专利名称：一种融合果实特征与深度卷积神经网络的苹果识别方法      申请号：2021103765452     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 苹果采摘机器人 农业自动化 深度卷积神经网络   相似专利 发布日：2025/02/17  
摘要： 本发明公开了一种融合果实特征与深度卷积神经网络的苹果识别方法，该方法以Faster RCNN作为基础网络，通过将果实特征融入到Faster RCNN的输入层、RPN以及位置回归分支，从而实现苹果识别框架的定制，有效提高苹果识别和定位的准确率。该算法充分考虑了苹果的颜色、形状及其他特征，同时对于粘连和遮挡情况下，果实识别准确率的提高具有重要作用。

专利名称：基于深度卷积神经网络模型的SAR图像目标形状生成方法      申请号：2018104927927     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 深度卷积神经网络   相似专利 发布日：2025/05/19  
摘要： 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。

专利名称：一种基于深度卷积神经网络的快速目标检测方法      申请号：2019105943885     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：网络传输 卷积神经网络 检测 深度卷积神经网络   相似专利 发布日：2023/10/23  
摘要： 本发明公开了一种基于深度卷积神经网络的快速目标检测方法。首先通过构造基本的SSD检测模型，将预处理的数据进行训练，得到一个原始训练模型。然后，通过卷积核重要性的度量，采取卷积核剪枝策略，去除不重要的卷积核，精简检测模型中的特征提取网络，并得到压缩模型。具体来讲，通过使得对第i+1层的通道子集构成的输入与第i+1层的输出尽可能相近，从而可以去除第i+1层输入的其他通道，并进而去除第i层中相应的卷积核，从而实现对模型卷积核的剪枝。每去除一个卷积层，然后对压缩模型进行微调，以恢复检测模型精度。当所有卷积层剪枝完毕后，得到最终的压缩检测模型。本发明通过模型压缩，使得模型可以在移动端部署，同时提升检测速度，并保持检测精度。

专利名称：基于非对称深度卷积神经网络的多视角深度预测方法      申请号：201910998790X     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：网络传输 卷积神经网络 深度卷积神经网络   相似专利 发布日：2023/10/17  
摘要： 本公开揭示了一种基于非对称深度卷积神经网络的多视角深度预测方法，包括：构建一种非对称深度卷积神经网络；结合参考图像，将相邻图像构造为平面扫描卷；在现有数据集上预先训练第一神经网络；使用第一神经网络的模型参数进一步初始化第二神经网络这一非对称深度卷积神经网络；最终通过第二神经网络完成多视角深度预测。本公开允许输入任意数量和任意分辨率的不同视角的图像，减少了繁琐的手工操作，也减少限制约束，从而实现了对多目图像所产生的不同视角图像的深度的高精度预测。

专利名称：基于深度卷积神经网络的轴型识别方法      申请号：2020104391739     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：网络传输 卷积神经网络 深度卷积神经网络   相似专利 发布日：2023/10/17  
摘要： 本发明涉及一种基于深度卷积神经网络的轴型识别方法，该方法将目标车轴图像在车辆中分割出，并建立深度卷积神经网络从车轴图像中提取特征，并进行特征融合和展开，在通过Softmax分类层对展开后的特征进行回归训练，实现车轴特征的分类识别。本发明基于深度卷积神经网络的轴型识别方法是通过将安装在特定区域的摄像头采集的视频图像进行图像处理和识别，实现了非接触式识别，避免了对路面造成破坏，且设备简单且易维修。

专利名称：一种基于深度卷积神经网络的遥感图像云层检测方法      申请号：2020113423584     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：网络传输 遥感图像 卷积神经网络 检测 深度卷积神经网络   相似专利 发布日：2023/10/17  
摘要： 一种基于深度卷积神经网络的遥感图像云层检测方法，首先需要获得卫星图像的多个波段图，其中必要的是卫星遥感图像中的自然真彩色图像(RGB)、近光红外波段(Nir)以及云层掩模图作为训练集和测试集对深度卷积神经网络模型进行训练和测试，采用测试通过后的深度卷积神经网络模型实现遥感图像云层检测。这种基于深度学习对云层进行检测的方法拥有检测速度快，精准度高并且可以快速迁移适应不同卫星型号的特点。

专利名称：基于深度卷积神经网络的ECG分类系统与方法      申请号：2021107397040     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：网络 网络传输 C 港口 卷积神经网络 深度卷积神经网络   相似专利 发布日：2023/09/19  
摘要： 本发明涉及医学图像处理领域，公开了一种基于深度卷积神经网络的ECG分类系统与方法，解决如何提高ECG分类准确性的技术问题，包括数据采集模块、数据预处理模块、ECG分类模块与分类结果显示模块；所述数据预处理模块用于对原始ECG信号进行降噪和心跳分割，将降噪后的ECG信号分割成无数个心跳，相邻两个心跳作为一个样本送至ECG分类模块；所述ECG分类模块为通过样本集与focal loss函数迭代训练完成后的深度卷积神经网络，具备对样本进行分类的能力；Focal loss函数解决了类别不平衡问题。本发明能够提高ECG的分类性能，总体准确率、平均F1‑score、AUC分别达到98.65%、75.08%、99.48%。

专利名称：一种基于深度卷积神经网络的配体绑定残基预测方法      申请号：2019112254247     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：网络 网络传输 卷积神经网络 深度卷积神经网络   相似专利 发布日：2023/09/14  
摘要： 一种基于深度卷积神经网络的配体绑定残基预测方法，首先，根据输入的残基数为L待进行配体绑定残基预测的蛋白质序列信息，使用HHblits程序获取包含M条序列的多序列联配信息；然后，统计这M条序列中某个位置残基类型在该行该列中出现的频率，并将这M条残基序列扩展为三维残基立方体；其次，统计三维残基立方体中某个位置残基类型在其所在的平面中出现的频率，根据频率数据将三维残基立方体扩展为三维特征立方体；再次，搭建深度卷积神经网络，利用已知绑定残基的蛋白质序列训练该网络；最后，将待预测的蛋白质序列转化为三维特征立方体输入到被训练过的深度卷积神经网络模型中，预测残基是否为绑定残基。本发明计算代价低、预测精度高。

专利名称：一种面向图像分类的深度卷积神经网络的优化方法      申请号：2017104116689     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：网络 网络传输 卷积神经网络 深度卷积神经网络   相似专利 发布日：2023/09/14  
摘要： 一种面向图像分类的深度卷积神经网络的优化方法，包括以下步骤；步骤一、构建图像分类卷积神经网络，步骤二、训练图像分类卷积神经网络；步骤三、测试图像分类卷积神经网络，过程如下：将预处理好的测试数据集送入训练好的网络模型，网络的Accuracy层根据Softmax层输出的概率值以及输入层的标签值输出一个精确度值，即测试图像被正确分类的概率；经过上述步骤的操作，即可实现面向图像分类的深度卷积神经网络的优化。本发明提供一种有效缩小语义鸿沟、分类准确性较高的面向图像分类的深度卷积神经网络的优化方法。

专利名称：一种基于深度卷积神经网络的DNA绑定残基预测方法      申请号：2020105334894     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：网络 网络传输 卷积神经网络 深度卷积神经网络   相似专利 发布日：2023/09/14  
摘要： 一种基于深度卷积神经网络的DNA绑定残基预测方法，首先，根据输入的残基数为L待进行配体绑定残基预测的蛋白质序列信息，使用psi-blast程序和PSSpred程序获取矩阵PSSM和PSS；然后，将两个矩阵组合为一个特征矩阵F；其次，我们将蛋白质序列处理成残基样本；再次，搭建深度卷积神经网络，利用已知绑定残基的蛋白质序列构建数据集，并将数据集划分为M组数据子集，利用这十组数据子集训练出M个网络模型；最后，将待进行预测的蛋白质序列处理成残基样本，并输入到被训练过的M个网络模型中，综合这M个模型的预测结果，预测蛋白质序列中的残基是否为绑定残基。本发明计算代价小、预测精度高。

专利名称：一种基于深度卷积神经网络的时空卫星图像融合方法      申请号：2017111807639     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：卫星 卷积神经网络 卫星图像 深度卷积神经网络   相似专利 发布日：2024/07/26  
摘要： 本发明提供了一种基于深度卷积神经网络的时空卫星图像融合方法。所述基于深度卷积神经网络的时空卫星图像融合方法包括如下步骤：训练阶段：选取对应的Landsat图像和MODIS图像形成Landsat‑MODIS图像对，并对Landsat图像进行下采样，得到接近MODIS空间分辨率的LSR Landsat图像，根据Landsat图像、MODIS图像和LSR Landsat图像的组合进行训练，并分别得到非线性映射CNN网络和超分辨率重建CNN网络；预测阶段：分别选取日期t1和t3的Landsat‑MODIS图像对，基于训练阶段得到的非线性映射CNN网络和超分辨率重建CNN网络，预测位于日期t1和t3之间的日期t2的Landsat预测图像。