专利名称：基于SegNet深度学习模型的海草床遥感识别方法、装置      申请号：2024100910886     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：遥感 深度学习模型   相似专利 发布日：2024/12/27  
摘要： 本发明公开了一种基于SegNet深度学习模型的海草床遥感识别方法、装置，所述方法包括：对训练集和验证集按照第一影像尺寸和第二影像尺寸分别进行切割，得到第一影像尺寸训练集、第二影像尺寸训练集、第一影像尺寸验证集和第二影像尺寸验证集；对训练集中各个特征类别的像元进行加权，平衡每个特征类别的像元数量；使用第一影像尺寸训练集训练第一SegNet深度学习模型，使用第二影像尺寸训练集训练第二SegNet深度学习模型；根据模型识别效果，确定第一SegNet深度学习模型和第二SegNet深度学习模型中的最优识别模型；使用最优识别模型，识别目标区域的实际卫星遥感影像。采用上述技术方案，克服训练样本在不同特征类别上分布不平衡的问题，提升海草床识别准确度。

专利名称：一种基于深度学习模型的逐级交互式轮廓识别方法      申请号：2021109537479     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词： 深度学习模型   相似专利 发布日：2024/07/10  
摘要： 本发明旨在提供一种基于深度学习模型的逐级交互式轮廓识别方法，包括以下步骤：A、构建深度神经网络结构，结构具体如下：编码网络、解码网络；其中，编码网络为VGG16网络，池化层为分界线分为S1、S2、S3、S4、S5五个阶段；所述的解码网络分为四级，每一级中均分别设有子解码网络M和子解码网络N；B、原始图像输入VGG16网络中，依次经五个阶段卷积处理；C、VGG16网络的S1、S2、S3、S4、S5五个阶段中的第一卷积层和第二卷积层的卷积结果分别输入子解码网络M和N中，经过双解码网络解码之后，最后融合处理得到最终输出轮廓。本发明对纹理的抑制、边缘的保护产生了积极的效果。

专利名称：基于物理定律和过程驱动的深度学习模型的水质预测方法      申请号：2021104356369     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：教学教具 学习模型 深度学习模型   相似专利 发布日：2024/06/28  
摘要： 本发明提供一种基于物理定律和过程驱动的深度学习模型的水质预测方法，根据物理定律对深度学习模型的损失函数进行修改；使用水质模型生成水质指标的模拟时间序列数据；使用模拟数据对深度学习模型进行训练，得到预训练模型；使用水质指标的历史实测数据对预训练模型进行调整优化，得到物理约束和过程驱动的深度学习模型PRPGDL；最后，基于PRPGDL模型预测未来的水质指标数据。本发明相比水质模型需要更少的边界条件和参数、有更高的预测准确度、速度和灵活性；相比深度学习模型具有更高的准确性和通用性，并且需要更少的实测数据；提供准确度更高、泛化能力和适用性更强、实测数据需求更少的水质预测方法。

专利名称：一种适用于小样本高光谱影像分类的深度学习模型      申请号：2020105856470     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：学习模型 光谱影像 高光谱 深度学习模型   相似专利 发布日：2024/06/28  
摘要： 本发明提供了一种适用于小样本高光谱影像分类的深度学习模型，模型的整体框架是以编码‑解码器为基础的，包括：输入待分类的高光谱影像和数据集；对原始数据集进行两次随机采样，生成一组随机的训练样本序列；利用全局卷积长短期记忆模块提取长短范围内的光谱依赖特征以及局部范围内像元的空间关系；利用全局光谱和空间注意力机制分别提取详细的光谱依赖特征和空间细节；利用特征迁移模块恢复语义特征的空间细节；本发明提供了一种新颖的全局学习分类方法，它不仅能充分的挖掘长短范围内光谱特征之间的依赖，还能够提取到长短范围内像元空间特征之间的依赖，实现当训练样本受限时依然能提取到最具判别的特征并保证了分类的精度。

专利名称：一种深度学习模型、海底底质解译方法、装置及介质      申请号：2023111290897     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：海底 学习模型 深度学习模型   相似专利 发布日：2024/06/28  
摘要： 本发明提供一种深度学习模型、海底底质解译方法、装置及介质，涉及遥感信息解译领域，深度学习模型包括编码器模块、特征融合模块、图卷积神经网络模块及解码器模块，编码器模块、特征融合模块、图卷积神经网络模块及解码器模块顺次连接；编码器模块用于输出先验知识特征和多波束影像特征至特征融合模块；特征融合模块用于融合先验知识特征和多波束影像特征，输出融合特征至图卷积神经网络模块；图卷积神经网络模块用于处理融合特征，输出海底编码信息至解码器模块；解码器模块用于解译海底编码信息，输出第一海底底质解译标签。本发明提供的技术方案可以提高海底底质图像解译的准确性，进而反映真实的海底底质种类。

专利名称：一种基于深度学习模型的土地覆盖分类方法及装置      申请号：2023105733949     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：学习模型 深度学习模型   相似专利 发布日：2024/06/28  
摘要： 本发明提供一种基于深度学习模型的土地覆盖分类方法及装置，涉及遥感信息技术领域，深度学习模型包括对抗学习模块、对比学习模块、图卷积神经网络模块以及输出模块；对抗学习模块用于根据获取的遥感多光谱数据的源域数据以及目标域数据，生成相似目标域数据和相似源域数据；对比学习模块用于处理源域数据、目标域数据、相似目标域数据和相似源域数据，获得源域光谱特征和目标域光谱特征；图卷积神经网络模块用于处理源域光谱特征和目标域光谱特征，得到土地覆盖分类信息；输出模块用于解码土地覆盖分类信息，得到土地覆盖分类结果。通过对抗学习模块、对比学习模块和图卷积神经网络模块的联合作用下，可以输出准确的土地覆盖分类结果。

专利名称：一种基于混合深度学习模型的推荐方法与系统      申请号：201911087030X     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：深度学习 学习模型 深度学习模型   相似专利 发布日：2023/10/23  
摘要： 本发明实施例涉及一种基于混合深度学习模型的推荐方法与系统。所述推荐方法包括：获取原始评分矩阵和项目评论文档作为推荐系统的输入；基于所述原始评分矩阵构建初始用户隐特征向量；基于项目评论文档构建初始项目隐特征向量；通过构建新的推荐系统目标函数，生成优化后的用户与项目隐特征向量，从而产生融合用户隐特征与项目隐特征的更加准确的预测评分矩阵；基于所述预测评分矩阵进行个性化推荐作为所述推荐系统的输出。本发明实施能够解决了推荐系统数据极度稀疏性和推荐精度不准确的问题，利用混合深度学习模型提取多源异构数据的非线性特征，融入到基于概率矩阵分解的协同过滤推荐算法中，从而使得推荐系统的关键性能得到改善。

专利名称：一种基于AdaRW算法的海洋目标检测深度学习模型训练方法      申请号：2021103243289     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机软件 深度学习 R 学习模型 模型训练 检测 深度学习模型   相似专利 发布日：2023/10/17  
摘要： 本发明公开了一种基于AdaRW算法的海洋目标检测深度学习模型训练方法，属于海洋目标检测领域，首先提出了AdaRW自适应梯度训练算法，克服了AdaGrad算法中历史梯度累积导致的深度学习速率衰减的问题；同时设计了最优交错并行式架构OIPA，由多个PServer进程和Worker_DS进程组成。在对海洋目标检测深度学习模型进行训练时，通过OIPA架构对AdaRW算法进行多核并行训练，提高了算法训练的速度；利用训练后的OceanTDA9_AdaRW模型检测研究区域的疑似目标，提高了极化SAR海洋目标检测的效率。

专利名称：一种基于深度学习模型的岩体质量评价方法      申请号：2021100306799     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：深度学习 学习模型 岩体 深度学习模型   相似专利 发布日：2023/09/20  
摘要： 本发明公开一种基于深度学习模型的岩体质量评价方法，为：S1：获得全部钻孔摄影图像并选择其中一定量的钻孔摄影图像，将选中的钻孔摄影图像按照有结构面和无结构面区分；S2：基于深度学习模型迁移方法对选择的钻孔摄影图像进行模型训练，筛选出具有结构面的钻孔摄影图像，并对具有结构面的钻孔摄影图像进行尺寸统一；S3：以所有具有结构面的钻孔摄影图像为研究对象并进行标注；S4：采用基于ResNet的UNet网络对标记的钻孔摄影图像进行训练，最终得到用于分割钻孔摄影图像的深度模型；S5：将得到深度模型应用于钻孔摄影图像分割中可得到结构面分割结果，实现岩体的完整性评价。本方法为岩体质量智能评价提供理论和方法支持。

专利名称：基于双向特征嵌入的深度学习模型去偏方法      申请号：2021107771170     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：深度学习 学习模型 深度学习模型   相似专利 发布日：2023/09/14  
摘要： 本发明公开了一种基于双向特征嵌入的深度学习模型去偏方法，包括：获得第一特权组样本集和第一非特权组样本集；构建双特征嵌入样本集；搭建收入预测模型，所述深度学习模型包括6层全连接网络；利用双特征嵌入样本集，在训练时，以收入判断任务的损失loss_m1，和去社会偏见损失loss_m2组成的总损失loss为最终损失；每训练一阶段，将收入预测模型输出的收入判断结果和对应的敏感性样本集通过mean difference进行测算，当mean difference计算结果满足阈值，则获得最终收入预测模型。该收入预测模型能够准确且不带有偏见的预测收入。

专利名称：基于互信息的深度学习模型中毒攻击检测方法及其装置      申请号：2021106754750     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：深度学习 学习模型 检测 深度学习模型   相似专利 发布日：2023/09/14  
摘要： 本发明公开了一种基于互信息的深度学习模型中毒攻击检测方法，包括以下步骤：(1)获取样本集与待检测深度学习模型；(2)预训练深度学习模型；(3)生成中毒模型池与触发样本对；(4)利用互信息判断深度学习模型是否中毒。本发明还公开了一种基于互信息的深度学习模型中毒攻击检测装置，用于实施上述方法。本发明具有良好的适用性，能够有效的判断模型是否中毒并找出中毒目标类，能取得较好的检测效果。

专利名称：面向深度学习模型的隐蔽中毒攻击防御方法及其装置      申请号：2021106750834     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：深度学习 学习模型 深度学习模型   相似专利 发布日：2023/09/14  
摘要： 本发明公开了一种面向深度学习模型的隐蔽中毒攻击防御方法，包括(1)获取图像数据集与深度学习模型；(2)利用深度学习模型筛选获得干净图像数据集；(3)生成中毒样本，将生成中毒样本的过程隐蔽在图像预处理过程中；(4)将生成的中毒样本输入深度学习模型中使模型中毒，并在测试阶段使模型对于触发样本做出错误判断；(5)将生成的中毒样本标注正确的类标输入深度学习模型中进行强化训练，以修复深度学习模型。本发明还公开了一种面向深度学习模型的隐蔽中毒攻击防御装置，用于实施上述方法。本发明通过生成中毒样本实现对模型的隐蔽中毒攻击，然后将生成的中毒样本用于修复模型，从而提高模型的安全性和鲁棒性。

专利名称：面向深度学习模型中毒攻击的检测方法、装置及系统      申请号：2021101289945     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：深度学习 学习模型 检测 深度学习模型   相似专利 发布日：2023/09/14  
摘要： 本发明公开了一种面向深度学习模型中毒攻击的检测方法、装置及系统，包括：(1)获取样本集和待检测模型；(2)预训练与待检测模型结构相同的良性模型；(3)对部分样本进行数据增广，组成新样本集；(4)将每一类新样本作为目标类，剩下的所有类新样本作为源类，对预训练后的良性模型进行目标类的多种中毒攻击，获得多种中毒模型和多种中毒样本；(5)获得中毒样本在所有非所出中毒模型下的检测结果，依据检测结果筛选并构建中毒模型池和中毒样本池；(6)依据中毒样本在待检测深度学习模型的检测结果和中毒样本在非所出中毒模型下的检测结果来判断待检测深度学习模型是否中毒。来实现对面向深度学习模型中毒攻击的快速准确检测。

专利名称：基于粒子群优化的深度学习模型的安全性测试方法和修复方法      申请号：202010897967X     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：修复 深度学习 学习模型 深度学习模型   相似专利 发布日：2023/09/14  
摘要： 本发明公开了基于粒子群优化的深度学习模型的安全性测试方法和修复方法，包括：(1)获取良性图像组成样本集，利用良性图像对原始深度学习模型进行预训练；(2)根据覆盖率和输入图像在预训练的原始深度学习模型和其他深度学习模型中针对同一类标标签的类别预测值之间的差异构建目标函数；(3)从样本集中采集部分良性图像作为初始粒子，并初始化粒子的位置和速度，以目标函数最大为目标，采用粒子群优化算法对初始化粒子的位置和速度进行迭代更新，当算法结束时，若不能够获得表示恶性图像的最优粒子，则认为原始深度学习模型安全，若能获得表示恶性图像的最优粒子，则认为原始深度学习模型不安全。

专利名称：一种基于深度学习模型的交通速度预测方法      申请号：2019107690123     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：交通工具 深度学习 学习模型 深度学习模型   相似专利 发布日：2023/09/14  
摘要： 本发明公开了一种基于深度学习模型的交通速度预测方法，包括以下步骤：构建GCLSTM模型，以Seq2Seq模型作为模型基础，引入GCN模型分别对细胞层状态和隐藏层状态进行图卷积运算；将待预测路段前一段时刻的交通速度输入至GCLSTM模型中，经计算，输出未来一段时刻的预测交通速度。还公开了一种基于深度学习模型的交通速度预测方法，包括以下步骤：构建GLAT模型，以Seq2Seq模型作为模型基础，引入时间注意力机制对编码器每个时刻的隐含层向量进行关注，将待预测路段前一段时刻的交通速度输入至GLAT模型中，经计算，输出未来一段时刻的预测交通速度。这两个交通速度预测方法能够准确预测交通速度。

专利名称：一种的深度学习模型的超参数调优方法      申请号：201911053421X     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：学习模型 深度学习模型   相似专利 发布日：2024/01/10  
摘要： 本发明公开了一种深度学习模型的超参数调优方法。本发明步骤如下：步骤1：文本数据的预处理，对文本数据进行标注；步骤2：构建深度学习模型；步骤3：对深度学习模型进行训练，通过增加模型深度的方式使得模型在训练集上对数据过拟合，利用过拟合模型来保证对训练数据充分利用，并逐步减少模型深度来微调模型，最后根据测试集上的表现选择最优的模型深度；步骤4、模型预测；对需要预测的文本内容，利用步骤3训练好的深度学习模型，得到文本数据标记的预测值，可以说明文本内容与业务的相关程度。本发明能够有效检验深度学习模型架构选择的正确性。

专利名称：一种基于Wide＆Deep深度学习模型的文本预测方法      申请号：201911054827X     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词： 深度学习模型   相似专利 发布日：2025/01/08  
摘要： 本发明公开了一种基于Wide&Deep深度学习模型的文本预测方法。本发明旨在解决深度学习模型中对人工特征的充分利用以及Wide&Deep模型预测时的计算消耗问题。本发明的实施方案是：首先对文本数据进行标注，其次构建Wide特征，然后对基于Wide&Deep的深度学习模型添加辅助训练任务，最后对文本内容进行预测。本发明提及的人工特征作为深度学习模型训练过程中的附加任务，为模型提供了更多的有效信息，提高了模型学习效率。并且，在文本内容预测时不需要计算Wide特征，从而提升了模型性能。不同宽度的卷积核卷积后，可以通过一次卷积block获得不同距离上的信息，这有助于提升模型性能。同时，减少调整不同卷积核的时间，通过模型学习能自动适应不同的卷积核宽度。

专利名称：基于EANN深度学习模型的暴力异常行为检测方法      申请号：2019112669940     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：学习模型 检测 深度学习模型   相似专利 发布日：2024/01/31  
摘要： 本发明提出一种基于EANN深度学习模型的暴力异常行为检测方法，包括(1)获得待检测视频，基于帧差法对视频中连续两帧进行差分，得到差分图像作为EANN模型的输入；(2)基于卷积神经网络Efficentnet提取图像空间特征；(3)基于ConvLSTM对步骤(2)中提取的空间特征进行连续时间上的编码，获得视频的局部时空特征；(4)针对步骤(3)所获得的时空特征，利用注意力机制对剧烈运动部分进行加强；(5)基于全连接层对步骤(4)的输出进行分类，得到该视频暴力异常行为的概率，进而实现对暴力异常行为的检测。本发明所提出的方法在保持精度损失很小的情况下，大幅度降低了参数量，提升网络运行速度；与传统方法相比，精度提升幅度明显，鲁棒性强，具有较高的实际应用及推广价值。

专利名称：行为识别方法、深度学习模型的训练方法及装置      申请号：2022103529473     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：深度学习 学习模型 训练 深度学习模型   相似专利 发布日：2023/08/14  
摘要： 本公开提供了一种行为识别方法、深度学习模型的训练方法及装置、设备、介质和产品，涉及人工智能技术领域，具体为深度学习、计算机视觉技术领域，可应用于智能安防、3D视觉、虚拟现实等场景。具体实现方案包括：对图像序列进行特征提取，得到与图像序列中的至少一帧图像关联的初始图像特征；根据初始图像特征和针对至少一帧图像的对象检测结果，确定与至少一帧图像关联的目标图像特征；以及基于目标图像特征，进行针对至少一帧图像的对象行为识别，得到行为识别结果。

专利名称：用于定位多目标特征点的深度学习模型的构建方法及装置      申请号：2019104806289     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：深度学习 学习模型 深度学习模型   相似专利 发布日：2023/09/04  
摘要： 本申请实施例提供一种用于定位多目标特征点的深度学习模型的构建方法及装置，涉及人工智能领域，包括获取堆叠沙漏网络、检测网络、定位网络以及输出网络；组合堆叠沙漏网络、检测网络、定位网络以及输出网络得到多任务学习网络模型；在多任务学习网络模型中设置加权目标函数、预设训练条件以及与输入数据对应的超参数，得到第一训练模型；对第一训练模型进行训练，得到第二训练模型和与第二训练模型相对应的训练信息；在训练信息满足预设训练条件时，保存第二训练模型为用于定位目标特征点的深度学习模型。实施这种实施方式，能够通过建立一种新的深度学习模型来提高对多目标特征点(或称为关键点)的识别精度。