专利名称：图像分类方法、系统、电子设备与存储介质      申请号：2021111267571     转让价格：面议  收藏
法律状态：授权未缴费   类型：发明   关键词：深度学习 图像处理 人工智能   相似专利 发布日：2025/06/04  
摘要： 本申请公开一种图像分类方法、系统、电子设备与存储介质。在图像分类方法中，将采集图像输入至图像分类模型进行分类，其中，图像分类模型的训练方法包括：将训练图片输入预设图像分类模型中获取预测标签；当训练图片的真实标签与相应预测标签不一致时，更新真实标签，使真实标签中的至少一个分类标签值分别向预测标签中对应的至少一个分类标签值靠近，再采用更新后的真实标签进行训练，有利于使训练得到的图像分类模型进行图像分类时能够准确地分辨出图像中的重要的特征，提高图像分类模型的鲁棒性。

专利名称：一种基于局域网内不同主机数据源共享卷积神经网络的方法      申请号：2020104040893     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 人工智能 图像处理 局域网通信 数据共享   相似专利 发布日：2025/05/14  
摘要： 本发明公开了一种基于局域网内不同主机数据源共享卷积神经网络的方法。包括以下步骤：步骤S1：使用Qt布局数据源推流拉流上位机界面；步骤S2：搭建多个局域网推流数据源的客户端与唯一拉流数据源的接收客户端，使用Nginx作为数据源局域网转发服务器；步骤S3：卷积神经网络训练深度学习模型；步骤S4：使用模型进行数据源人脸分类识别，实现对图片或者视频人脸识别与姓名标注。将深度学习与视频服务器局域网传输相结合大大提高了识别的效率，突破了模型单机模式移植性差的缺点，实现了不同主机共享深度学习模型，都可以在不用复制训练模型的条件下，不同主机都可以进行人脸标注与识别。

专利名称：一种卷积增强外部注意力的多说话人时域语音分离方法      申请号：2022106470594     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 神经网络 卷积网络 循环网络 注意力机制 时域处理 语音处理   相似专利 发布日：2025/04/25  
摘要： 本发明涉及语音处理技术领域，尤其涉及一种卷积增强外部注意力的多说话人时域语音分离方法。方法包括：S1.通过编码器将多说话人混合语音，进行卷积运算，转换为其潜在特征表示；通过基于卷积增强外部注意力模块的分离器学习得到语音掩码；语音掩码与编码器输出的潜在特征表示相乘，再通过解码器的反卷积运算重建波形得到分离后的语音。本发明能够满足语音分离较小模型、高时效性的需求，并且以其序列建模的优势来达到更好的分离效果；增强了外部注意力机制学习到更多的特征和相关性，且保持了其分离速度快的优势；在双路结构中的应用可以较好地平衡时效性、模型大小和分离效果。

专利名称：一种基于深度学习的儿童骨龄评估方法及系统      申请号：2021105646621     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   相似专利 发布日：2023/10/23  
摘要： 本发明公开了一种基于深度学习的儿童骨龄评估方法及系统。该方法包括：获取待评估的手骨图像；对待评估的手骨图像进行预处理；将预处理后的图像输入至训练好的手骨分割模型，得到分割后的手骨区域掩膜；将分割后的手骨区域掩膜与预处理后的图像进行融合，得到去除背景信息的手骨图像；将去除背景信息后的手骨图像输入至训练好的骨龄评估模型中，对骨龄进行评估。本发明解决了当前手骨X光图像的评估效率过于低下，无法批量处理手骨X光图像等问题，缓解了医生读片的困难。本发明能够对儿童手骨X光图像进行有效的自动骨龄评估，对后续的骨骼发育成熟度评估提供有利的支持。

专利名称：基于动量和剪枝的分布式深度学习系统      申请号：2018113902736     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：布 深度学习   相似专利 发布日：2023/10/17  
摘要： 本发明提供一种基于动量和剪枝的分布式深度学习系统，涉及云计算与深度学习领域，采用spark分布式集群，包括一个主控制节点和多个工作节点，任一工作节点与主控制节点通过通信链路连接，工作节点存储部分训练数据；工作节点根据本地存储的训练数据批次进行深度学习模型的向前向后传播训练，获取工作节点权值参数的更新量，发送至主控制节点，与主控制节点全局权值参数进行交互通信；主控制节点记录工作节点的节点信息，将所得工作节点的权值参数平衡后传送至各工作节点；重复主控制节点和工作节点的交互通信直到达到迭代次数或收敛条件；本发明解决异步算法在分布式环境下模型收敛慢的问题，同时还提高异步算法的运算速度。

专利名称：一种适用于变化场景的基于深度学习的调制方式识别方法      申请号：2019105770227     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   相似专利 发布日：2023/10/17  
摘要： 本发明涉及一种适用于变化场景的基于深度学习的调制方式识别方法，充分考虑无线环境中SNR的多变性，通过应用场景划分与场景判决这两个关键步骤和思想，有效地解决了多变SNR场景中的调制方式识别问题，为应对复杂多变的通信系统中信号分析与处理等问题上取得了关键性的进展。本发明在变化SNR场景下的识别精度颇高，很接近特定SNR场景下的识别精度。

专利名称：一种基于神经通路的深度学习的中毒防御方法及装置      申请号：2021106974411     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   相似专利 发布日：2023/09/14  
摘要： 本发明公开了一种基于神经通路的深度学习的中毒防御方法及装置，其中公开了基于神经通路的深度学习的中毒防御方法，利用中毒模型，通过特征提取层产生导向性样本从而构建深度学习模型的关键神经通路，模拟触发样本的数据流动过程，对激活值异常的神经元通过人工神经元来抑制激活值，增加新的权重使得模型实现自我防御机制。本发明还公开了一种基于神经通路的深度学习的中毒防御装置，包括收集模块，预训练模块，构建通路模块，构建防御机制模块，评估模块。

专利名称：基于对抗式生成网络的深度学习对抗性攻击防御方法      申请号：2018101412100     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 深度学习   相似专利 发布日：2023/09/14  
摘要： 一种基于对抗式生成网络的深度学习对抗性攻击防御方法，包括以下步骤：1)基于生成对抗网络在学习样本分布中表现出来的高性能，设计了通过生成对抗网络生成对抗样本的方法，在增加了目标模型网络集合TMi后，基于G网络的样本生成变成了一个多目标的优化问题；对于AG‑GAN模型的训练主要是对生成网络G和判别网络D的参数训练，分为三个模块；2)利用AG‑GAN生成的对抗样本训练被攻击的深度学习模型，从而提高其防御不同种对抗样本的能力。本发明一种基于对抗式生成网络的深度学习对抗性攻击防御方法，有效提高其安全性。

专利名称：一种基于深度学习的复合机在线质量监测系统      申请号：2022111424257     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   相似专利 发布日：2023/09/04  
摘要： 本发明提供一种基于深度学习的复合机在线质量监测系统，包括：至少一个第一图像采集模块，用于采集压合前的基材的上表面的第一图像；至少一个第二图像采集模块，用于采集压合后的基材的上表面的第二图像；图像处理模块，分别与所述第一图像采集模块和所述第二图像采集模块电连接，用于将所述第一图像和所述第二图像分别输入对应的基于深度学习的神经网络，确定复合材料是否异常；控制模块，与所述图像处理模块电连接；报警模块，与所述控制模块电连接，用于当所述控制模块接收到所述图像处理模块发送的所述复合材料异常时，发出报警。本发明的基于深度学习的复合机在线质量监测系统，实现了复合机制作的复合材料的在线监测。

专利名称：基于人工设计特征和深度学习特征自适应融合的红外行为识别方法      申请号：2016101394508     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   相似专利 发布日：2023/07/10  
摘要： 本发明涉及一种基于人工设计特征和深度学习特征自适应融合的红外行为识别方法，包括以下步骤：S1：通过人工设计特征模块，对原始视频进行改进的密集轨迹特征提取；S2：对提取到的人工设计特征进行特征编码；S3：通过CNN特征模块，对原始视频图像序列，利用一种变分光流算法提取光流信息，得到对应光流图像序列；S4：利用卷积神经网络，对步骤S3中得到的光流图序列提取CNN特征；S5：将数据集分为训练集和测试集；对训练集数据，通过权重优化网络学习权重，利用学习到的权重将CNN特征分类网络和人工设计特征分类网络的概率输出进行加权融合，通过对比识别结果得出最优权重，并将其应用于测试集数据分类。本方法创新了特征融合方式，提高了红外视频中行为识别的可靠性，对后续视频分析工作有重大意义。

专利名称：一种基于深度学习的个性化文本推荐方法      申请号：2020100139522     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   相似专利 发布日：2023/07/10  
摘要： 本发明涉及一种基于深度学习的个性化文本推荐方法，包括以下步骤：S1：用户浏览新闻的历史行为数据和文本数据预处理；S2：特征提取器建模，具体包括：S21：隐藏层设计；S22：输出层设计；S3：个性化推荐模型建模，具体包括：S31：一维卷积网络层设计；S32：分类输出层与损失函数设计。本发明有效的解决了操作数据稀疏性的问题，并且通过使用负采样技术增强了模型训练效率；引入浏览时长作为全局变量，通过最终的目的来优化编码效果；通过利用项目嵌入的编码方式，进而有效的解决了项目冷启动的问题；减少了深层结构，增加并行的层次结构，卷积层内权重共享，参数相对较少。