“次卷积”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1267883个，建议您升级VIP下载更多相关专利

[发明专利]一种基于铭牌图像特征的秘钥生成方法-CN202010055362.6有效
发明人：魏建荣;莫国驹;刘访;黄庆铿 -专利权人：广东电网有限责任公司;广东电网有限责任公司东莞供电局
申请日： 2020-01-17 - 公布日： 2021-11-12 - 主分类号： H04N1/44 文献下载
摘要：本发明实施例公开了一种基于铭牌图像特征的秘钥生成系统的秘钥生成方法，所述方法包括：步骤100、接收初始铭牌图像，并根据初始铭牌图像的大小截取模板图像，保持初始铭牌图像与模板图像的大小相同；步骤200、划定初始铭牌图像的加密面积，将加密面积内的每个像素点的像素值自卷积加密；步骤300、将加密面积内自卷积加密后的每个像素点与模板图像上的像素点的像素值二次卷积加密；步骤400、生成的二次卷积加密后的加密图像作为加密铭牌图像，打印并粘贴在产品上使用。
一种基于铭牌图像特征生成方法

[发明专利]一种基于卷积神经网络的磁共振图像合成方法和装置-CN202010400409.8有效
发明人：王振常;尹红霞;任鹏玲;刘雅文;张婷婷;李明安;王昊 -专利权人：首都医科大学附属北京友谊医院
申请日： 2020-05-13 - 公布日： 2021-05-25 - 主分类号： G06T11/00 文献下载
摘要：本发明提供了一种基于卷积神经网络的磁共振图像合成方法和装置，涉及图像处理技术领域，通过一次扫描获得MDME序列磁共振扫描图像信息；对所述MDME序列磁共振扫描图像信息进行解析计算，获得模图图像信息；将所述模图图像信息输入U‑Net卷积神经网络模型，其中，所述U‑Net卷积神经网络模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：输入图像、标准参考图像；获得所述U‑Net卷积神经网络模型对所述模图图像信息回归处理的输出信息，其中，所述输出信息包括第一MRI图像，实现了由一次磁共振扫描图像信息同时合成多类型磁共振图像的技术功能，达到了增加生成图像类型、避开复杂物理计算、提高图像质量的技术效果。
一种基于卷积神经网络磁共振图像合成方法装置

[发明专利]基于自融合卷积神经网络的高光谱遥感影像超分辨率方法-CN201910676794.6有效
发明人：胡静;赵明华 -专利权人：西安理工大学
申请日： 2019-07-25 - 公布日： 2021-09-24 - 主分类号： G06T3/40 文献下载
摘要：本发明公开了一种基于自融合卷积神经网络的高光谱遥感影像超分辨率方法，首先设计包含有三个并行卷积过程的自融合卷积神经网络；依次对8幅高光谱遥感影像分别依次做归一化处理、2倍双三次下采样、2倍双三次上采样，然后对得到的8幅影像设计训练数据和训练标签；然后利用得到的训练数据和训练标签对自融合卷积神经网络进行训练，直至训练过程迭代结束，得到训练后网络；最后将待处理的低分辨率高光谱遥感影像作为测试数据输入训练好的网络
基于融合卷积神经网络光谱遥感影像分辨率方法

[发明专利]一种卷积神经网络训练方法以及车牌识别方法及装置-CN201910738128.0有效
发明人：彭晓帅;李文杰;班华忠;王正;崔凯;康毅 -专利权人：北京智芯原动科技有限公司
申请日： 2019-08-12 - 公布日： 2022-03-22 - 主分类号： G06V30/148 文献下载
摘要：本发明提供了一种卷积神经网络训练方法，该方法包括：将已标注目标信息的图像作为输入图像；采用SquashNet网络中的卷积层对输入图像进行处理；采用SquashNet网络中的SquashNet层对特征图进行处理；将经过SquashNet层的特征向量输入归一化层，对归一化后的结果采用卷积层或者SquashNet网络进行N4次的处理，将N4次处理后的特征向量连接到全连接层，采用损失函数计算训练样本与真实样本的损失函数值，并进行反向迭代直至模型收敛。还提供了一种基于卷积神经网络训练的车牌识别方法，与现有车牌识别技术相比，本发明基于SquashNet网络，网络结构简单，能较好的提取车牌图像的特征，解决低质量图像中的车牌识别问题。
一种卷积神经网络训练方法以及车牌识别装置

[发明专利]一种基于可变形卷积的输电塔销钉缺陷检测方法-CN202210125024.4有效
发明人：王文彬;辛建波;胡蕾;范瑞祥;卢源文 -专利权人：国网江西省电力有限公司电力科学研究院;国家电网有限公司;江西师范大学
申请日： 2022-02-10 - 公布日： 2022-06-14 - 主分类号： G06T7/00 文献下载
摘要：本发明涉及电气设备状态监测领域，特别涉及一种基于可变形卷积的输电塔销钉缺陷检测方法，其包含基于ResNet50与特征金字塔的目标初始检测网络、整流模块和基于可变形卷积的目标二次检测网络；引入ResNet50同时引入特征金字塔能更好地适应目标大小变化，且采用激活函数Sigmoid，在测试图像时，降低阈值，使得更多的目标感兴趣区域作为目标初始检测区域，降低目标的漏检情况；采用整流模块对目标初始检测区域进行图像矫正，并在四个卷积层的基础上引入可变形卷积，使得目标二次检测网络能适应销钉缺陷在不同视角中的形变，准确识别形变的目标，去除目标初始检测结果中的虚警。
一种基于变形卷积输电销钉缺陷检测方法

[发明专利]基于深度学习的静止卫星沙尘暴识别方法-CN202111577050.2有效
发明人：温建伟;张翔;刘辉;徐艳琴;杨鹏;刘泱;张新禹;杜宇;那庆;银笛 -专利权人：内蒙古自治区气象信息中心（内蒙古自治区农牧业经济信息中心）（内蒙古自治区气象档案馆）
申请日： 2021-12-22 - 公布日： 2023-07-18 - 主分类号： G06V20/13 文献下载
摘要：本发明公开了基于深度学习的静止卫星沙尘暴识别方法，包括：提取m*m区域的静止卫星所有波段的光谱值，通过RGB值对m*m格点进行标记,形成包含非沙尘数据集和沙尘数据集的训练集；使用深度学习方法CNN自动学习训练集特征，通过每次均经过卷积层处理和池化层处理的三次隐藏层卷积过程，最后使用全连接层将卷积结果输出为沙尘和非沙尘两类数据，最终形成CNN沙尘模型；选取一个出现沙尘时次，采用RGB值标记方法生成测试集；将测试数据集输入CNN沙尘模型形成沙尘预测数据。本发明采用卷积神经网络CNN深度学习,从而提取有效的通道，以及提取对应特征，减少了人为选定特征或通道的不确定性，并且不需要不断调试阈值。
基于深度学习静止卫星沙尘暴识别方法

[发明专利]基于特征融合的深度学习场景识别方法-CN201910459987.6有效
发明人：刘中涛;胡凡;王淦;李钊;王磊;葛平高;王建娟 -专利权人：国网山东省电力公司枣庄供电公司;山东亿云信息技术有限公司
申请日： 2019-05-30 - 公布日： 2023-01-24 - 主分类号： G06V10/774 文献下载
摘要：本发明涉及一种基于特征融合的深度学习场景识别方法，本发明利用深度卷积神经网络，首先选择VGG16模型第4个卷积模块的最后一个卷积操作输出的特征图F，然后对选择的特征图F依次进行1次卷积和2次线性变换操作
基于特征融合深度学习场景识别方法

[发明专利]一种基于目标检测的煤矿异物剔除方法-CN202010304313.1有效
发明人：丁发展;姜鹏 -专利权人：无锡雪浪数制科技有限公司
申请日： 2020-04-17 - 公布日： 2023-08-29 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种基于目标检测的煤矿异物剔除方法，涉及机器视觉技术领域，该方法以实时获取到的煤矿产线的图像为输入，利用异物分割卷积神经网络为全图进行异物区域检测定位输出异物热点图，然后根据异物热点图切片后输入异物分类卷积神经网络进行异物类型检测，两次检测完成后，将结果合成煤矿异物检测图谱为剔除提供引导信息，该方法可以对各级选煤生产线中的各类异物进行实时检测定位和精准识别分类，实现自动化的精确异物剔除，异物分割卷积神经网络和异物分类卷积神经网络专为煤矿异物场景定制，具有体量小、实时性强、检测精度高等特点，同时，经过二次筛检，极大地降低了误检率，异物剔除准确度很高。
一种基于目标检测煤矿异物剔除方法

[发明专利]收缩卷积编码的单步高速方法和装置-CN02145257.1无效
发明人：林争辉;林涛;范然然;肖世红 -专利权人：上海芯华微电子有限公司
申请日： 2002-11-13 - 公布日： 2003-05-07 - 主分类号： H04N7/015 文献下载
摘要：本发明涉及一种收缩卷积编码的单步高速方法和装置，包括多位地址产生器；编码表；编码表选择器。本发明是将收缩卷积编码过程中的卷积编码和具有不同码率的收缩编码整合成一个单一的步骤，并通过一次查表的方式来完成这一步骤，本发明的另一个特性是每一次查表可以决定多位(比特)输出。查表所用的表格称为编码表，是根据卷积编码的生成多项式和收缩编码的收缩矩阵来制定的，编码表储存于内容固定的只读存储器(ROM)或内容可随时装载的随机存储器(RAM)中，也可用逻辑门电路来实现。
收缩卷积编码高速方法装置

[发明专利]一种层次化深度图卷积网络的训练方法-CN202111102875.9在审
发明人：李舒;刘庆云;周舟;杨威;张宏飞;杨嵘;杜梅婕;李钊 -专利权人：中国科学院信息工程研究所
申请日： 2021-09-15 - 公布日： 2023-03-21 - 主分类号： G06N3/0464 文献下载
摘要：本发明公开了一种层次化深度图卷积网络的训练方法，其特征在于，包括如下步骤：1)将目标领域的图中的节点特征输入待训练的层次化深度图卷积网络；2)每次迭代训练时，计算邻接矩阵A的对称归一化邻接矩阵3)判断当前迭代次数k是否小于设定迭代次数K，若小于则进行步骤4)，否则结束训练；4)计算该层次化深度图卷积网络第k+1次迭代训练后输出的节点嵌入Zk+1，然后根据Zk+1计算该层次化深度图卷积网络第k+1次迭代训练后输出的各节点的类别predk+1；5)采用predk+1和节点真实标签的交叉熵作为损失函数，对该层次化深度图卷积网络的参数矩阵进行参数优化
一种层次深度图卷网络训练方法

[发明专利]卷积神经网络实现方法、装置、硬件加速器、存储介质-CN201810195606.3有效
发明人：江帆;单羿;钟华松 -专利权人：赛灵思电子科技（北京）有限公司
申请日： 2018-03-09 - 公布日： 2021-07-13 - 主分类号： G06N3/063 文献下载
摘要：本发明公开了一种卷积神经网络实现方法、装置、硬件加速器、存储介质。通过对输入数据存储方式进行调度，使得能够得到适于运算处理的输入数据。在一个实施例中，为第一次分组卷积计算的输出数据分配大于其总数据量的存储空间，将第一个分组的输出数据拷贝到后面的预留存储空间中，然后从新的地址开始执行第二次分组卷积计算，实现了两个分组数据之间的交互。在另一个实施例中，分配较大的存储空间，将前后两个卷积计算的输出数据连续存储到其中，简单地实现了两个输出数据的级联。由此，可以加速卷积神经网络计算。
卷积神经网络实现方法装置硬件加速器存储介质

[发明专利]一种面向多核图像处理卷积神经网络的数据读取方法-CN201910166534.4有效
发明人：刘明润 -专利权人：上海熠知电子科技有限公司
申请日： 2019-03-06 - 公布日： 2020-11-24 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种面向多核图像处理卷积神经网络的数据读取方法，包括：A)接收卷积计算参数，所述卷积计算参数包括图像尺寸、通道数、卷积核尺寸KxK、和/或步长；B)确定图像的每行数据切分的次数及最后一次剩余数据的长度，使得切分后的图像块每次产生M次卷积计算所需的数据；C)根据所确定的切分后的图像块宽度进行图像切分，对于图像块的第一通道，读入切分后的图像块的前K行数据，将其存入数据缓存单元中；D)读出数据缓存单元中存放的第一行图像数据，然后扩展前M次卷积计算内的所有第一个通道的第一行的数据，共产生M*K个数据；E)将数据缓存单元中存放的第二行至第K行的图像数据读出并扩展；F)对于第二通道至最后一个通道，重复步骤C)和步骤E)；G)数据读取单元回到第一通道并读入下一行的数据
一种面向多核图像处理卷积神经网络数据读取方法

[发明专利]一种基于神经网络的自然语言处理方法和电子设备-CN202010982596.5在审
发明人：黄海荣;李林峰;王靖宇 -专利权人：湖北亿咖通科技有限公司
申请日： 2020-09-17 - 公布日： 2020-12-11 - 主分类号： G06F40/35 文献下载
摘要：该自然语言处理方法主要通过引入反映输入语句的实际长度的输入语句的长度信息，在卷积计算中根据输入语句的长度信息执行相应次的字向量矩阵与卷积核之间的乘法运算，将现有技术的基于固定的预设句子长度的固定长度卷积转变为基于输入语句的实际长度的变长卷积
一种基于神经网络自然语言处理方法电子设备

[发明专利]用于神经网络模型全连接层的数据处理方法、可读介质和电子设备-CN202111370380.4在审
发明人：黄嘉胜;黄敦博;潘阿成 -专利权人：安谋科技（中国）有限公司
申请日： 2021-11-18 - 公布日： 2022-01-07 - 主分类号： G06N3/063 文献下载
摘要：本申请涉及人工智能领域，提供了一种用于神经网络模型全连接层的数据处理方法，通过将全连接层的N个待处理数据向量与权重矩阵的全连接运算转换成待卷积矩阵与卷积核的卷积运算，在卷积运算过程中，仅需要从存储器中获取1次权重矩阵W，就能处理N个待处理数据向量。其中，待卷积矩阵为由全连接层的待处理数据向量组成的矩阵，卷积核为由权重矩阵转换而成的矩阵。并且，转换成卷积运算的处理结果中的对应数据与全连接层的处理结果中的对应数据相同、排列顺序也相同，从而不仅能够减少权重系数的加载次数，对全连接层的下一层网络的运算也不产生影响，大大提高了数据处理效率。
用于神经网络模型连接数据处理方法可读介质电子设备

[发明专利]一种用于层析粒子图像测速重建粒子场的后处理方法-CN202211210392.5在审
发明人：杨华;张志远;尹周平 -专利权人：华中科技大学
申请日： 2022-09-30 - 公布日： 2023-01-03 - 主分类号： G06T17/00 文献下载
摘要：本发明公开了一种用于层析粒子图像测速重建粒子场的后处理方法，包括如下步骤：(1)获取待测流场的重建粒子场；(2)对重建粒子场进行第一次去卷积操作，得到第一预测粒子场；(3)根据第一预测粒子场和重建粒子场进行各向异性卷积核估计；(4)利用最新估计得到的各向异性卷积核对重建粒子场进行去卷积操作，得到第二预测粒子场；(5)根据第二预测粒子场和重建粒子场进行各向异性卷积核估计；(6)重复步骤(4)和(5)，直至满足迭代停止条件；(7)利用步骤(6)估计得到的各向异性卷积核对重建粒子场进行去卷积操作，得到修复粒子场。
一种用于层析粒子图像测速重建处理方法