“卷积神经网络”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942334个，建议您升级VIP下载更多相关专利

[发明专利]卷积神经网络-CN201880092386.X在审
发明人： M·福汀;J·P·斯特罗恩;S·塞列布里亚科夫 -专利权人：慧与发展有限责任合伙企业
申请日： 2018-04-30 - 公布日： 2020-11-20 - 主分类号： G06N3/04 文献下载
摘要：一种卷积神经网络系统，包括：卷积神经网络的第一部件，该第一部件包括初始处理器，该初始处理器被配置为处理输入数据集合，并且在卷积神经网络的第一部件中存储权重因子集合；以及卷积神经网络的第二部件，该第二部件包括主计算系统，该主计算系统被配置为处理从卷积神经网络的第一部件提供的导出数据集合。
卷积神经网络

[发明专利]卷积神经网络-CN201680082541.0有效
发明人： P·比吉奥伊;M·C·蒙特亚努;A·卡里曼;C·扎哈里亚;D·迪努 -专利权人：快图有限公司
申请日： 2016-12-19 - 公布日： 2022-01-21 - 主分类号： G06N3/06 文献下载
摘要：一种用于图像处理系统的卷积神经网络(CNN)，所述卷积神经网络包括图像缓存，所述图像缓存响应于读取从输入映射内的指定位置延伸的N×M像素块的请求，以在输出端口处提供N×M像素块。卷积引擎从所述输出端口读取像素块，将像素块与对应的权重集组合以得到乘积，并对所述乘积应用激活函数以得到输出像素值。控制器在处理输入映射之前向所述卷积引擎提供权重集，使所述卷积引擎通过递增像素的连续块的指定位置来扫描所述输入映射，并通过将输出像素值写入到所述图像缓存内的连续位置在所述图像缓存内生成输出映射。
卷积神经网络

[发明专利]卷积神经网络-CN201680078824.8有效
发明人： E·G·内斯特勒尔;M·M·欧斯奎;J·G·伯恩斯坦 -专利权人：美国亚德诺半导体公司
申请日： 2016-12-15 - 公布日： 2023-07-18 - 主分类号： G06N3/0464 文献下载
摘要：本文公开了实现更有效和更少资源密集的CNN的系统和方法。具体而言，公开了使用采样模拟技术(SAT)方法在CNN在模拟领域中的应用。与具有数字逻辑和存储器的CNN设计相比，在SAT中使用CNN设计可降低功耗和运行速度。带有SAT的CNN设计的低功耗使传感器设备能够以非常低的功率检测功能，以实现隔离操作。
卷积神经网络

[发明专利]一种基于通道数搜索卷积神经网络的方法-CN201911282344.5在审
发明人：朱徽;徐勇军;赵二虎;程坦;安竹林 -专利权人：中国科学院计算技术研究所
申请日： 2019-12-13 - 公布日： 2020-04-10 - 主分类号： G06N3/04 文献下载
摘要：本发明提供一种基于通道数搜索卷积神经网络的方法，包括：构建与待优化卷积神经网络的卷积层层数相同的初始卷积神经网络，并将该初始卷积神经网络每层的初始通道数设为相同数值并使初始卷积神经网络的初始通道数不超过待优化卷积神经网络的最小通道数，训练该初始卷积神经网络至收敛；对初始卷积神经网络进行多次突变以得到多个突变卷积神经网络，其中，单次突变是从预设的增量函数中随机选择一个增量函数对该次突变中的卷积神经网络的卷积层通道数进行增量变换后训练至收敛得到一个突变卷积神经网络；从多个突变卷积神经网络中选择图像分类准确率最高的突变卷积神经网络作为搜索结果。本发明可以从一个初始小规模网络，在控制网络参数量的同时迅速搜索产生性能较高的卷积神经网络，并大大减少训练消耗。
一种基于通道搜索卷积神经网络方法

[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]终端卷积神经网络的处理方法、装置、存储介质及处理器-CN201710670072.0在审
发明人：周文明;王志鹏 -专利权人：珠海习悦信息技术有限公司
申请日： 2017-08-08 - 公布日： 2017-11-03 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种终端卷积神经网络的处理方法、装置、存储介质及处理器。其中，该方法包括对第一卷积神经网络进行拆分处理，得到第二卷积神经网络；向第二卷积神经网络中拆分的卷积层中添加残差分支，得到第三卷积神经网络；根据预设数据集对第三卷积神经网络进行训练，得到第四卷积神经网络；根据预设卷积通道稀疏度计算模型计算第四卷积神经网络中每层卷积核通道的稀疏度，进而根据稀疏度对第四卷积神经网络进行通道修剪，得到第五卷积神经网络；根据预设数据集对第五卷积神经网络进行训练，得到目标卷积神经网络；在终端上运行目标卷积神经网络。本发明解决了现有技术中的卷积神经网络在终端上运行时存在的运行效率较低的技术问题。
终端卷积神经网络处理方法装置存储介质处理器

[发明专利]卷积神经网络的生成方法及装置-CN201810055156.8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： 2018-01-19 - 公布日： 2021-09-21 - 主分类号： G06N3/04 文献下载
摘要：本发明是关于一种卷积神经网络的生成方法及装置，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，得到训练后的卷积神经网络；基于所述训练后的卷积神经网络确定待处理卷积神经网络；对所述待处理卷积神经网络中的至少一个目标卷积层执行张量分解操作以得到目标卷积神经网络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。
卷积神经网络生成方法装置

[发明专利]一种卷积神经网络硬件模块部署方法-CN201810539816.X在审
发明人：王子彤;姜凯;聂林川 -专利权人：济南浪潮高新科技投资发展有限公司
申请日： 2018-05-30 - 公布日： 2018-08-17 - 主分类号： G06N3/063 文献下载
摘要：本发明公开一种卷积神经网络硬件模块部署方法,涉及卷积神经网络实现领域；利用卷积神经网络的上层编译器根据目标硬件资源及卷积神经网络模型的数据体量，对卷积神经网络的实现形式进行模拟比较，权衡硬件资源与卷积神经网络速度的要求，确定卷积神经网络各个硬件模块的部署参数，划分各个硬件模块的数量及确定硬件模块间的连接方式，以实现卷积神经网络硬件模块部署。
卷积神经网络硬件模块部署连接方式目标硬件硬件资源编译器上层

[发明专利]一种基于联合学习的私有云算法模型生成方法-CN202110769541.0在审
发明人：刘英男;龙丕荣;张金涛;郁聪;肖钢 -专利权人：时代云英（深圳）科技有限公司
申请日： 2021-07-07 - 公布日： 2021-09-03 - 主分类号： G06F21/60 文献下载
摘要：本发明公开了一种基于联合学习的私有云算法模型生成方法，步骤一：在公有云中构建多通道结合的共享卷积神经网络模型；步骤二：私有云客户通过公有云中下载共享卷积神经网络模型；步骤三：通过私有云上的储存数据对初始卷积神经网络进行离线训练，得到个人端卷积神经网络模型；步骤四：将个人端卷积神经网络模型和共享卷积神经网络模型进行对比；当个人端卷积神经网络模型和共享卷积神经网络模型不同时；通过公有云中下载共享卷积神经网络模型，再根据私有云上的储存数据对初始卷积神经网络进行离线训练，得到充满个性化的个人端卷积神经网络模型，使得客户使用起来更加的得心应手，增加客户的体验感。
一种基于联合学习私有算法模型生成方法

[发明专利]一种基于空洞卷积循环神经网络的声音事件检测方法-CN202010483079.3有效
发明人：李艳雄;刘名乐;王武城;江钟杰;陈昊 -专利权人：华南理工大学
申请日： 2020-06-01 - 公布日： 2023-02-14 - 主分类号： G10L25/30 文献下载
摘要：本发明公开了一种基于空洞卷积循环神经网络的声音事件检测方法，步骤如下：提取各样本的对数梅尔谱特征；搭建空洞卷积循环神经网络，包括卷积神经网络、双向长短时记忆神经网络和Sigmoid输出层；采用从训练样本提取的对数梅尔谱特征作为输入，训练空洞卷积循环神经网络；采用已训练的空洞卷积循环神经网络辨识测试样本中的声音事件，得到声音事件检测结果。本方法将空洞卷积引入卷积神经网络并将卷积神经网络与循环神经网络进行优化组合，得到空洞卷积循环神经网络。与传统卷积神经网络相比，在网络参数集大小相同的情况下，空洞卷积循环神经网络具有更大的感受野，能更有效利用音频样本的上下文信息，获得更好的声音事件检测结果。
一种基于空洞卷积循环神经网络声音事件检测方法

[发明专利]一种面向微控制器的卷积神经网络部署和优化方法-CN202210653260.3有效
发明人：孙雁飞;王子牛;亓晋;许斌 -专利权人：南京邮电大学
申请日： 2022-06-10 - 公布日： 2022-09-23 - 主分类号： G06N3/04 文献下载
摘要：一种面向微控制器的卷积神经网络部署和优化方法，包含卷积神经网络模型的设计、卷积计算内存的优化以及卷积神经网络的部署三部分。卷积神经网络模型的设计基于神经网络架构搜索，搜索适用于微控制器计算量、参数量和内存需求小的卷积神经网络模型；对卷积神经网络中常用到的标准卷积、深度卷积和点卷积分别进行优化，减少卷积神经网络推理过程中的内存占用，使卷积神经网络可以运行在更多内存受限的微控制器上；提供一种运行在微控制器上的卷积神经网络从构建到应用的方法，提高了微控制器运行卷积神经网络模型的易用性和实用性。
一种面向控制器卷积神经网络部署优化方法

[发明专利]卷积神经网络处理方法、装置和电子系统-CN201911389067.8在审
发明人：李志远;李伯勋;俞刚 -专利权人：北京迈格威科技有限公司
申请日： 2019-12-27 - 公布日： 2020-04-28 - 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处理方法、装置和电子系统；其中，该方法包括：对第一卷积神经网络进行训练，基于训练后的第一卷积神经网络的参数初始化第二卷积神经网络的参数；对第二卷积神经网络进行训练；对训练后的第二卷积神经网络进行结构转换，以使转换后的第二卷积神经网络的结构与第一卷积神经网络的结构相同。该方式中，对第一卷积神经网络的卷积核进行了扩展得到第二卷积神经网络，可以提升网络训练过程中网络的表达能力；基于训练后的第一卷积神经网络的参数初始化第二卷积神经网络的参数，可以减少网络的训练时间；将第二卷积神经网络的结构转换为第一卷积神经网络的相同结构，在提升网络精度的同时不会影响网络运行的速度。
卷积神经网络处理方法装置电子系统

[发明专利]神经网络训练方法、图像检索方法及装置-CN202111555642.4在审
发明人：闫龙川;陈智雨;何永远;郭永和;彭元龙;张朝霞;牛佳宁 -专利权人：国家电网有限公司信息通信分公司
申请日： 2021-12-17 - 公布日： 2022-03-22 - 主分类号： G06V10/80 文献下载
摘要：本申请提供了一种神经网络训练方法、图像检索方法及装置，该训练方法通过预先设定的损失函数对第一浅层卷积神经网络、第一深层卷积神经网络、第二浅层卷积神经网络和第二深层卷积神经网络进行训练，使第一浅层卷积神经网络、第一深层卷积神经网络、第二浅层卷积神经网络和第二深层卷积神经网络学习到能提取与图像相似性相关的特征，在此基础上，使用浅层卷积神经网络和深层卷积神经网络提取不同类型的特征，并对特征进行融合，使融合后的特征能表征更加丰富的图像信息
神经网络训练方法图像检索装置

[发明专利]一种深度卷积神经网络轻量化方法-CN202211324640.9在审
发明人：詹伟达;姜靖恒;唐雁峰;徐小雨;郭金鑫 -专利权人：长春理工大学
申请日： 2022-10-27 - 公布日： 2023-01-10 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种深度卷积神经网络轻量化方法，涉及深度卷积神经网络领域。本发明包括以下步骤：构建第一深度卷积神经网络模型；对第一深度卷积神经网络模型进行剪枝操作，得到第二深度卷积神经网络模型；将第一深度卷积神经网络模型作为教师模型，将第二深度卷积神经网络模型作为学生模型，进行知识蒸馏操作，得到第三深度卷积神经网络模型；对第三深度卷积神经网络模型进行稀疏低秩分解，得到最终的网络模型。本发明解决了当前深度卷积神经网络模型冗杂的问题，大大降低模型大小并提升运行速度，同时本发明提出的方法实现过程简单，实现效率高。
一种深度卷积神经网络量化方法

[发明专利]一种基于卷积神经网络的图像深度估计方法-CN201710850577.5有效
发明人：李格;余翔宇 -专利权人：华南理工大学
申请日： 2017-09-20 - 公布日： 2020-02-18 - 主分类号： G06T7/50 文献下载
摘要：本发明公开了一种基于卷积神经网络的图像深度估计方法，包括以下步骤：搭建卷积‑反卷积对神经网络模型，所述卷积‑反卷积对神经网络模型包括多个不同的卷积层、多个卷积‑反卷积层对和激活层；选取训练集，并设置卷积‑反卷积对神经网络模型的训练参数；根据卷积‑反卷积对神经网络模型及其训练参数，以最小化损失函数为目标训练卷积‑反卷积对神经网络模型形成图像深度估计神经网络模型；将待处理的图像输入到图像深度估计神经网络模型利用本发明的基于卷积‑反卷积对神经网络的图像深度估计方法获得的深度图灰度值较精确，深度图层次感更强。
一种基于卷积神经网络图像深度估计方法

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 100000 条