专利交易市场

本发明公开了基于深度卷积神经网络模型(DCNN)的合成孔径雷达(SAR)图像目标形状生成方法。本发明目的是为了克服SAR图像中的乘性相干斑噪声和目标强度的非同质性变化等内在性特点，以提高SAR图像目标形状生成的准确性。该方法的首先设计深度卷积神经网络算法，并制定迭代区域合并算法，以获取目标形状初始化机制，然后设计基于稀疏表示的目标形状生成算法，以获取更加精确的目标形状生成结果。本发明有效的解决了SAR图像目标性状的生成问题，提高了SAR图像目标形状生成的准确性。

本发明涉及一种基于频率耦合神经网络模型的记忆负荷检测提取系统及方法，属于脑电辅助记忆负荷检测领域，包括信号采集模块、信号预处理模块、频率耦合神经网络模型训练模块、识别模块和反馈模块。所述信号采集模块用于采集用户的脑电数据；信号预处理模块用于对采集的脑电数据进行预处理；频率耦合神经网络训练模块用于训练频率耦合神经网络模型自动提取频率耦合特征；识别模块用于对实时采集的脑电数据进行分类，并根据分类结果识别用户当前的记忆负荷状态；反馈模块根据用户当前的记忆负荷状态进行相应的调节动作。本发明可以对被试实现可快速有效的记忆负荷状态识别，提高记忆负荷识别的速度。

一种深度神经网络模型动态分层梯度压缩方法，将梯度稀疏化压缩方法与流水线并行技术相结合，为每层神经网络匹配一个合适的阈值，通过在后续迭代时动态调整该阈值，实现对每层网络传输梯度的自适应压缩。之后，结合给定的模型结构和硬件配置信息，利用启发式动态规划算法求解最佳的层梯度组合通信方式，将多层小尺度梯度张量合并为一层通信。最后，将求解出的最优的层梯度合并组合应用于具体的训练迭代过程，在保证模型训练精度的同时，提升大规模深度神经网络模型训练速度，实现计算与通信最大化重叠，提高计算资源利用率，为充分利用硬件计算资源，提升深度神经网络模型训练速度提供一个有效的解决方法。

本发明公开了一种基于关键层回滚机制的卷积神经网络模型容错方法，包括以下步骤：S1、寻找关键层，通过对原模型添加参数λ进行训练的方式寻找对分类影响最大的关键节点，确定网络的关键层分布；S2、输入分类图片，通过卷积神经网络对输入图片进行识别，获得关键层的输出特征，根据输出特征得到检测阈值；S3、将硬件约束进行建模，利用模拟退火算法求出在满足硬件条件约束的情况下的检测点数量。本发明通过分析实验获得卷积神经网络的关键节点分布，以此为依据获得网络的关键层和关键层的输出分布。在满足时间和空间约束的条件下，在关键层设置关键节点，当关键层输出异常的时候，利用检查点回滚机制实现卷积神经网络的容错。

本申请实施例提供了一种量化神经网络模型的训练及测试方法、装置及设备。其中，训练方法可以包括：获取训练数据；训练数据包括图像样本和标签；标签包括图像样本的身份标识；将训练数据输入量化神经网络模型进行量化处理，得到图像样本的量化特征；根据量化特征对量化神经网络模型进行训练，获得经训练的量化神经网络模型。所以实施本申请实施例，训练的量化神经网络模型采用了低比特量化处理，减少了运算量，提高了运算速率，能够更方便地应用在终端设备中，使用该量化神经网络模型进行人脸识别，能够最小化量化误差，提高量化神经网络模型的识别精度。

本发明属于遥感图像融合领域，具体涉及一种基于多尺度形态学梯度的自适应简化脉冲耦合神经网络模型的遥感图像融合方法；该方法包括：获取合成孔径雷达图像和多光谱图像；对合成孔径雷达图像分别进行高斯曲率滤波分解和高斯滤波分解，得到小尺度图像、大尺度图像和基尺度图像；对多光谱图像进行色彩饱和强度变换，得到强度图像；对基尺度图像和强度图像进行融合，得到近似图像；将近似图像、小尺度图像和大尺度图像融合，得到融合后的强度图像；对融合后的强度图像进行重构，得到融合后的遥感图像；本发明将尺度形态学梯度与自适应简化脉冲耦合神经网络结合，避免了块状效应和图像局部模糊的现象。