“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]一种基于生成式对抗网络的桥梁裂缝图像生成模型-CN201810182146.0有效
发明人：李良福;胡敏 -专利权人：陕西师范大学
申请日： 2018-03-06 - 公布日： 2022-09-09 - 主分类号： G06N3/04 文献下载
摘要：本发明涉及一种基于生成式对抗网络的桥梁裂缝图像生成模型，包括判别子模型和生成子模型，所述判别子模型采用六层卷积层，且顺次的第一至第五层卷积层每层卷积层均采用大小为5*5的卷积核，第六层卷积层采用大小为1*1的卷积核；所述桥梁裂缝生成模型的生成子模型包括五层反卷积层，且每层卷积层均采用大小为5*5的卷积核。本发明使用多重卷积核在实施卷积操作时，避免了卷积核过小图片的整体信息缺乏连续性的情况和卷积核过大造成图片细节大量丢失这一问题，将各通道学习到的特征进行融合，可以改善各个特征图之间信息不联系的问题，同时，
一种基于生成对抗网络桥梁裂缝图像模型

[发明专利]一种基于图和格子的卷积方法-CN202110339151.X有效
发明人：郭子健;徐乐;孟朝晖 -专利权人：河海大学
申请日： 2021-03-30 - 公布日： 2023-08-04 - 主分类号： G06V10/62 文献下载
摘要：本发明公开了一种基于图和格子的卷积方法，具体包括如下步骤：S1：将若干个特征图转换成格子结构来保存特征；S2：根据基于图的卷积核结构设置卷积核参数；S3：用完成参数设置的卷积核对格子进行卷积操作，并且可以根据需求进行三种不同模式的卷积操作本发明的新定义的特征图结构和卷积核结构在保证高运算效率以及低内存占有率的情况下保证了卷积效率，卷积过程并非使用传统平面卷积进行卷积，而是通过一种三维新式结构的卷积核对新式特征图结构进行卷积，并且存储特征的节点块还保留了其原始位置信息
一种基于格子卷积方法

[发明专利]一种图像处理方法、装置、电子设备及存储介质-CN201911216264.X有效
发明人：张国和;梁峰;田志超 -专利权人：西安交通大学深圳研究院
申请日： 2019-12-02 - 公布日： 2023-09-12 - 主分类号： G06T1/00 文献下载
摘要：本申请提供了一种图像处理方法、装置、电子设备及存储介质，所述方法包括：将待处理图像输入预先训练得到的卷积网络模型；通过卷积网络模型对待处理图像进行处理；输出待处理图像的处理结果；其中，卷积网络模型包括：具有线性相位约束的卷积网络模块；卷积网络模块包括深度卷积网络层和线性相位逐点卷积网络层，深度卷积网络层采用尺寸为3*3的卷积核，线性相位逐点卷积网络层采用尺寸为1*1的线性相位逐点卷积核，线性相位逐点卷积核的权值在深度方向上对称或者反对称本申请基于具有通道数缩减功能的卷积网络模型对图像进行处理，能有效降低图像处理过程中的参数量，降低图像处理的复杂度和图像处理设备的计算量。
一种图像处理方法装置电子设备存储介质

[发明专利]一种卷积加速运算方法、装置、电子设备及存储介质-CN202210995284.7有效
发明人：肖玮;张亚林;王效文 -专利权人：上海燧原科技有限公司
申请日： 2022-08-18 - 公布日： 2023-09-22 - 主分类号： G06F17/15 文献下载
摘要：本发明公开了一种卷积加速运算方法、装置、电子设备及存储介质，包括：将目标卷积运算对应的输入特征图数据以及卷积核数据加载至高级缓存区中；目标卷积运算对应的膨胀率为2；将高级缓存区中的各数据逐级搬运至低级缓存区；将低级缓存区中的各数据搬运至计算单元，通过计算单元根据各输入特征图数据以及卷积核数据，将目标卷积运算拆分为多个一维卷积运算，以及至少一个二维卷积运算；通过计算单元确定各一维卷积运算对应的第一运算结果，以及二维卷积运算对应的第二运算结果，并根据各第一运算结果以及第二运算结果，确定与目标卷积运算对应的目标结果。本发明实施例的技术方案可以减少卷积运算的耗时，提高卷积运算的效率。
一种卷积加速运算方法装置电子设备存储介质

[发明专利]卷积神经网络定点化优化的方法及系统-CN201810206021.7在审
发明人：王琴;柳泽辰;蒋剑飞;绳伟光;景乃锋 -专利权人：上海交通大学
申请日： 2018-03-13 - 公布日： 2018-09-21 - 主分类号： G06N3/04 文献下载
摘要：本发明提供了一种卷积神经网络定点化优化的方法及系统，包括：量化步骤：将预训练过的卷积神经网络进行量化，将卷积神经网络的输入量化为N bits的定点数，将卷积核中的参数量化为预设集合中的数，选择与所述预设集合中欧式距离最近的数进行量化；训练步骤：控制卷积层参数不变，训练量化后的卷积神经网络；卷积运算步骤：将经过训练的卷积神经网络输入卷积器，所述卷积器的输入为n个N bits的定点数以及n个4bits的卷积核参数，经过位移器输入n输入树形级联加法器，所述n为卷积核的数量。
卷积神经网络卷积核量化定点数卷积器预设集合参数量化卷积运算欧式距离输入量化训练步骤预测结果运算效率准确度加法器位移器功耗级联卷积优化保证

[发明专利]低剂量CT图像处理方法、装置和计算机设备-CN202010129313.2在审
发明人：盛斌;戴超;贺加原 -专利权人：上海志唐健康科技有限公司
申请日： 2020-02-28 - 公布日： 2020-06-23 - 主分类号： G06T7/00 文献下载
摘要：所述方法包括：获取低剂量CT图像，以及预先训练的目标提取模型；目标提取模型包括卷积链以及反卷积链；分别确定每个噪声去除卷积层在卷积链中的排列顺序，以及每个反卷积层在反卷积链中的排列顺序；将排列顺序相同的噪声去除卷积层与反卷积层确定为一对关联层；基于卷积链提取低剂量CT图像中的图像特征，得到每个噪声去除卷积层所对应的特征图像；基于关联层关系，将特征图像分别输入对应的反卷积层，以使反卷积层根据特征图像提取出低剂量CT图像中的目标器官。
剂量 ct 图像处理方法装置计算机设备

[发明专利]一种深度可分离卷积的量化方法、装置、设备及介质-CN202010387381.9在审
发明人：高岩;郝虹;金长新 -专利权人：济南浪潮高新科技投资发展有限公司
申请日： 2020-05-09 - 公布日： 2020-08-28 - 主分类号： G06N3/04 文献下载
摘要：本申请公开了一种深度可分离卷积的量化方法、装置、设备及介质，包括：根据深度卷积层输入特征图的最大值，确定出所述深度卷积层输入特征图对应的第一量化因子，并根据所述深度卷积层输入特征图与所述第一量化因子，确定出第一结果；根据深度卷积层卷积核绝对值的最大值，确定出所述深度卷积层卷积核对应的第二量化因子，并根据所述深度卷积层卷积核与所述第二量化因子，确定出第二结果；将所述第一结果与所述第二结果进行深度卷积，确定出第三结果；根据预先确定的深度卷积层每个通道对应的量化系数，并将所述第三结果量化为预先设定的第一格式数据。
一种深度可分离卷积量化方法装置设备介质

[发明专利]应用于卷积神经网络的卷积处理方法、系统及相关组件-CN201910963711.1在审
发明人：金良;范宝余;郭振华 -专利权人：浪潮电子信息产业股份有限公司
申请日： 2019-10-11 - 公布日： 2020-02-14 - 主分类号： G06N3/08 文献下载
摘要：本申请公开了一种应用于卷积神经网络的卷积处理方法，包括：获取目标操作对象；所述目标操作对象具体为输入特征；对所述目标操作对象进行边窗卷积计算，得到多个方向的计算结果；对所述多个方向的计算结果进行交叉熵的最优化处理，得到所述目标操作对象的卷积结果。本发明解决了原有卷积神经网络中以卷积核为中心点做卷积操作时带来的性能损失，通过综合分析多个方向上的边窗卷积操作，提高了卷积操作获取数据更泛化特征的能力，以此提高了卷积神经网络的性能。相应的，本申请还公开了一种应用于卷积神经网络的卷积处理系统、装置及可读存储介质。
卷积神经网络卷积目标操作对象卷积处理边窗可读存储介质操作对象获取目标获取数据卷积计算输入特征性能损失交叉熵卷积核中心点最优化综合分析申请应用

[发明专利]卷积神经网络模型的压缩方法及装置-CN202110402597.2在审
发明人：赵荣臻;吴臻志;张启坤 -专利权人：北京灵汐科技有限公司
申请日： 2021-04-14 - 公布日： 2021-06-18 - 主分类号： G06N3/08 文献下载
摘要：本公开提供了一种卷积神经网络模型的压缩方法，卷积神经网络模型包括至少一个卷积层，卷积层包括多个卷积核，多个卷积核被划分为多个卷积核单元，每个卷积核单元包括至少两个卷积核；卷积核单元被划分为多个切片单元，切片单元包括至少两个切片组，切片组包括对应的卷积核的至少一个切片。该压缩方法包括：获取每个切片单元对应的目标掩码信息；利用目标掩码信息对对应切片单元的每个切片组进行稀疏化处理，以得到压缩后的卷积神经网络模型。
卷积神经网络模型压缩方法装置

[发明专利]数据处理方法、装置、芯片、电子设备和介质-CN202210760903.4在审
发明人：鲍光普;洪磊;李敏丽 -专利权人：瀚博半导体（上海）有限公司
申请日： 2022-06-29 - 公布日： 2022-09-06 - 主分类号： G06V10/42 文献下载
摘要：实现方案为：获取输入特征图；获取第一卷积核，第一卷积核包括多个元素；将第一卷积核拆分为多个第二卷积核，多个第二卷积核与多个元素一一对应；将多个第二卷积核存储至存储器；获取第一卷积核的用于空洞卷积计算的空洞卷积信息，空洞卷积信息包括扩张率和预设步长；以及基于扩张率、预设步长和多个第二卷积核对输入特征图进行空洞卷积计算。
数据处理方法装置芯片电子设备介质

[发明专利]一种通用卷积运算装置-CN202210312193.9在审
发明人：龙腾;李宗凌;赵保军;唐林波;瓢正泉;李震 -专利权人：北京理工大学
申请日： 2022-03-28 - 公布日： 2022-07-05 - 主分类号： G06N3/063 文献下载
摘要：本公开通用卷积运算装置，包括运算参数接收及解析模块、图像数据和权重参数接收及解析模块、状态控制模块、第一数据参数控制模块、第二数据参数控制模块、第三数据参数控制模块、卷积运算模块、存储器模块、卷积结果处理模块和处理结果输出模块通过各模块采用全并行流水处理架构进行设计，通过卷积层数、卷积运算精度、卷积运算方式、卷积运算次数、特征图数据处理方法等工作参数实现卷积运算模块的工作流程控制，满足当前主流的卷积神经网络的卷积运算的需求；简化计算架构，提高计算效率和设计效率，通用化程度高、灵活型好、能效比高，能够并行完成多个多种卷积核大小的卷积运算，具备良好的扩展性和裁剪性。
一种通用卷积运算装置

[发明专利]一种基于3D卷积神经网络的肺结节检测装置的建立方法-CN201810092248.3有效
发明人：吴健;陆逸飞;林志文;应兴德;余柏翰;陈为;叶德仕;吴福理;吕卫国;郝鹏翼;吴朝晖 -专利权人：浙江大学
申请日： 2018-01-30 - 公布日： 2020-09-18 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种基于3D卷积神经网络的肺结节检测装置的建立方法，包括：建立训练样本；建立肺结节检测网络：所述肺结节分割网络包括依次连接的卷积单元、64*64*64(32)残差卷积单元A、32*32*32(64)残差卷积单元B、16*16*16(64)残差卷积单元C、8*8*8(64)残差卷积单元D、16*16*16(64)残差卷积单元E，残差卷积单元E的输出特征图与残差卷积单元C输出特征图按照通道拼接后输入至残差卷积单元F，残差卷积单元F输出特征图与残差卷积单元B输出特征图按照通道拼接后，输入至RPN网络以实现对输入图的肺结节检测；训练肺结节检测网络，获得肺结节检测装置。
一种基于卷积神经网络结节检测装置建立方法

[发明专利]一种基于winograd动态卷积块的图像处理方法-CN202011140346.3有效
发明人：张兴军;纪泽宇;魏嘉;闫玮;魏正;李靖波;高柏松 -专利权人：西安交通大学
申请日： 2020-10-22 - 公布日： 2023-09-19 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种基于winograd动态卷积块的图像处理方法，属于卷积网络领域。本发明利用中国剩余定理算法生成winograd快速卷积方法的计算复杂度函数，计算复杂度函数将卷积神经网络模型中每一层的卷积参数作为常量引入，得到变量为winograd卷积块尺寸的计算复杂度模型；基于所述计算复杂度模型最小化计算开销；根据最小化计算开销得到的卷积块尺寸，完成相应层数的winograd快速卷积计算；抽取图片的特征并将其送入卷积神经网络进行分类处理；本发明解决winograd算法在通用计算平台上单一卷积块效率不平衡导致的卷积性能下降问题，本发明的图像处理方法能够加速处理器计算卷积神经网络的计算。
一种基于 winograd 动态卷积图像处理方法

[发明专利]神经网络结构搜索的方法、装置与系统-CN202010571958.1在审
发明人：陈加忠;王晟;王恒铭 -专利权人：华为技术有限公司
申请日： 2020-06-22 - 公布日： 2022-01-07 - 主分类号： G06N3/04 文献下载
摘要：本申请涉及人工智能领域，具体涉及计算机视觉领域，提供一种神经网络结构搜索的方法、装置与系统，该方法包括：确定卷积神经网络中各个卷积层的通道数，其中，第一卷积层的通道数与第二卷积层的通道数成比例；根据各个卷积层的通道数构建卷积神经网络的搜索空间；根据卷积神经网络的搜索空间，搜索卷积神经网络的神经网络结构。通过对卷积层的通道数设置比例约束，可以减小通道数的组合总数，从而减小卷积神经网络的搜索空间，因此减小卷积神经网络搜索的计算量。
神经网络结构搜索方法装置系统

[发明专利]用于训练尺度等变卷积神经网络的设备和方法-CN202111043170.4在审
发明人： I·索斯诺维克;A·斯摩德斯;K·格劳 -专利权人：罗伯特·博世有限公司
申请日： 2021-09-07 - 公布日： 2022-03-25 - 主分类号： G06K9/62 文献下载
摘要：用于训练尺度等变卷积神经网络的设备和方法。用于训练尺度等变卷积神经网络（60）的计算机实现的方法（1），其中尺度等变卷积神经网络（60）被配置为确定表征尺度等变卷积神经网络（60）的输入图像（x）的分类的输出信号（y），进一步其中尺度等变卷积神经网络（60）包括卷积层，其中卷积层被配置为基于卷积层的多个可操纵滤波器和卷积输入来提供卷积输出，其中卷积输入基于输入图像（x），并且可操纵滤波器基于多个基础滤波器被确定，其中用于训练的方法包括训练多个基础滤波器
用于训练尺度卷积神经网络设备方法