“mcnn”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_专利查询网

首页在售求购查询申请展会资讯专利榜企服商城升级VIP

立即登录免费注册

在售专利
求购专利
查询专利
新闻资讯
技术展会
招商加盟
专利榜

本网专利代理业务由天津创信方达专利代理事务所(普通合伙)承接机构代码：12247 本网专利代理业务由天津创信方达专利代理事务所(普通合伙)承接机构代码：12247 本网专利代理业务由天津创信方达专利代理事务所(普通合伙)承接机构代码：12247

本网专利代理业务由天津创信方达专利代理事务所(普通合伙)承接机构代码：12247 本网专利代理业务由天津创信方达专利代理事务所(普通合伙)承接机构代码：12247 本网专利代理业务由天津创信方达专利代理事务所(普通合伙)承接机构代码：12247

专利名称

专利名称
专利号码
专利分类
申请人
公布日期

农业化学；冶金建筑机械工程区域搜索

主分类

B 作业；运输

C 化学；冶金

D 纺织；造纸

E 固定建筑物

F 机械工程、照明、加热

专利下载VIP

公布日期

2023-10-24 公布专利

2023-10-20 公布专利

2023-10-17 公布专利

2023-10-13 公布专利

2023-10-10 公布专利

2023-10-03 公布专利

2023-09-29 公布专利

2023-09-26 公布专利

2023-09-22 公布专利

2023-09-19 公布专利

专利权人

国家电网公司

华为技术有限公司

中兴通讯股份有限公司

三星电子株式会社

中国石油化工股份有限公司

鸿海精密工业股份有限公司

松下电器产业株式会社

上海交通大学

钻瓜专利网为您找到相关结果32个，建议您升级VIP下载更多相关专利

[发明专利]一种计算光刻的深度学习方法-CN201910484136.7有效
发明人：马旭;郑现强 -专利权人：北京理工大学
申请日： 2019-06-05 - 公布日： 2020-08-21 - 主分类号： G03F7/20 文献下载
摘要：首先展开梯度迭代算法并截取其前若干步，结合光刻系统成像模型和光刻胶模型，创建前向的基于模型驱动卷积神经网络MCNN，即编码器。创建与编码器相对应的解码器，将MCNN的输出与解码器的输入相连，将MCNN输入与解码器输出的某种距离作为代价函数，对MCNN参数进行训练。将训练集样本输入MCNN，优化MCNN中的各项参数，使得MCNN的输入与解码器的输出之间的误差最小化。训练完成后，将MCNN与解码器分离，使用MCNN即可获得其他电路版图对应的OPC掩模图形。
一种计算光刻深度学习方法

[发明专利]一种基于模型驱动卷积神经网络的计算光刻方法-CN201810311375.8有效
发明人：马旭;王志强 -专利权人：北京理工大学
申请日： 2018-04-09 - 公布日： 2020-08-11 - 主分类号： G03F1/36 文献下载
摘要：其技术方案包括：将梯度迭代算法进行展开和截断，构建基于模型驱动的卷积神经网络MCNN。基于光刻系统的成像模型构建与MCNN相对应的解码器。将MCNN与解码器首尾相连，对MCNN进行如下训练：采用反向传播算法优化MCNN中的各项参数，使得MCNN的输入数据与解码器的输出数据之间的误差最小化。训练结束后，将解码器与MCNN网络分离。将待优化的电路版图输入至训练后的MCNN，获得OPC掩模的估计结果。以OPC掩模估计结果为初始值，采用梯度迭代算法对掩模进行设定次数的迭代更新，获得最终的OPC掩模优化结果。
一种基于模型驱动卷积神经网络计算光刻方法

[发明专利]一种基于MCNN网络的多标签多任务人脸属性预测方法-CN202011092869.5有效
发明人：袁丽燕;瞿洪桂;孙家乐;高珊珊 -专利权人：北京中电兴发科技有限公司
申请日： 2020-10-13 - 公布日： 2023-07-25 - 主分类号： G06V40/16 文献下载
摘要：本发明涉及计算机视觉技术领域，公开了一种基于MCNN网络的多标签多任务人脸属性预测方法，包括采集人脸图像样本数据集；对人脸属性按照全局属性和局部属性进行分组，获得若干组人脸属性标签；根据人脸属性分组结果确定MCNN网络结构并构建MCNN网络模型；利用训练集和验证集分别对MCNN网络模型进行训练及验证，获得训练后的MCNN网络模型；将待预测属性的人脸图像输入至训练后的MCNN网络模型，获得待预测属性的人脸图像的人脸属性预测结果
一种基于 mcnn 网络标签任务属性预测方法

[发明专利]基于CNN低层语义特征密度图的人群密度估计方法-CN201811442427.1有效
发明人：纪庆革;陈航;包笛 -专利权人：中山大学
申请日： 2018-11-29 - 公布日： 2021-03-26 - 主分类号： G06K9/00 文献下载
摘要：本发明属于人群分析技术领域，为基于CNN低层语义特征密度图的人群密度估计方法，包括步骤：数据的预处理，根据原图像的行人位置生成密度图；对原图像和密度图进行切片；对原图像进行MCNN多分支特征提取，对各分支特征进行卷积、池化操作后，通过MCNN特征图融合器对各分支特征进行连接得到MCNN连接特征图，并对其进行卷积操作得到初始的MCNN密度图；对原图像进行卷积得到具有低层语义特征图；将低层语义特征图与MCNN多分支特征提取后各分支生成的特征图在通道数这一维度进行连接
基于 cnn 低层语义特征密度人群估计方法

[发明专利]一种基于轻量级双卷积神经网络的图像去噪方法-CN202310728361.7在审
发明人：黄成强;杨洁 -专利权人：遵义师范学院
申请日： 2023-06-19 - 公布日： 2023-09-29 - 主分类号： G06T5/00 文献下载
摘要：本方案公开了智能图像处理技术领域的一种基于轻量级双卷积神经网络的图像去噪方法，分别搭建了噪声掩模卷积神经网络(MCNN)和去噪卷积神经网络(DCNN)。MCNN旨在实现精确噪点标记，而DCNN旨在实现高性能去噪。采用“噪声图像‑噪声掩模”对数据集和“噪声图像‑干净图像”对数据集训练MCNN和DCNN。实验结果表明，MCNN标记的误判率分别比极点标记法、均值标记法和极值图像块标记法降低了77.79％、77.75％和30.60％。
一种基于轻量级卷积神经网络图像方法

[发明专利]一种基于AI技术的无人机影像亚毫米级超分重建方法-CN202111409296.9在审
发明人：字陈波;唐炉亮;郭有安;杨劲松;李洪波;李黎;廖贵能;余意;徐小坤;熊孝中;陈洋;王顺波;翟笠;赵家尧 -专利权人：华能澜沧江水电股份有限公司;武汉大学;华能集团技术创新中心有限公司
申请日： 2021-11-20 - 公布日： 2023-05-23 - 主分类号： G06T3/40 文献下载
摘要：该方法包括：无人机影像匀光与增强预处理，其目的是获取光照均匀输入影像；将预处理无人机影像采样到毫米数量级分辨率，并制作亚毫米级无人机影像数据集；以AI技术为基础，构建一种MCNN超分辨重建模型，该模型分别从全局‑局部对无人机影像进行超分辨率重建；将影像数据集输入已构建MCNN模型进行测试，获取最优超分辨率MCNN模型；利用已训练MCNN模型对低分辨无人机影像进行超分辨率重建，最终获取亚毫米级无人机影像。
一种基于 ai 技术无人机影像毫米级超分重建方法

[发明专利]一种基于短时单导联心电信号的房颤检测模型MCNN-BLSTM-CN202211198567.5在审
发明人：张宏坡;谷红壮;陈冠赫;刘明喆 -专利权人：郑州大学
申请日： 2022-09-29 - 公布日： 2023-03-07 - 主分类号： A61B5/346 文献下载
摘要：本发明提供了一种基于短时单导联心电信号的房颤检测模型MCNN‑BLSTM。本发明技术方案首先使用预处理模块对数据进行预处理，然后采用设计的MCNN模块根据变长心电信号的切片数量，动态设定相对应的分支数，更充分的提取短时心电信号中的特征信息，接着使用BLSTM模块进一步对每个分支学习到的特征信息进行加强本发明提出了一种融合多支路卷积神经网络(MCNN)和双向长短时记忆网络(BLSTM)的模型，即MCNN‑BLSTM，用以处理短时单导联心电记录中房颤检测存在的可靠性和准确性问题。
一种基于短时单导联心电信号房颤检测模型 mcnn blstm

[发明专利]一种基于注意力MCNN结合性别信息的语音情感识别方法-CN202310316267.0在审
发明人：胡章芳;令狐克欢;余弘玲 -专利权人：重庆邮电大学
申请日： 2023-03-28 - 公布日： 2023-07-18 - 主分类号： G10L25/63 文献下载
摘要：本发明请求保护一种基于注意力MCNN结合性别信息的语音情感识别方法，该方法包括步骤：S1，将语音信号经过预处理后得到三维动态梅尔频率倒谱系数作为性别识别网络输入；S2，利用MCNN进行性别识别并将语音信号分为男性和女性；S3，基于性别分类的输出，从男性和女性语音信号中提取三维动态MFCC特征输入作为情感识别模型输入，为了关注通道和空间位置信息并解决长期依赖的问题，引入协调注意力机制到原本的MCNN模型中建立语音情感识别模型
一种基于注意力 mcnn 结合性别信息语音情感识别方法

[发明专利]一种列车车轮踏面故障诊断方法-CN202310184018.0在审
发明人：毕楷林;廖爱华;胡定玉;师蔚 -专利权人：上海工程技术大学
申请日： 2023-02-28 - 公布日： 2023-05-05 - 主分类号： G01M17/013 文献下载
摘要：计算源域和目标域MMD特征差异损失、源域样本的分类损失；S3：计算损失和，并反向传播以更新模型参数；S4：反复迭代步骤S2～S3，直至损失小于约定损失值，或迭代次数达到要求次数，训练结束，得到训练好的TFECA‑MCNN故障诊断模型；S5：将测试集数据输入到训练好的TFECA‑MCNN模型中，验证模型的有效性，并根据训练好的TFECA‑MCNN模型，输出故障诊断结果。
一种列车车轮故障诊断方法

[发明专利]使用卷积生成对抗网络进行波形合成的谱图-CN201910419461.5有效
发明人：塞尔坎·安瑞克;俊熙雄;埃里克·昂德桑德;格雷戈里·迪莫斯 -专利权人：百度（美国）有限责任公司
申请日： 2019-05-20 - 公布日： 2023-01-13 - 主分类号： G06F18/25 文献下载
摘要：还公开了从谱图进行波形合成的多头卷积神经网络(MCNN)实施方式。与常用的诸如Griffin‑Lim的迭代算法相比，MCNN实施方式能够显著更好地利用现代多核处理器，并且MCNN实施方式能够产生非常快速(比实时快超过300倍)的波形合成。
使用卷积生成对抗网络进行波形合成

[发明专利]一种基于多源传感器数据的林地精细识别的多通道卷积网络方法-CN202010566365.6有效
发明人：李伟;张蒙蒙;陶然 -专利权人：北京理工大学
申请日： 2020-06-19 - 公布日： 2022-10-25 - 主分类号： G06V20/13 文献下载
摘要：首先通过逐波段归一化的方法对多源数据进行量纲归一化的操作，处理后的数据进行1D和2D图像块的切割；将高光谱的1D和2D图像块分批置入特定的HSI网络结构,充分训练并保存此部分的权重参数；将保存的参数导入MCNN网络中高光谱特征提取的分支中，训练完成后保存整体MCNN的权重参数；使用时将被测试的图像分为1D和2D图像块，输入训练完成后的MCNN网络，得到最终的类别划分。
一种基于传感器数据林地精细识别通道卷积网络方法

[发明专利]一种适用于多尺寸图片信息的病害图像识别方法-CN201710102807.X有效
发明人：李瑞;谢成军;余健;张洁;陈天娇;陈红波;许桃胜;宿宁;王儒敬;宋良图 -专利权人：中国科学院合肥物质科学研究院
申请日： 2017-02-24 - 公布日： 2019-06-07 - 主分类号： G06T7/00 文献下载
摘要：本发明包括以下步骤：对训练图像进行收集和预处理；构造并训练MCNN网络模型；对待测图像进行收集和预处理，利用采集设备拍摄待识别的病害图像，并对待测的病害图像进行直方图均衡化，得到测试样本；将测试样本输入经过训练后的MCNN网络模型中，进行病害图像的自动识别。
一种适用于尺寸图片信息病害图像识别方法

[发明专利]一种基于情感分析的学生在线学习评估方法及系统-CN202310611516.9在审
发明人：吴建城;于礼亮 -专利权人：重庆三峡医药高等专科学校
申请日： 2023-05-26 - 公布日： 2023-08-22 - 主分类号： G06Q10/0639 文献下载
摘要：获取评论信息；对评论信息进行预处理；采用训练好的情感分析模型对预处理后的信息进行情感分析，得到对在线课程的分析结果；词嵌入层采用ALBERT预训练模型对预处理后的信息进行训练，得到词向量表示，特征提取层采用MCNN模型和BI‑LSTM模型分别对词向量表示进行特征提取得到特征表示，特征叠加层将MCNN模型和BI‑LSTM模型对特征表示进行特征叠加，获取关键信息，得到最终的特征向量，将最终的特征向量输入到输出层，输出层将特征向量输入
一种基于情感分析学生在线学习评估方法系统

[发明专利]一种分布式光纤振动信号特征提取与识别方法-CN202010027485.9有效
发明人：吴慧娟;阳思琦;路豪;王超群;饶云江 -专利权人：电子科技大学
申请日： 2020-01-10 - 公布日： 2022-07-29 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种分布式光纤振动信号特征提取与识别方法，属于光纤传感信号处理领域，首先采集振动源的时空矩阵信号，抽取空间列信号并划分短时信号单元，构建光缆振动事件数据集；再构建并训练和调优改进的mCNN模型，调优时对该模型提取的特征进行特征评估，直到模型迭代达到最优；然后利用最优mCNN模型并行提取多尺度下的时间结构特征矢量，按时间顺序重组为短时特征序列，构建时间结构特征序列集；最后构建并训练HMM模型，
一种分布式光纤振动信号特征提取识别方法

[发明专利]一种基于深度学习的鸡群计数方法及应用-CN202110101534.3在审
发明人：韩宇星;杨情;廖明;顾一帆;王俊舒 -专利权人：华南农业大学
申请日： 2021-01-26 - 公布日： 2021-05-28 - 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鸡群计数方法及应用，该方法包括下述步骤：采集鸡群图像，对所有鸡群图像进行图像预处理和图像增强，将处理后的鸡群图像输入到MCNN网络中进行训练，并将图像块映射到相应的密度图；MCNN网络包括三列具有不同滤波器大小的卷积神经网络，利用具有不同卷积核大小的网络分别提取鸡群图像的特征，将特征图线性加权得到密度图；在所有鸡头的中心位置进行标记，学习每只鸡在图像中的标注位置，通过高斯核卷积获得地面真实密度图
一种基于深度学习计数方法应用

1
2
3
下一页»
尾页
共 32 条

友情链接：交换友情链接需要网站权重大于4，网站收录10W以上，如符合条件，请联系QQ：76009968。

关于我们寻求报道投稿须知广告合作版权声明网站地图友情链接企业标识联系我们

在线咨询

400-8765-105周一至周五 9:00-18:00

版权所有钻瓜科技（天津）有限公司津ICP备15000985号津公网安备 12019202000206号http://www.vipzhuanli.com/公布日期

咨询在线客服

咨询在线客服

tel code back_top