“T·O·艾拉”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果11个，建议您升级VIP下载更多相关专利

[发明专利]用稀疏数据训练神经网络的系统和方法-CN202211695918.3在审
发明人： C·J·蒙克贝里;J·N·T·黑塞尔格伦;J·T·莱赫蒂宁;T·O·艾拉 -专利权人：辉达公司
申请日： 2018-06-08 - 公布日： 2023-05-02 - 主分类号： G06N3/08 文献下载
摘要：本申请涉及用稀疏数据训练神经网络的系统和方法。公开了用于训练神经网络模型的方法、计算机可读介质和系统。所述方法包括步骤：从包括输入向量和稀疏目标向量的一组训练数据中选择输入向量，其中每个稀疏目标向量包括对应于神经网络模型的输出向量内的样本子集的目标数据。所述方法还包括步骤：通过神经网络模型处理输入向量以针对输出向量内的样本产生输出数据，以及调整神经网络模型的参数值以针对样本子集减小输出向量与稀疏目标向量之间的差。
稀疏数据训练神经网络系统方法

[发明专利]连续数学算子的融合处理-CN202210664254.8在审
发明人： T·T·卡拉斯;M·S·艾塔拉;S·M·莱内;E·A·海尔克宁;J·J·海尔斯顿;J·T·莱赫蒂宁;T·O·艾拉 -专利权人：辉达公司
申请日： 2022-06-13 - 公布日： 2022-12-20 - 主分类号： G06N3/08 文献下载
摘要：本发明涉及连续数学算子的融合处理。公开了用于连续数学算子的融合处理的系统和方法。连续数学运算的融合处理(例如逐点非线性函数)但无需将中间结果存储到存储器，在存储器总线带宽有限时提高了性能。在一个实施例中，执行包括卷积、上采样、逐点非线性函数和下采样中的至少两个的连续数学运算以处理输入数据并生成无混叠输出数据。在一个实施例中，输入数据被空间上分块以用于并行处理，使得在处理每个块的输入数据期间生成的中间结果可以存储在处理器内的共享存储器中。与将中间数据存储到外部存储器并从外部存储器加载中间数据相比，将中间数据存储在共享存储器中提高了性能。
连续数学算子融合处理

[发明专利]减少混叠的生成神经网络-CN202210665806.7在审
发明人： T·T·卡拉斯;M·S·艾塔拉;S·M·莱内;E·A·海尔克宁;J·J·海尔斯顿;J·T·莱赫蒂宁;T·O·艾拉 -专利权人：辉达公司
申请日： 2022-06-13 - 公布日： 2022-12-20 - 主分类号： G06N3/08 文献下载
摘要：公开了减少混叠的生成神经网络。公开了改进任何神经网络(特别是图像生成神经网络)的输出质量的系统和方法。在现实世界中，不同尺度的细节倾向于分层次变换。例如，移动一个人的头会导致鼻子移动，这反过来又移动了鼻子上的皮肤毛孔。传统的生成神经网络不会以自然的层次结构方式合成图像：粗糙特征似乎主要控制着更精细的特征的存在，但不能控制更精细的特征的精确位置。相反，许多精细细节似乎都固定在像素坐标上，这是混叠的一种体现。混叠破坏了固体连贯物体在空间中移动的错觉。减少混叠的生成神经网络提供了一种表现出更为自然的变换层次结构的架构，其中每个特征的确切子像素位置继承自底层粗糙特征。
减少生成神经网络

[发明专利]使用神经网络的视频压缩和解压缩-CN202180005932.3在审
发明人：刘洺堉;王鼎钧;A·M·马尔雅;T·T·卡拉斯;S·M·莱内;D·P·利布基;J·莱赫蒂宁;M·S·艾塔拉;T·O·艾拉 -专利权人：辉达公司
申请日： 2021-04-14 - 公布日： 2022-05-27 - 主分类号： H04N19/42 文献下载
摘要：使用神经网络执行对视频数据的压缩以促进视频流(例如视频会议)的装置、系统和技术。在至少一个实施例中，发送者向接收者发送来自视频数据的关键帧和由神经网络从所述视频数据识别的一个或更多个关键点，并且接收者使用所述关键帧和一个或更多个接收到的关键点重建视频数据。
使用神经网络视频压缩和解压缩

[发明专利]从二维图像恢复三维模型-CN202110925800.4在审
发明人： S·M·莱内;J·J·海尔斯顿;T·T·卡拉斯;Y·薛;J·T·莱赫蒂宁;T·O·艾拉 -专利权人：辉达公司
申请日： 2021-08-12 - 公布日： 2022-03-08 - 主分类号： G06T15/04 文献下载
摘要：公开了从二维图像恢复三维模型。从对象的二维(2D)图像恢复对象的三维(3D)模型。2D图像集合中的每个图像包括从不同相机位置捕获的对象，并且可计算对应于每个图像的限定3D模型的基本网格的变形。3D模型还可以包括表示3D模型的照明和材料属性的纹理映射。3D模型的恢复依赖于分析性抗混叠来提供2D图像中的像素颜色和3D模型的几何形状之间的链接。模块化可微分渲染器设计通过利用现有的高度优化的硬件图形管线来重建3D模型而产生高性能。可微分渲染器渲染3D模型的图像，并且所渲染的图像和参考图像之间的差通过渲染管线反向传播以迭代地调整3D模型。
二维图像恢复三维模型

[发明专利]使用可逆增强算子采用有限数据训练神经网络-CN202110623844.1在审
发明人： T·T·卡拉斯;M·S·艾塔拉;J·J·海尔斯顿;S·M·莱内;J·T·莱赫蒂宁;T·O·艾拉 -专利权人：辉达公司
申请日： 2021-06-04 - 公布日： 2021-12-07 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了使用可逆增强算子采用有限数据训练神经网络，实施例涉及用于使用有限的数据量来训练神经网络(诸如生成对抗神经网络(GAN))的技术。使用太少的示例数据来训练GAN通常导致鉴别器过度拟合，从而导致训练发散并产生差的结果。使用自适应鉴别器增强机制，该机制显著稳定具有有限数据的训练，从而提供训练高质量GAN的能力。将增强算子应用于用于训练生成器的鉴别器的输入的分布，其表示可逆的变换，以确保不存在到由生成器生成的图像的增强泄漏。减少实现收敛所需的训练数据的量具有显著帮助许多应用的潜力，并且可增加在诸如医学之类的领域中的生成模型的使用。
使用可逆增强算子采用有限数据训练神经网络

[发明专利]生成对抗神经网络辅助的视频压缩和广播-CN202110168307.2在审
发明人： T·T·卡拉斯;S·M·莱内;D·P·利布基;J·T·莱赫蒂宁;M·S·艾塔拉;T·O·艾拉;刘洺堉;A·M·马尔雅;王鼎钧 -专利权人：辉达公司
申请日： 2021-02-07 - 公布日： 2021-10-22 - 主分类号： H04N19/42 文献下载
摘要：本发明公开了生成对抗神经网络辅助的视频压缩和广播。由映射神经网络处理在输入空间中定义的潜码，以产生在中间潜在空间中定义的中间潜码。中间潜码可以用作由合成神经网络处理以生成图像的外观矢量。外观矢量是数据的压缩编码，例如包括人脸、音频和其他数据的视频帧。捕获图像可以在本地设备上转换为外观矢量，并使用与传输捕获图像相比少得多的带宽传输到远程设备。远程设备处的合成神经网络重建图像以供显示。
生成对抗神经网络辅助视频压缩广播

[发明专利]生成对抗神经网络辅助的视频重建-CN202110178888.8在审
发明人： T·T·卡拉斯;S·M·莱内;D·P·利布基;J·T·莱赫蒂宁;M·S·艾塔拉;T·O·艾拉;刘洺堉;A·M·马尔雅;王鼎鈞 -专利权人：辉达公司
申请日： 2021-02-09 - 公布日： 2021-10-22 - 主分类号： H04N19/42 文献下载
摘要：本发明公开了生成对抗神经网络辅助的视频压缩和广播。由映射神经网络处理在输入空间中定义的潜码，以产生在中间潜在空间中定义的中间潜码。中间潜码可以用作由合成神经网络处理以生成图像的外观矢量。外观矢量是数据的压缩编码，例如包括人脸、音频和其他数据的视频帧。捕获图像可以在本地设备上转换为外观矢量，并使用与传输捕获图像相比少得多的带宽传输到远程设备。在远程设备处的合成神经网络重建图像用于显示。
生成对抗神经网络辅助视频重建

[发明专利]用于生成式神经网络的权重解调-CN202110276236.8在审
发明人： T·T·卡拉斯;S·M·莱内;J·T·莱赫蒂宁;M·S·艾塔拉;J·J·海尔斯顿;T·O·艾拉 -专利权人：辉达公司
申请日： 2021-03-15 - 公布日： 2021-09-17 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了用于生成式神经网络的权重解调。基于样式的生成式网络架构使得能够对合成输出数据(诸如图像)进行特定于比例的控制。在训练期间，基于样式的生成式神经网络(生成器神经网络)包括映射网络和合成网络。在预测期间，映射网络可以被省略、复制或评估若干次。合成网络可用于生成具有多种属性的高度变化的、高质量的输出数据。例如，当用于生成人的面部的图像时，可变化的属性是年龄、种族、相机视点、姿势、面部形状、眼镜、颜色(眼睛、头发等)、发型、照明、背景等。取决于任务，生成的输出数据可以包括图像、音频、视频、三维(3D)对象、文本等。
用于生成神经网络权重解调

[发明专利]生成式对抗神经网络的逐步修改-CN201811242789.6在审
发明人：泰罗·塔帕尼·卡拉斯;T·O·艾拉;萨穆利·马蒂亚斯·莱内;J·T·莱赫蒂宁 -专利权人：辉达公司
申请日： 2018-10-24 - 公布日： 2019-07-26 - 主分类号： G06N3/02 文献下载
摘要：本发明公开了生成式对抗神经网络(GAN)的逐步修改。具体地，GAN通过展示许多示例来学习特定任务。在一种情景中，可以训练GAN以生成包括特定对象(例如人脸、自行车等)的新图像。当针对该任务训练GAN时，GAN的拓扑被修改，而不是训练具有预定特征拓扑和特征之间的互连的复杂GAN以学习任务。GAN的拓扑在开始时可以是简单的并且随着在训练期间GAN学习而变得更加复杂，最终演变为匹配复杂GAN的预定拓扑。在开始时，GAN学习任务的大规模细节(自行车有两个轮子)，然后，随着GAN变得更加复杂，学习更小的细节(轮子有轮辐)。
拓扑神经网络生成式学习轮子自行车预定特征新图像对抗互连轮辐人脸匹配情景展示

[发明专利]用稀疏数据训练神经网络的系统和方法-CN201810589639.6在审
发明人： C·J·蒙克贝里;J·N·T·黑塞尔格伦;J·T·莱赫蒂宁;T·O·艾拉 -专利权人：辉达公司
申请日： 2018-06-08 - 公布日： 2018-12-18 - 主分类号： G06N3/08 文献下载
摘要：公开了用于训练神经网络模型的方法、计算机可读介质和系统。所述方法包括步骤：从包括输入向量和稀疏目标向量的一组训练数据中选择输入向量，其中每个稀疏目标向量包括对应于神经网络模型的输出向量内的样本子集的目标数据。所述方法还包括步骤：通过神经网络模型处理输入向量以针对输出向量内的样本产生输出数据，以及调整神经网络模型的参数值以针对样本子集减小输出向量与稀疏目标向量之间的差。
神经网络模型目标向量输出向量输入向量稀疏训练神经网络样本子集计算机可读介质目标数据输出数据稀疏数据训练数据样本产生减小

1
共 11 条