本发明公开了一种基于全卷积网络的多方向文本检测方法，首先获取训练数据集中的文本块，并训练全卷积网络模型；然后利用训练好的全卷积网络模型对测试数据集中的图片进行检测，获取文本块；然后提取文本块的字符成分，并根据字符成分的位置信息估算图像中的候选文本条位置；最后训练针对文本条中字符成分的全卷积网络模型，利用训练好的模型对候选文本条进行检测，获取其中的字符成分，根据字符成分过滤掉不需要的文本条，得到图像中文本条的位置。本发明方法文本检测方法检测率高，且能够克服光照、遮挡、模糊等不利因素的影响。

本发明属于无线通信技术领域，具体涉及一种基于卷积神经网络的干扰信号识别方法。本发明的方法主要包括构建卷积神经网络；对接收到的干扰信号做预处理，将其作为卷积神经网络的输入样本；根据待识别信号的类别，将信号样本及其对应的类别构建为训练集，利用构建的训练集训练构建的卷积神经网络；根据训练的卷积神经网络，对每个预处理后的信号样本进行识别，获得未知信号的所属类别。

本成果提出的基于超像素样本扩充的空谱全卷积高光谱图像分类方法有效的利用高光谱图像的超像素分割结果指导伪样本扩充增加了训练集样本数量，解决了高光谱图像有标记样本的稀缺问题，同时空谱的全卷积分类网络也充分利用了多尺度的空间特征和光谱特征实现了较高的分类精度。 成果非涉密，专利申请已经提交。 实验采用反射光学系统成像光谱仪（ROSIS）传感器获取意大利北部帕维亚大学（Pavia  University）的高光谱图像数据。该数据集由 103 个光谱带组成，共 610×340 像素，光谱覆盖范围从 430nm 到 860nm，空间分辨率为 1.3m。该数据集一共含有 9 个类别的 42776个有标记样本，选取每类 30 个有标记样本作为训练集，其余作为测试集。 由下表可以看出，在每类选取 30 个样本的情况下，本 模 型 的 OA，AA，Kappa系 数 比 DFFN 模 型 高 出20.8%，17.4% 和 26.5%；比CNN 高 出 23.1%，18.8% 和29.2%。并且下表证明了使用了伪标签样本扩充的空谱全卷积网络的本方法在小样本情况下每个类的分类准确性均优于 DFFN 和 CNN，达到了较好的分类效果。 表 1 PaviaU 数据集上对比实验结果

针对原有校园网络，无法满足现有多业务承载、大带宽流量的信息化发展现状，对全校园网络改造建设。

研发阶段/n主要研究支持神经网络芯片的设计自动化工具及FPGA验证系统，设计自动化工 具本身针对ASIC和FPGA都适用。 项目主要研究：（1）研究基于模型层的设计空间探索方法;（2）研究可重构 神经网络硬件单元抽象和归约方法；（3）开发面向嵌入式、功耗约束下的FPGA神 经网络芯片系统，突破神经网络芯片设计小型化遇到的关键难题。本项目提出的自 动综合工具至少支持CNN 等两类不同神经网络拓扑，支持Caffe配置文件prototex 拓扑描述语言，生成的FPGA芯片，性能比CPU快1个数量级，能效比

方案概述：       吉星智慧课堂，以教学课堂为载体，以高性能视频采集、互联网、大数据等前沿信息技术为基础，通过将信息技术与课堂教学融合创新，通过视频互动和答题互动实现师生互动、生生互动、师生与课堂环境（包含书本、教具、书写过程等）的互动和大数据采集分析为一体的智慧课堂教学新模式。 系统价值： 1.教育部门 整套方案符合国家教育信息化2.0关于中小学数字校园建设规范，助力教育局领导在快速全面推进教育信息化建设，实现数字校园全覆盖 2. 对学校： 有助于实现校本特色教学，实现因材施教 3.对老师： 创新的数字化互动教学模式， 可以全面提升老师的教学效率。 4. 对学生： 激发学生学习兴趣，提高主动学习能力，从而提升学生的综合能力。 系统特点： 1、简单易用 无线连接。界面操作简单，无需复杂电脑知识上手快 2、增效减负 通过对过程细节的展示和记录，解决教师重复教学的难题，为老师增效减负 3、小组合作 通过视频互动和答题互动，学生有主题进行讨论，轻松有效地实现小组合作学习 4、个性教学 通过系统提高老师教学效率，教师将更多的时间用于个性化教学，因材施教，发挥学生学习的主动性 5、大数据分析 系统对学生学习过程进行大数据采集和分析，简单快捷地辅助老师教学 6、阅卷测验 系统可将纸质题目一键生成电子版，通过及时的课堂测验，掌握学生学习进度，加深理解 7、答题互动 通过抢答投屏、课堂抢答。学生可即时将实施的视频画面投放至大屏幕，提高主动性，活跃课堂氛围 8、翻转课堂 以学生为中心的互动教学模式，将课堂还给学生，实现真正的翻转课堂 9、错题集 可将学生答过的题目分类生成错题集，培养学生良好的学习习惯，指导学生归纳分析 方案构成： 系统组成 数量 备注 吉星智慧课堂软件网络版 1 必配 视频服务器 1 必配 教师机 1 必配 学生互动终端 2-24 必配 学生IC卡 2-24 必配 充电柜 1-2 选配 联系方式： 广州市吉星信息科技有限公司 地址：广州市黄埔区玉树工业园D栋3楼 联系人：舒经理 电话：18924166589 公司官网：www.jetion.cn

本发明公开了一种基于卷积神经网络的给水管网多点漏损定位方法，包括以下步骤：对供水管网压力数据进行采集，将采集的供水数据分为训练样本和测试样本；将各个样本归一化，归一化后的训练样本输入到卷积神经网络模型中进行训练，得到卷积神经网络模型，归一化后的测试样本对卷积神经网络模型进行测试，保存训练好的卷积神经网络模型；实时数据归一化后输入到训练好的卷积神经网络模型中，通过训练好的卷积神经网络模型来得到预测结果；将预测结果对比标签索引，判断漏损。本发明还公开一种基于卷积神经网络的给水管网多点漏损定位装置。本发明

本发明公开了一种基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法，首先对待检测视频进行预处理，分段并提取运动残差图像，将原始图像与运动残差图像组合作为卷积神经网络算法的输入，建立至少包含一个卷积层和最大池化层的特征提取块，处理并计算原始图像和运动残差图像中包含的人群状态特征，再将人群状态特征和运动特征结合，构建至少包含一个卷积层、最大池化层和全连接层的特征融合块，进行融合处理，同时构建分类器，使用预制的带有拥挤程度标签的训练集对卷积神经网络进行训练，使分类器对待测视频中的乘客拥挤程度进行正确检测，更加全面的表征监控视频中的客流状况，实现拥挤程度的检测，提高了算法检测的准确率。

本发明公开了一种基于多尺度池化的卷积神经网络人脸识别方法。该方法利用多尺度池化的卷积神经网络来提取人脸图像的特征以实现人脸识别。在构建卷积神经网络的过程中，采用卷积和最大值采样交替的方法对特征进行深度提取，另外对每层卷积层采用了多尺度池化的策略和步骤，一并输入到全连接层，使其具有多尺度的、固定大小的特征列向量。本发明不需要对输入的人脸图像做截取或调

专利名称：