及训练、测试装置-CN201711386149.8在审
发明人：贾书军;程帅;袁淮;刘威 -专利权人：东软集团股份有限公司;东软睿驰汽车技术（上海）有限公司
申请日： 2017-12-20 - 公布日： 2018-04-06 - 主分类号： G06N3/04 文献下载
摘要：本发明公开一种卷积神经网络训练、测试方法及训练、测试装置。该训练方法在第一步初始化各个卷积核时，按照掩码数组和神经网络结构初始化各个卷积核，并且在第五步获得更新卷积核时，也是按照掩码数组和神经网络结构对初始化卷积核进行更新。由于初始化卷积核和更新卷积核均是利用掩码数组进行掩码之后获得的，即初始化卷积核和更新卷积核中的元素有一部分掩码为0。因此，最终获得的卷积神经网络模型中的卷积核数据的存储量得以减少。训练获得的卷积神经网络模型的存储量得以减少。而利用训练之后获得的卷积神经网络模型进行计算时，由于参与计算的卷积核数据的数据量得以减少，利用该卷积神经网络模型进行计算的计算量也得以减少。
一种卷积神经网络训练测试方法装置

[发明专利]一种预测油田中剩余油饱和度分布的方法和装置-CN202010288160.6在审
发明人：吴君达;李治平;王孔杰;王链;张亮;杨森;孙妍;高子康;滕沛志 -专利权人：中国地质大学（北京）
申请日： 2020-04-14 - 公布日： 2020-08-11 - 主分类号： G06Q10/04 文献下载
摘要：该方法包括：将待预测注采参数输入进训练好的卷积‑转置卷积神经网络模型中，获取剩余油饱和度分布图。训练好的卷积‑转置卷积神经网络模型的获取方法包括：构建卷积‑转置卷积神经网络模型；训练卷积‑转置卷积神经网络模型，获得第一卷积‑转置卷积神经网络模型；获取第一预测剩余油饱和度分布图；获得训练好的卷积‑转置卷积神经网络模型本发明将注采参数输入进训练好的卷积‑转置卷积神经网络模型中，利用模型中的转置卷积层将注采参数反向恢复为包含有油田中剩余油饱和度分布信息的剩余油饱和度分布图，实现了对油田中剩余油饱和度分布的预测。
一种预测油田剩余饱和度分布方法装置

[发明专利]一种混合高低阶图卷积传播系统-CN201910705353.4在审
发明人：雷方元;刘勋;戴青云;蔡君 -专利权人：广东技术师范大学
申请日： 2019-08-01 - 公布日： 2020-01-10 - 主分类号： G06T5/50 文献下载
摘要：本发明涉及一种混合高低阶图卷积传播系统，其特征在于包括输入层，与输入层相连的图卷积池化层，以及与图卷积池化层相连的采用softmax函数进行多分类输出的输出层；所述图卷积池化层至少为两个，并且图卷积池化层之间依次相连；所述图卷积池化层由图卷积层和与图卷积层相连的信息融合池化层构成，所述输入层与其相连的图卷积池化层中图卷积层相连，而后连接于输入层的图卷积池化层中的信息融合池化层与下一个相邻的图卷积池化层中的图卷积层相连；与经典的一阶图卷积和其他高阶图卷积方法相比，本系统的信息融合池化层实现了对应空间位置节点的信息融合，保留了网络的空间信息，进而实现了最高的精度，而且也保证了最好的稳定性。
池化信息融合输入层积层传播系统空间位置空间信息依次相连输出层高阶一阶输出分类保留保证网络