-
Patent Agency Ranking
公开(公告)号：CN109472348A
公开(公告)日：2019-03-15
申请号：CN201811236611.0
申请日：2018-10-23
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于忆阻交叉阵列的LSTM神经网络系统，包括：输入层、特征提取层和分类输出层，特征提取层包括：数据存储器、第一忆阻交叉阵列、第一DA转换器和AD转换器，所述分类输出层包括：第二DA转换器、第二忆阻交叉阵列和电压比较器；所述第一忆阻交叉阵列，用于进行特征提取；所述第二忆阻交叉阵列，用于进行特征分类，所述电压比较器，用于对多个模拟电压进行比较，得到多个模拟电压的比较结果；将比较结果中的最大值作为输入层的数字信号的分类结果。本发明系统尺寸更小，功耗更低。
-
公开(公告)号：CN109472348B
公开(公告)日：2022-02-18
申请号：CN201811236611.0
申请日：2018-10-23
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于忆阻交叉阵列的LSTM神经网络系统，包括：输入层、特征提取层和分类输出层，特征提取层包括：数据存储器、第一忆阻交叉阵列、第一DA转换器和AD转换器，所述分类输出层包括：第二DA转换器、第二忆阻交叉阵列和电压比较器；所述第一忆阻交叉阵列，用于进行特征提取；所述第二忆阻交叉阵列，用于进行特征分类，所述电压比较器，用于对多个模拟电压进行比较，得到多个模拟电压的比较结果；将比较结果中的最大值作为输入层的数字信号的分类结果。本发明系统尺寸更小，功耗更低。
-
公开(公告)号：CN108764128A
公开(公告)日：2018-11-06
申请号：CN201810516281.4
申请日：2018-05-25
Applicant: 华中科技大学
CPC classification number: G06K9/00718 , G06K9/6249
Abstract: 本发明公开了一种基于稀疏时间分段网络的视频动作识别方法，包括：从每个训练视频中提取信息，对时间分段网络进行第一次训练、优化；在第一次优化后的网络加入稀疏项，进行第二次训练和优化；对第二次优化后的网络进行裁剪和尺寸调整；对尺寸调整后的网络进行第三次训练优化，直至识别精度或者稀疏度达到期望；从待识别视频中提取信息，将提取的信息输入至第三次优化后的网络，将时间分段网络的输出融合后得到动作识别结果。本发明通过时间分段网络获取更长段视频的信息，同时双流卷积网络结构能更充分地利用视频信息，使动作识别精度大幅提高；结构化稀疏方法能成组地稀疏卷积层的权重，网络裁剪进一步精简模型，降低存储空间。
-
公开(公告)号：CN108985181A
公开(公告)日：2018-12-11
申请号：CN201810654160.6
申请日：2018-06-22
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于检测分割的端对端人脸标注方法，包括：标注人脸图像训练集中每张人脸图像需要检测的区域；构建端对端的人脸分割标注神经网络模型，所述神经网络模型包括由共享特征模块、人脸成分检测模块、ROI特征提取模块、三个子网络模块、三分类网络模块组成；基于人脸图像训练集，训练端对端的人脸分割标注神经网络模型，各个模块同步训练；利用训练好的人脸分割标注神经网络模型对测试人脸图像进行分割标注。本发明采用逐级反卷积上采样和高低特征融合获得不同尺度的共享特征，捕捉更多细节信息；通过为分布面积较少的语义类别设计子网络，提高了分割精度；通过统一训练提升整个模型的表达能力。
-
公开(公告)号：CN108985181B
公开(公告)日：2020-07-24
申请号：CN201810654160.6
申请日：2018-06-22
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于检测分割的端对端人脸标注方法，包括：标注人脸图像训练集中每张人脸图像需要检测的区域；构建端对端的人脸分割标注神经网络模型，所述神经网络模型包括由共享特征模块、人脸成分检测模块、ROI特征提取模块、三个子网络模块、三分类网络模块组成；基于人脸图像训练集，训练端对端的人脸分割标注神经网络模型，各个模块同步训练；利用训练好的人脸分割标注神经网络模型对测试人脸图像进行分割标注。本发明采用逐级反卷积上采样和高低特征融合获得不同尺度的共享特征，捕捉更多细节信息；通过为分布面积较少的语义类别设计子网络，提高了分割精度；通过统一训练提升整个模型的表达能力。
-
-
-
-
Search Results
5
records
(took 0.016 seconds)
