本发明属于地球科学技术领域，具体涉及一种联合深度学习的地震数据随机噪声压制方法，该方法的步骤为1、训练数据集预处理；2、样本标签准备；3、设计联合学习模型G的网络结构；4、设计损失函数；5、训练并保存网络模型；6、测试网络模型性能。通过波原子变换对地震数据波前纹理特征进行有效地稀疏表示，获取波原子域地震数据的纹理特征；将含噪声地震数据作为输入，波原子域数据和实际不含噪声数据的特征作为标签，构建空间域与波原子域联合深度学习网络结构。通过联合学习的方案解决地震数据特征提取不充分的问题，提高噪声压制效果。将空间域和波原子域的特征相结合，利用空间域与波原子域联合深度学习技术去除地震数据随机噪声。
📄 2020101347541
📂 G06K9_00
👤 东北石油大学
📅 2020-02-27
本发明公开一种基于深度学习的多模态图文推荐方法及设备，方法包括用一种跨模态图文检索模型MMDNN，其次，将MMDNN用于推荐系统之中，利用正负反馈聚类中心计算模块PNFCCCM和用户的正负反馈历史记录，计算用户的正负反馈聚类中心，结合数据的相似度得分和正负反馈得分，从数据库中找出与用户历史记录中综合得分最高的几条数据，使用MMDNN模型从数据库中找出与这几条数据对应的另一种模态的数据，最后，把成对图‑文资源推荐给用户，并且根据用户的反馈更新用户的历史记录和用户的正负反馈聚类中心，实现多模态图文推荐。
📄 2021103852465
📂 G06F16_535
👤 陕西师范大学
📅 2021-04-09
本发明涉及生物特征识别技术领域，特别涉及一种基于上下文信息的深度学习成对模型人耳检测方法。本发明克服现有技术存在的不能针对大场景尤其是包含整个人物身体的背景图片中找出耳朵位置的问题。其技术方案是：一种基于上下文信息的深度学习成对模型人耳检测方法，其步骤：首先对所有图片进行预处理并标注目标；其次利用迁移学习将Oquab网络修改为四分类局部模型并训练；再次根据局部模型，分别训练头部和耳朵、身体和头部两个成对模型；最后利用局部模型、成对模型1、成对模型2及人体特征对耳朵联合检测。本发明利用这种由大到小的层次关系建立上下文关联信息，可减少其他特征的干扰，更精确的检测出耳朵的位置。
📄 2021111653552
📂 G06V40_40
👤 西安工业大学
📅 2021-09-30
本发明公开了基于深度学习的夜间交通标志图像检测模型建立方法，采集包含夜间交通标志的图像作为训练集；聚类先验框；在YOLOv3特征提取网络中引入注意力机制，得到改进的YOLOv3网络；所述注意力机制通过浅层特征图实现空间注意力，通过深层特征图实现通道注意力；确定边框损失函数；将所述训练集输入改进的YOLOv3网络进行训练，得到夜间交通标志图像检测模型。本发明提供基于深度学习的夜间交通标志图像检测模型建立方法，以解决现有技术中的图像检测模型在夜间交通标志识别中面临的定位不准、特征提取困难、识别失败率较高等问题，实现改善对夜间交通标志的识别效果、提高识别精确率的目的。
📄 2022113427071
📂 G06V10_774
👤 成都信息工程大学
📅 2022-10-31
本方案提供了一种基于深度学习的超材料传感芯片的设计模型的构建方法及应用，将透射曲线采集点集合输入到设计模型的输入层中进行归一处理得到一维序列，一维序列分别输入到并联卷积层的多个卷积分支中进行卷积处理得到卷积特征，多个卷积特征输入到线性层中进行拼接得到拼接序列，拼接序列输入到输出层中处理并输出结构参数组，可用于超材料传感芯片的设计。
📄 2025103397389
📂 G06F30_27
👤 中国计量大学
📅 2025-03-21
本发明涉及一种基于自监督学习的单衍射强度图像重建方法、装置、设备及存储介质。该方法包括以下步骤：获取单幅衍射测量图，采用互补掩膜下采样从单幅衍射测量图中提取互补的测量值，构造用于自监督训练的数据集；基于训练集中的互补的测量值，利用双通道的深度神经网络，重建原场景图像的不同估计；构造用于自监督训练的损失函数，利用优化器最小化损失函数，利用损失函数对深度神经网络进行自监督训练；基于测试集中的互补测量值，利用训练好的深度神经网络，估计单衍射强度图像场景。本发明能够重建不同类型图像的相位和振幅。
📄 2024112206865
📂 G06T5_60
👤 安徽大学
📅 2024-09-02
本发明公开了一种基于深度学习的智能环境监控方法和系统以及设备。其中，所述方法包括：网络摄像机可以拍摄环境空间的影像，和监控中心可以实时由物联网采集并记录远端环境空间所在的该网络摄像机拍摄的影像，以及图像识别模块根据该监控中心实时由物联网采集并记录远端环境空间所在的网络摄像机拍摄的影像，识别该环境空间当前环境是否是禁止使用联网通信设备的场景得到环境场景识别结果，其中，该禁止使用联网通信设备的场景包括上课或开会等场景。通过上述方式，能够实现有效监控环境。
📄 2019102897635
📂 H04N7_18
👤 泉州信息工程学院
📅 2019-04-11
本发明公开的属于计算机视觉图像处理技术领域，具体为一种基于深度学习的工业指针式仪表读数识别系统，包括：数据集构建与划分模块，用于构建并划分工业指针式仪表图像数据集；工业指针式仪表读数提取网络模块，用于提取工业指针式仪表指针与刻度的语义分割图像；工业指针式仪表读数识别模块，用于使用霍夫圆变换与角度法读取指针与刻度的语义分割图像。本发明基于深度学习的工业仪表指刻提取网络中的多残差小目标特征提取二级子模块，可以使分割提取模型在浅层网络时获得更丰富的特征信息，在提取指针与刻度这一类小目标时，提升提取小目标边缘信息的效果。
📄 2024114430282
📂 G06V30_19
👤 广东工业大学
📅 2024-10-16
本发明公开一种基于深度学习的井震联合初始岩性模型构建方法，应用于三维地质建模领域，针对现有技术中存在的测井数据由于滤波导致频率太低，损失了很多高频有效信息，插值过程中地震数据无法有效控制的问题；本发明利用卷积神经网络提取数据中包含的长短周期即高低频率的特征，对不同的特征采用长短时间记忆网络进行分类学习，进而准确地学习地震数据和测井数据之间的关系，达到岩石属性的准确预测，从而进行岩性初始模型的构建，为岩性参数的反演提供基础，从而指导油气的勘探开发和油气藏储层描述。
📄 2020108931882
📂 G06T17_05
👤 电子科技大学
📅 2020-08-31
本发明公开了一种基于深度学习的改进单模式自解相条纹投影三维测量方法，涉及图像处理技术领域。本发明包括以下步骤：搭建条纹投影虚拟测量系统；在条纹投影虚拟测量系统中制备数据集；搭建条纹预测自解相网络模型；通过条纹投影虚拟测量系统制备的数据集进行模型训练；通过相机采集被测物体的单张变形条纹图像；将被测物体的单张变形条纹图像输入至条纹预测自解相网络模型预测被测物体其余三张变形条纹图像。本发明搭建了一个虚拟测量系统，简化了复杂的数据采集过程；并采用深度学习的方法搭建了条纹预测自解相网络对单模式自解相方法进行改进，实现了仅需单张变形条纹图像对高分辨图像进行高效精确的相位检索过程。
📄 202410186640X
📂 G01B11_25
👤 青岛科技大学
📅 2024-02-20
一种基于深度学习的杂交稻种质量识别装置，包括操作台，以及设置在操作台的台面上并与传动装置传动连接的传送带；育种板放置在传送带上，随着传送带的运行而沿着传送带运行方向移位；位于传送带的上方，从传送带运行方向的起始端至末端依次设置有摄像头和X光箱，所述的摄像头和X光箱与上位机信号连接；所述的摄像头采集种子的图像，将种子图像传输至上位机，上位机提取每个种子的颜色，根据种子的颜色将种子分为好、中、差三个等级；X光箱通过X光采集到种子的饱满度图像，将图像传输到上位机，由上位机计算每个稻种的面积，得出种子的饱和度，根据种子的饱和度判断种子是否可以发芽。本发明可以克服种子检测效率低与精度低的问题。
📄 2023106568366
📂 G06V20_10
👤 河北云晟昂希知识产权服务有限公司
📅 2023-06-05
本发明公开了一种基于深度学习的多光谱光场成像方法及系统，该方法包括：S1、获取清晰的光场图像；S2、提取子视角图，并将子视角图合并成一张二维光场图像；S3、获取训练集，训练集为二维光场图像及与其对应的波段光谱图像；S4、基于卷积神经网络构建多光谱重建网络，并将二维光场图像与波段光谱图像的差异，以及相机光谱灵敏度函数都集成到多光谱重建的损失计算中；S5、训练多光谱重建网络；S6、将二维光场图像输入至训练好的多光谱重建网络，获得同时具有光场和光谱信息的波段光谱图像。本发明结合相机光谱灵敏度的先验知识，通过深度神经网络对光场图像进行多光谱重建，提高重建精度且能同时获取该场景下的光场和光谱信息。
📄 2021114654792
📂 G01J3_28
👤 武汉工程大学
📅 2021-12-03
柿子坊 · 知识产权运营
柿子坊知识产权运营平台