专利快速检索-快速检索全球专利，免费商用专利数据库-IPRDB

81. 发明专利

DE102022114201A1 Neuronales Netz zur Objekterfassung und -Nachverfolgung 未知
公开(公告)号：DE102022114201A1
公开(公告)日：2022-12-15
申请号：DE102022114201
申请日：2022-06-03
申请人： FORD GLOBAL TECH LLC
发明人： JAIPURIA NIKITA , FRANKEL ERIC
IPC分类号： G06V10/82 , G06N3/08
摘要： Ein generatives kontradiktorischen Netz mit dualem Variationsautoencoder (VAE-GAN) wird zum Transformieren einer realen Videosequenz und einer simulierten Videosequenz durch Eingeben der realen Videodaten in einen realen Videodecodierer und einen realen Videocodierer und Eingeben der simulierten Videodaten in einen synthetischen Videocodierer und einen synthetischen Videodecodierer trainiert. Reale Verlustfunktionen und simulierte Verlustfunktionen werden auf Grundlage einer Ausgabe von einem realen Videodiskriminator bzw. einem simulierten Videodiskriminator bestimmt. Die realen Verlustfunktionen werden durch den realen Videocodierer und den realen Videodecodierer rückpropagiert, um den realen Videocodierer und den realen Videodecodierer auf Grundlage der realen Verlustfunktionen zu trainieren. Die synthetischen Verlustfunktionen werden durch den synthetischen Videocodierer und den synthetischen Videodecodierer rückpropagiert, um den synthetischen Videocodierer und den synthetischen Videodecodierer auf Grundlage der synthetischen Verlustfunktionen zu trainieren. Der reale Videodiskriminator und der synthetische Videodiskriminator können trainiert werden, um eine authentische Videosequenz aus einer gefälschten Videosequenz unter Verwendung der realen Verlustfunktionen und der synthetischen Verlustfunktionen zu bestimmen. Die annotierte simulierte Videosequenz kann mit dem synthetischen Videocodierer und dem realen Videodecodierer des dualen VAE-GAN transformiert werden, um eine rekonstruierte annotierte reale Videosequenz zu generieren, die Stilelemente auf Grundlage der realen Videosequenz beinhaltet. Ein zweites neuronales Netz wird unter Verwendung der rekonstruierten annotierten realen Videosequenz trainiert, um Objekte zu erfassen und nachzuverfolgen.

82. 发明专利

IL285121B Deep learning system for cuboid detection 未知
公开(公告)号：IL285121B
公开(公告)日：2022-12-01
申请号：IL28512121
申请日：2021-07-25
申请人： MAGIC LEAP INC
IPC分类号： G06V10/44 , G06V10/82 , G06V20/64 , G06V30/19 , G06V30/194 , G06V30/196 , G06V30/198 , G06V30/199
摘要： Systems and methods for cuboid detection and keypoint localization in images are disclosed. In one aspect, a deep cuboid detector can be used for simultaneous cuboid detection and keypoint localization in monocular images. The deep cuboid detector can include a plurality of convolutional layers and non-convolutional layers of a trained convolution neural network for determining a convolutional feature map from an input image. A region proposal network of the deep cuboid detector can determine a bounding box surrounding a cuboid in the image using the convolutional feature map. The pooling layer and regressor layers of the deep cuboid detector can implement iterative feature pooling for determining a refined bounding box and a parameterized representation of the cuboid.

83. 发明专利

AU2022202669A1 METHOD FOR EXTRACTING OIL STORAGE TANK BASED ON HIGH-SPATIAL RESOLUTION REMOTE SENSING IMAGE 未知
公开(公告)号：AU2022202669A1
公开(公告)日：2022-11-24
申请号：AU2022202669
申请日：2022-04-22
申请人： AEROSPACE INFORMATION RESEARCH INSTITUTE CHINESE ACADEMY OF SCIENCES
发明人： YU BO , WANG YU , CHEN FANG , WANG LEI
IPC分类号： G06V20/13 , G06N3/08 , G06Q10/08 , G06V10/82
摘要： A method for extracting an oil storage tank based on a high-spatial-resolution remote sensing image is provided, including: acquiring an oil storage tank sample, and randomly dividing the oil storage tank sample into a training set and a testing set; building an oil storage tank extraction model based on a Res2-Unet model structure, wherein the Res2-Unet is a deep learning network based on a UNet semantic segmentation structure, and a Res2Net convolution block is configured to change a feature interlayer learning to a granular learning and is arranged in a residual mode; and performing a precision verification on the testing set. According to the present disclosure, the Unet network structure is improved using the Res2Net block, and a model's ability to learn a multi-scale feature of the oil storage tank is enhanced, so that an ability to extract different scales of oil storage tanks may be improved, and then a robustness of the model may be improved. An oil storage tank is acquired [Training set Testing set An oil storage extraction model is built based on Res2 Unet model structure Precision verification Input Output image result 128 * 128 Feature stitching Featurepooling 512 rtt 512 3x3 convolution block Feature deconvolution 1024 2048 Res2Net convolution block

84. 发明专利

DE202022106133U1 Ein auf generativen adversarischen Netzen basierendes System zur Synthese von Text und Bild 未知
公开(公告)号：DE202022106133U1
公开(公告)日：2022-11-14
申请号：DE202022106133
申请日：2022-11-01
申请人： BIRADAR VIDYADEVI GURUNANJAPPA , GOUNDER MOHAN SELLAPPA , NITTE MEENAKSHI INSTITUTE OF TECH , RESHMA KUMARI , TRIBHUVANAM SUNDARI
IPC分类号： G06V10/82 , G06V30/10
摘要： Ein generatives, auf adversen Netzwerken basierendes System zur Synthese von Text und Bild, wobei das System umfasst:eine Erfassungseinheit zum Empfang von Eingangsbilddaten aus einem oder mehreren Datensätzen;eine Vorverarbeitungseinheit zur Kodierung der Merkmalskarte der visuellen Teile der Eingangsbilder der Eingangsbilddaten unter Verwendung generativer adverser Netzwerke (GAN), wodurch die Bilddaten anschließend vektorquantisiert werden;eine Steuereinheit zur Erzeugung eines Codebuchs als Zwischendarstellung der Bilddaten; undeine Transformator-Verarbeitungseinheit zum Empfangen des Codebuchs als eine Sequenz, wobei die Transformator-Verarbeitungseinheit darauf trainiert ist, die Zusammensetzung der kodierten Sequenzen als hochauflösende Bilder als Generator zu modellieren.

85. 发明专利

DE102022110917A1 ANOMALIENDETEKTION FÜR TIEFE NEURONALE NETZE 未知
公开(公告)号：DE102022110917A1
公开(公告)日：2022-11-10
申请号：DE102022110917
申请日：2022-05-03
申请人： FORD GLOBAL TECH LLC
发明人： PANDEY GAURAV
IPC分类号： G06V10/82
摘要： Ein Bild, das ein erstes Objekt beinhaltet, kann in ein tiefes neuronales Netz eingegeben werden, das dazu trainiert ist, Objekte zu detektieren; Das tiefe neuronale Netz kann einen ersten Merkmalsvektor ausgeben, der dem ersten Objekt entspricht. Ein erster Abstand von dem ersten Merkmalsvektor zu einem Merkmalsvektor-Teilraum, der unter Verwendung eines K-Means-Einzelwertzerlegungsalgorithmus an einem übervollständigen Verzeichnis von Merkmalsvektoren bestimmt wird, kann gemessen werden. Auf Grundlage des ersten Abstandes kann bestimmt werden, dass das erste Objekt einer Anomalie entspricht.

86. 发明专利

DE102022110889A1 HALBÜBERWACHTES TRAINING GROBER LABELS BEI BILDSEGMENTIERUNG 未知
公开(公告)号：DE102022110889A1
公开(公告)日：2022-11-10
申请号：DE102022110889
申请日：2022-05-03
申请人： MICRON TECHNOLOGY INC
发明人： CHAURASIA ABHISHEK , GIANNIOS KATYA
IPC分类号： G06V10/26 , G06V10/82
摘要： Ein System, ein Verfahren und eine Vorrichtung zur Bildsegmentierung mit halbüberwachtem Training eines künstlichen neuronalen Netzwerks unter Verwendung grober Labels. Beispielsweise wird ein erstes künstliches neuronales Netzwerk dazu trainiert, Bildsegmentierung an ersten Bildern gemäß feinen Labels der Bildsegmentierung für die ersten Bilder auszuführen und Bildsegmentierung an zweiten Bildern gemäß groben Labels der Bildsegmentierung für die zweiten Bilder auszuführen. Nach dem Training wird das erste künstliche neuronale Netzwerk verwendet, um Bildsegmentierung der zweiten Bilder auszuführen, um verbesserte Labels der Bildsegmentierung für die zweiten Bilder zu identifizieren. Anschließend kann eine Technik des überwachten maschinellen Lernens dazu verwendet werden, ein zweites künstliches neuronales Netzwerk zu trainieren, um Bildsegmentierung an den ersten Bildern gemäß feinen Labels und an den zweiten Bildern gemäß den verbesserten Labels auszuführen.

87. 发明专利

SE2251301A1 Audio-driven body motion synthesis using a diffusion probabilistic model. 未知
公开(公告)号：SE2251301A1
公开(公告)日：2022-11-09
申请号：SE2251301
申请日：2022-11-08
申请人： MOTORICA AB
发明人： HENTER GUSTAV , ALEXANDERSON SIMON
IPC分类号： G06N3/08 , G06N20/00 , G06V10/82 , G06V40/20
摘要： Audio-driven body motion synthesisThere is disclosed a method (100) for providing a model suitable for audio-driven body motion synthesis, the method comprising: obtaining (no) combined audio training data and body-motion training data; forming (120) conditioning data, wherein the conditioning data includes the audio training data; providing (122) a model of body pose sequences using a trainable diffusion probabilistic model; and training (124) the model on the basis of the body-motion training data and the conditioning data. To perform audio-driven body motion synthesis using this trained model, a further method disclosed herein comprises: obtaining an audio signal; and generating a sequence of body poses from the model conditioned upon at least the audio signal. This synthesis may optionally use classifier-free guidance for all or parts of the conditioning.

88. 发明专利

DE112020006410T5 DREIDIMENSIONALE KREUZUNGSSTRUKTURVORHERSAGE FÜR ANWENDUNGEN ZUM AUTONOMEN FAHREN 未知
公开(公告)号：DE112020006410T5
公开(公告)日：2022-10-27
申请号：DE112020006410
申请日：2020-12-09
申请人： NVIDIA CORP
发明人： PHAM TRUNG , RODRIGUEZ HERVAS BERTA , PARK MINWOO , NISTER DAVID , CVIJETIC NEDA
IPC分类号： G06V20/58 , G06V10/82
摘要： In verschiedenen Beispielen kann eine dreidimensionale (3D-) Kreuzungsstruktur mit Hilfe eines tiefen neuronalen Netzes (DNN) vorhergesagt werden, welches auf der Verarbeitung zweidimensionaler (2D-) Eingabedaten basiert. Um das DNN so zu trainieren, dass es 3D-Kreuzungsstrukturen aus 2D-Eingabedaten genau vorhersagen kann, kann das DNN mit einer ersten Verlustfunktion, welche die 3D-Ausgaben des DNN - nach einer Konvertierung in den 2D-Raum - mit 2D-Ground-Truth-Daten vergleicht, und mit einer zweiten Verlustfunktion, welche die 3D-Vorhersagen des DNN im Hinblick auf eine oder mehrere geometrische Bedingungen analysiert, trainiert werden - z.B. kann geometrisches Wissen über Kreuzungen verwendet werden, um Vorhersagen des DNN zu bestrafen, welche nicht mit bekannten Kreuzungs- und/oder Straßengeometrien übereinstimmen. So kann eine Live-Wahrnehmung eines autonomen oder halbautonomen Fahrzeugs von dem DNN genutzt werden, um 3D-Positionen von Kreuzungsstrukturen aus 2D-Eingaben zu erkennen.

89. 发明专利

CA3155956A1 SYSTEMS AND METHODS FOR AUTOMATICALLY IDENTIFYING FEATURES OF A CYTOLOGY SPECIMEN 未知
公开(公告)号：CA3155956A1
公开(公告)日：2022-10-16
申请号：CA3155956
申请日：2022-04-14
申请人： TIZHOOSH HAMID REZA , CAMPBELL CLINTON JAMES VAUGHAN
发明人： TIZHOOSH HAMID REZA , CAMPBELL CLINTON JAMES VAUGHAN , MOOSAVITAYEBI SEYED ROHOLLAH
IPC分类号： G16H30/40 , G06V10/74 , G06V10/82 , G06V20/69
摘要： Computer-implemented methods and systems are provided for automatically identifying features of a cytology specimen. An example method can involve dividing a whole slide image of the cytology specimen into a plurality of image portions; applying a first neural network to each image portion to identify one or more relevant image portions; and applying a second neural network to a first relevant image portion and a second relevant image portion to generate a respective first and second cell data. Each relevant image portion can be an image portion containing a region of interest for the cytology specimen. The method can further involve comparing the first and second cell data to determine whether a similarity threshold is satisfied; and in response to determining the similarity threshold is not satisfied, continuing to apply the second neural network to a subsequent relevant image portion until the similarity threshold is satisfied.

90. 发明专利

GR1010325B ΕΠΙΣΗΜΑΝΣΗ ΜΗ ΧΑΡΑΚΤΗΡΙΣΜΕΝΩΝ ΕΙΚΟΝΩΝ ΜΕ ΧΡΗΣΗ ΣΥΝΕΛΙΚΤΙΚΩΝ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ 未知
公开(公告)号：GR1010325B
公开(公告)日：2022-10-14
申请号：GR20220100154
申请日：2022-02-18
申请人： SYSTIMATA YPOLOGISTIKIS ORASIS IRIDA LABS A E
发明人： TSAGKARIS VASILEIOS , THEOCHARATOS CHRISTOS , KASTANIOTIS DIMITRIS
IPC分类号： G06K9/62 , G06N3/08 , G06T7/10 , G06V10/25 , G06V10/26 , G06V10/764 , G06V10/82
摘要： ΜιαμέθοδοςκαιμέσααποθήκευσηςπολυμέσωνγιαεπιβλεπόμενασυστήματαΒαθιάςΜάθησηςγιαάμεσηεκμάθησηαπόμηχαρακτηρισμέναδεδομένακαιδίχωςκαμίαεπισήμανσηαπότονχρήστη. Ημέθοδοςενσωματώνειμιανέαοντότηταεκμάθησης, την LSTN (ΔίκτυοΧωρικούΕντοπισμού, ΣύνθεσηςκαιΔασκάλου/Επισήμανσης), ηοποίαδιαθέτειμηχανήσύνθεσηςκαιπαραγωγήςδεδομένωνκαθώςκαιέναδίκτυοστορόλοΔασκάλουγιαανίχνευσηκαιτμηματοποίησηαντικειμένωντοοποίοτροφοδοτείτονβρόχοεπεξεργασίαςμενέαεπισημασμένααντικείμεναταοποίαανιχνεύονταισενέεςεικόνεςπουσυλλέγονταιστοπεδίο. Ημονάδα LSTN μαθαίνειναεντοπίζεικαινατμηματοποιείαντικείμενασεμιαεικόναακολουθώνταςμη-επιβλεπόμενηπροσέγγιση, καθώςδενπαρέχονταισχολιασμοίτηςμάσκαςτμηματοποίησηςή τουπλαισίουοριοθέτησηςαντικειμένων. Ηπροσέγγισησχετίζεταιμετηδιαβίουκαισυνεχήμάθησηκαιτιςπροσεγγίσειςσταδιακήςμάθησηςπουεπιτρέπουνστασυστήματαναβελτιώνουντηναπόδοσητουςή νααυξάνουντιςγνώσειςτουςχρησιμοποιώνταςδεδομέναπουπαρατηρούνταικατάτηνανάπτυξηή παρέχονταιαπότονχρήστη.

你已经成功收藏专利！

检索式保存成功!

IPRDB

热门服务

关于我们

友情链接

联系方式