[发明专利]卷积神经网络特征提取图像传感器在审
| 申请号： | 201811125110.5 | 申请日： | 2018-09-26 |
| 公开（公告）号： | CN108898191A | 公开（公告）日： | 2018-11-27 |
| 发明（设计）人： | 秦绮玲;刘亚平 | 申请（专利权）人： | 苏州米特希赛尔人工智能有限公司 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06K9/46;G06N3/08 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 215000 江苏省苏*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 卷积神经网络 图像传感器 特征提取 提取图像特征 场景 场景监控 传输带宽 监控结果 目标实现 图像监控 直接传输 泄密 部署 隐私 图像 追踪 分类 回归 学习 | ||
1.一种卷积神经网络特征提取图像传感器，其特征在于，在通用图像传感器之后增加了图像特征提取单元，被提取的图像特征替代原始图像输出。
2.如权利要求1所述的图像特征提取单元，其特征在于，用卷积神经网络作为图像特征提取方法，所述的卷积神经网络可以通过大数据按照所监测图像或检测目标进行训练。
3.如权利要求2所述的卷积神经网络，其特征在于，可以全部或部分部署在所述的特征提取图像传感器的特征提取单元内。
4.如权利要求3所述的部分部署，其特征在于，在图像特征提取单元内只部署所述卷积神经网络的一部分，而另一部分部署在前端，所述的两部分构成完整的深度学习卷积神经网络。
5.如权利要求4所述的两部分卷积神经网络，其特征在于，部署完成后，可以作为一个整体进行训练。
6.如权利要求4所述的两部分卷积神经网络，其特征在于，可以作为一个整体进行训练完成后，再分别分开部署。
7.如权利要求4所述的部署部署，其特征在于，可以将一个复杂的卷积神经网络分成简单的部分和复杂两部分，所述的简单部分部署在所述的征提取图像传感器上，而复杂部分则部署在前端。
8.如权利要求7所述的部署在前端的复杂部分，其特征在于，可以用复杂的卷积神经网络架构处理被监测图像的分类和目标检测与追踪任务。
9.如权利要求7所述的部署在前端的复杂部分，其特征在于，是一个云系统，可以给多个在其图像特征提取单元部署有相同部分卷积神经网络的卷积神经网络特征提取图像传感器共同使用。
10.如权利要求7所述的简单卷积神经网络部分，其特征在于，至少有一层卷积层用于提取特征图像，至少有一层池化层用于降低特征图像维度。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于苏州米特希赛尔人工智能有限公司，未经苏州米特希赛尔人工智能有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201811125110.5/1.html，转载请声明来源钻瓜专利网。
