[发明专利]计算方法决定系统、计算方法决定方法、记录介质有效
| 申请号： | 201980002589.X | 申请日： | 2019-01-23 |
| 公开（公告）号： | CN110709862B | 公开（公告）日： | 2023-06-23 |
| 发明（设计）人： | 平贺督基;黑田康浩;松尾恒;西野秀昭;栗原洸太 | 申请（专利权）人： | 株式会社摩如富 |
| 主分类号： | G06N3/02 | 分类号： | G06N3/02 |
| 代理公司： | 北京三友知识产权代理有限公司 11127 | 代理人： | 朱丽娟;崔成哲 |
| 地址： | 日本*** | 国省代码： | 暂无信息 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 一种计算方法决定系统，所述计算方法决定系统具有：预计算部，其在执行计算的执行环境下，使用针对网络结构的每个层预先准备的至少1个计算方法，执行各层的计算；成本取得部，其根据预计算部的计算结果，针对每个层取得至少1个计算方法的计算成本；决定部，其根据计算成本，针对每个层，从针对每个层预先准备的至少1个计算方法中选择1个计算方法，并将层与所选择的1个计算方法关联起来；以及计算部，其使用与各层关联的计算方法，在执行环境下执行网络结构的各层针对输入数据的计算。 | ||
| 搜索关键词： | 计算方法 决定 系统 方法 记录 介质 | ||
【主权项】：
1.一种计算方法决定系统，其中，所述计算方法决定系统具有：/n预计算部，其在执行用于使用网络结构以及权重数据对输入数据进行处理的计算的执行环境下，使用针对所述网络结构的每个层预先准备的至少1个计算方法，执行所述网络结构的各层针对规定数据的计算；/n成本取得部，其根据所述预计算部的计算结果，针对所述网络结构的每个层取得所述至少1个计算方法的计算成本；/n决定部，其根据所述计算成本，针对所述网络结构的每个层，从针对每个层预先准备的所述至少1个计算方法中选择1个计算方法，并将所述网络结构的层与所选择的所述1个计算方法关联起来；以及/n计算部，其使用被所述决定部与所述网络结构的各层关联起来的所述计算方法，在所述执行环境下执行所述网络结构的各层针对所述输入数据的计算。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
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株式会社摩如富，未经株式会社摩如富许可，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/patent/201980002589.X/，转载请声明来源钻瓜专利网。
- 上一篇：用于训练非线性模型的方法和系统
- 下一篇：使用秘密共享的逻辑回归建模方案
- 同类专利
- 一种目标检测方法、目标检测模型训练方法及装置-202380007919.0
- 唐小军;郑瑞;石瑞姣 - 京东方科技集团股份有限公司
- 2023-02-24 - 2023-10-27 - G06N3/02
- 一种目标检测方法、目标检测模型训练方法及装置，包括：获取待检测图像；采用目标检测模型对待检测图像进行处理，得到待检测图像中待检测目标对应的目标检测结果；其中，目标检测模型包括特征提取网络和目标预测网络；特征提取网络用于对待检测图像进行特征提取得到多种目标对象相关的图像特征；目标检测网络用于对图像特征进行处理得到目标检测结果；目标检测网络包括类别通道层、多个目标通道层和多个坐标通道层。
- 数据传输网络配置-201880040359.8
- J·霍伊迪斯;S·卡默雷尔;S·德尔纳 - 诺基亚技术有限公司
- 2018-05-15 - 2023-10-27 - G06N3/02
- 公开了一种用于配置数据传输网络的方法和设备。该方法由配置设备执行，用于配置数据传输网络，该方法包括：通过以下操作来训练数据传输网络的机器学习模型，其中，机器学习模型至少包括：包括发射机神经网络的发射机模型、信道模型、以及包括接收机神经网络的接收机模型：提供消息序列内的消息；使用发射机神经网络，针对消息序列中的每个消息生成发送符号组；将发送符号组连接在一起作为发送符号序列；使用信道模型模拟发送符号序列通过通信信道发送到接收机；使用接收机神经网络分析接收符号序列以生成解码消息；以及基于所述接收机神经网络的输出，更新机器学习模型。
- 用于深度神经网络的执行方法、执行装置、学习方法、学习装置以及记录介质-201880034647.2
- D·A·古多夫斯基;L·里加齐奥 - 松下电器(美国)知识产权公司
- 2018-08-30 - 2023-10-24 - G06N3/02
- 通过以下步骤执行深度神经网络：在深度神经网络推理期间，通过使用第一变换模块将浮点或定点中间特征映射转换为二进制向量，从而获得呈二进制表征的二进制中间特征映射(S210，S215)；通过使用非线性降维层压缩二进制中间特征映射来生成压缩特征映射(S220)；将压缩特征映射存储到存储器中；通过使用与非线性降维层相对应的重建层对从存储器读取的压缩特征映射进行解压缩来重建二进制中间特征映射(S240)；并使用第二变换模块将重建后的二进制中间特征映射转换为浮点或定点中间特征映射(S245，S250)。
- 算子的调度运行时间比较方法、装置及存储介质-202280006829.5
- 胡以璇;陈金林;伍文龙 - 华为技术有限公司
- 2022-02-08 - 2023-10-17 - G06N3/02
- 本申请实施例数据处理领域，特别涉及一种算子的调度运行时间比较方法、装置及存储介质。该方法包括：获取目标计算表达对应的至少两个候选调度，目标计算表达用于描述算子的计算逻辑；获取代价比较模型，代价比较模型为采用多个样本调度对神经网络进行训练得到的模型；根据至少两个候选调度，调用代价比较模型输出得到代价对比结果，代价对比结果用于指示至少两个候选调度在目标硬件平台上的执行时长的大小排序。本申请实施例可以在不预测调度绝对执行时长的前提下，直接比较不同调度的执行时长的相对大小，从而实现编译器/自动优化器的自动调优功能，大大提高了调度运行代价的评估速度和准确度。
- 一种数据处理方法、装置、设备及介质-202180092652.0
- 范礼;韩树发;皮华立;王洁欣 - 华为技术有限公司
- 2021-02-23 - 2023-10-10 - G06N3/02
- 本申请实施例公开了一种数据处理方法，包括：将第一张量切分为至少两个第一子张量，该第一张量为待处理的多维张量；确定该至少两个第一子张量的目标计算次序，该目标计算次序为该至少两个第一子张量的先后处理顺序；根据该目标计算次序处理该至少两个第一子张量。本申请实施例还提供一种装置、设备及介质。通过将第一张量切分为至少两个第一子张量，使每次需要处理的第一子张量数据量变小，使得中间数据也相应地变小，避免了缓存溢出的情况，从而在后续的工作过程中能够提升高速缓存数据复用率，增加计算数据吞吐，减少缓存与外部存储之间的数据交换频率。
- 身高发育评价方法及终端设备-202011400232.8
- 张淼;庞海 - 石家庄喜高科技有限责任公司
- 2020-12-04 - 2023-10-10 - G06N3/02
- 本发明适用于儿童生长发育评价技术领域，提供了一种身高发育评价方法及终端设备，上述方法包括：采集目标个体的骨骼图像、实际身高及实际年龄；根据目标个体的骨骼图像，采用神经网络模型确定目标个体的骨龄；根据目标个体的骨龄、目标个体的实际身高及目标个体的实际年龄对目标个体的身高进行评价，并输出评价结果。本发明采用神经网络模型检测目标个体的骨龄，检测结果准确，然后根据儿童生产发育的自然规律，通过儿童的实际身高、实际年龄及骨龄对儿童的生长发育进行客观评价，评价结果客观准确，不受人为因素的影响，可为儿童生长发育干预方案的制定提供有力的参考依据。
- 基于神经网络的数据处理方法、装置、平台、介质及设备-202210305979.8
- 曹勇华;石柯;赵建奎;张迎;林炳辉;诸松权;管聪 - 魔门塔（苏州）科技有限公司
- 2022-03-25 - 2023-10-03 - G06N3/02
- 本申请公开了一种基于神经网络的数据处理方法、装置、平台、介质及设备，属于数据处理领域。该方法包括对待处理数据进行数据定义，创建对象实例；通过调用对象实例预先封装的参数接口，对对象实例进行参数设置，得到对象参数；通过调用函数处理接口，将对象参数与对象实例同时输入到神经网络中，在神经网络中利用算法推理库对待处理数据进行预处理，得到预处理数据，并通过调用数据输出接口输出预处理数据；利用算法配置文件和算法推理库，神经网络对预处理数据进行优化处理，得到处理数据；根据用户预定义参数，对处理数据进行后处理，得到标准处理数据。本申请无需算法转换，简单高效，节省了车辆实际部署的时间。
- 一种本地学习方法、设备及介质-202210103243.2
- 朱翔宇;李锐;张晖 - 山东浪潮科学研究院有限公司
- 2022-01-27 - 2023-09-26 - G06N3/02
- 本申请公开了一种本地学习方法、设备及介质。方法包括：通过TinyML模型接收输入的数据流，将数据流通过TinyML模型进行推理，得到推理数据流，并将推理数据流发送至本地学习模块；将推理数据流输入至本地学习模块的附加神经网络层，通过附加神经网络层进行推理，得到预测结果；根据数据流获取标签流，根据预测结果与标签流确定更新矩阵，将更新矩阵发送至本地学习模块的更新层；根据更新矩阵确定更新权重参数，并将更新权重参数发送至附加神经网络层，以根据更新权重参数将附加神经网络层进行更新。本申请通过本地学习系统实现了在资源受限的MCU在线学习，根据收集的数据在本地进行模型权重更新，有效解决了MCU的约束和限制。
- 通信系统中的端到端学习-201780097792.0
- J·霍伊迪斯 - 诺基亚技术有限公司
- 2017-10-23 - 2023-09-19 - G06N3/02
- 本说明书涉及通信系统中的端到端学习，并且描述了：将多个发射器神经网络和多个接收器神经网络组织成多个发射器接收器神经网络对，其中针对多载波传输系统的多个子载波频带中的每个子载波频带，发射器接收器神经网络对被定义；将多载波传输系统的多个符号布置成多个传输块；将所述传输块中的每个传输块映射到发射器接收器神经网络对中的一个发射器接收器神经网络对；使用所映射的发射器接收器神经网络对来传输每个符号；以及针对每个发射器接收器神经网络对，使用损失函数来训练发射和接收神经网络的至少一些权重。
- 神经网络生成装置、神经网络运算装置、边缘设备、神经网络控制方法以及软件生成程序-202280011699.4
- 德永拓之 - 利普麦德株式会社
- 2022-02-01 - 2023-09-15 - G06N3/02
- 一种神经网络生成装置，生成对神经网络进行运算的神经网络执行模型，所述神经网络执行模型基于包含8比特以上的元素的输入数据与多个阈值的比较，将该输入数据变换为比所述元素低比特的变换值。
- 基于神经网络的江蓠原料液料比预测方法及装置-202010485488.7
- 倪辉;梁懿;陈艳红;姜泽东;朱艳冰;李清彪 - 集美大学
- 2020-06-01 - 2023-09-15 - G06N3/02
- 本发明公开了一种基于神经网络的江蓠原料液料比预测方法、介质、设备及装置，其中方法包括：获取历史数据，其中，所述历史数据包括琼脂指标和对应的江蓠原料液料比；根据所述历史数据进行神经网络模型的训练，以生成江蓠原料液料比预测模型；获取待预测琼脂指标，并将所述待预测琼脂指标输入到所述江蓠原料液料比预测模型，以便所述江蓠原料液料比预测模型根据所述待预测琼脂指标生成相应的预测江蓠原料液料比；能够在生产之前对江蓠原料和液料配比进行有效预测，以在保证琼脂质量的同时，降低水资源的消耗量。
- 胶囊机器人无线供能系统优化方法、系统、装置及介质-202110752216.3
- 李旻;梅远腾 - 华南理工大学
- 2021-07-02 - 2023-09-15 - G06N3/02
- 本发明公开了一种胶囊机器人无线供能系统优化方法、系统、装置及介质，其中方法包括以下步骤：构建系统传输效率的数学模型；构建耦合线圈参数的BP神经网络模型，对BP神经网络模型进行训练；将数学模型与训练后的BP神经网络模型进行结合，获得系统优化目标函数；采用粒子群优化算法对所述系统优化目标函数进行优化，获得优化后的系统参数。本发明通过构建耦合线圈参数的BP神经网络模型，避免数学解析的复杂计算以及长时间的有限元软件分析，简化了无线能量传输系统参数优化过程，能够实现多参数的优化，提高系统传输性能；另外，结合粒子群优化算法对无线能量传输系统进行优化，便于操作，易于实现。本发明可广泛应用于微机电系统领域。
- 一种网络参数处理方法及装置-201910121917.X
- 徐兵;张楠赓 - 嘉楠明芯（北京）科技有限公司
- 2019-02-19 - 2023-09-12 - G06N3/02
- 本公开是关于一种网络参数处理方法及装置。所述方法包括：获取神经网络不同网络层的网络参数；分别对所述不同网络层的网络参数进行量化。利用本公开各个实施例提出的技术方案，通过对神经网络中不同网络层的网络参数分别量化，可以根据不同网络层对应的数据分布特征，确定与所述网络层相适配的量化位宽，这样，不仅可以使得各个网络层的位宽收敛到最小值，从整体上也压缩了存储和计算所述网络参数所需的位宽。
- 数据溢出检测方法、装置、设备及存储介质-202010407061.5
- 郑刘坡 - 杭州海康威视数字技术股份有限公司
- 2020-05-14 - 2023-09-12 - G06N3/02
- 本申请提供一种数据溢出检测方法、装置、设备及存储介质。该方法包括：获取用于部署深度学习网络的硬件平台的定点运算资源信息；根据预置的初始数值范围和各个网络层的范围钳制函数，按照所述深度学习网络的前向运算顺序，逐层确定各个网络层的第一数值范围；根据各个网络层的第一数值范围、网络参数和所述定点运算资源信息，对所述深度学习网络进行数据溢出检测，得到溢出检测结果。本申请能够使确定出的各个网络层的输入特征图的数值范围更为精准，进而有效提高网络溢出检测的精准性。
- 用于值函数的优化和期望数据的生成的监督VAE-202280009878.4
- 闵旭;梅婧;张渊;唐泽方 - 国际商业机器公司
- 2022-01-12 - 2023-09-05 - G06N3/02
- 一种模型学习和样本值生成框架包括用于综合集成编码、解码和值预测、以及优化函数以尽可能准确地重构原始输入样本数据空间的系统和方法。该系统利用变分自动编码器模型来生成尽可能真实的该数据空间的样本。该系统基于潜在特征数据而不是原始输入数据来学习值预测函数以实现目标结果。此外，该系统在没有约束的情况下解决了潜在空间中的优化问题，从而避免了在原始样本数据空间中进行优化的困难。所生成的最优样本与真实世界输入样本尽可能地相似。该系统提供了灵活的数据生成机制，其适用于各种目标结果规范。
- 程序代码自动生成装置以及程序-202280009077.8
- 白川基光 - 聪丰罗株式会社
- 2022-01-18 - 2023-09-05 - G06N3/02
- [课题]在生成用于执行业务的程序代码时，能够通过极其容易且不经人手的方式自动地生成。[解决手段]使计算机执行以下步骤：文本数据提取步骤，从文档中提取出文本数据；语义内容搜索单元，参照文本数据与其语义内容以相关度关联起来的第1学习完毕模型，搜索与在所述文本数据提取步骤中提取出的文本数据关联性高的语义内容；以及代码提取步骤，参照语义内容与程序代码的基本句法以相关度关联起来的第2学习完毕模型，基于在所述语义内容搜索步骤中搜索出的语义内容来提取关联性高的程序代码的基本句法。
- 校正唇读预测-202280009039.2
- 李钟和;M·弗努克;F·科斯特拉;金时伟 - 索尼集团公司
- 2022-07-20 - 2023-09-01 - G06N3/02
- 实施方式通常涉及校正唇读预测。在一些实施方式中，一种方法包括接收用户的视频输入，其中在所述视频输入中所述用户正在说话。所述方法还包括根据所述用户的嘴的运动预测一个或多个单词，以提供一个或多个预测的单词。所述方法还包括根据一个或多个预测的单词校正一个或多个校正候选单词。所述方法还包括根据一个或多个预测的单词预测一个或多个句子。
- 数据传输系统中的信道建模-201880089154.9
- J·霍伊迪斯 - 诺基亚技术有限公司
- 2018-01-02 - 2023-09-01 - G06N3/02
- 描述了装置、系统和方法，包括：使用生成器将生成器输入转换为生成器输出向量，其中生成器是数据传输系统的信道的模型，并且其中生成器包括生成器神经网络；将生成器输出向量或数据传输系统的信道的输出向量选择性地提供给鉴别器的输入，其中鉴别器包括鉴别器神经网络；使用鉴别器来生成指示鉴别器输入是信道输出向量还是生成器输出向量的概率；以及使用第一损失函数训练鉴别器神经网络的至少一些权重，并且使用第二损失函数训练生成器神经网络的至少一些权重，以便提高信道的模型的精度。
- 流导式运动重定向-202180088564.3
- 任健;柴梦蕾;奥利弗·伍德福德;凯尔·奥尔谢夫斯基;谢尔盖·图利亚科夫 - 斯纳普公司
- 2021-12-21 - 2023-08-29 - G06N3/02
- 本文中的系统和方法描述了运动重定向系统。运动重定向系统对包括执行多个身体姿势的人的多个二维图像进行访问，从多个身体姿势提取多个隐式体积表示，生成三维扭曲场，该三维扭曲场被配置成将多个隐式体积表示从规范姿势扭曲到目标姿势，并且基于三维扭曲场，生成执行目标姿势的人造人的二维图像。
- 用于以低比特精度进行基于DNN的交叉分量预测的内容自适应在线训练-202280008626.X
- 林晟;蒋薇;王炜;刘杉;许晓中 - 腾讯美国有限责任公司
- 2022-05-31 - 2023-08-29 - G06N3/02
- 一种用于在图像帧或视频序列的编码或解码期间以低比特精度进行基于神经网络的交叉分量预测的方法和装置，其可以包括：使用用于色度预测的预训练的深度神经网络DNN交叉分量预测CCP模型基于接收的亮度分量来重构色度分量；以及以低比特精度更新预训练的DNN CCP模型的一组参数。该方法还可以包括：基于至少一个视频序列生成更新的DNN CCP模型，其中，更新的DNN CCP模型用于以低比特精度进行色度预测；以及以减少的处理时间使用该更新的DNN CCP模型进行至少一个视频序列的交叉分量预测。
- 用于调度任务的方法及系统-202180088447.7
- 华致刚;刘赣;奇峰;杨双红;汪润中 - 支付宝（杭州）信息技术有限公司
- 2021-05-14 - 2023-08-29 - G06N3/02
- 用于基于DAG的任务调度的方法、系统及装置，包括编码在计算机存储介质上的计算机程序。该方法可以包括：获取表示要由一个或多个处理器调度以及处理的多个计算任务的有向无环图(DAG)。DAG包括表示多个计算任务的多个节点。该方法还包括为DAG中的多个节点生成嵌入，以及基于多个节点的嵌入和策略网络，确定要添加到DAG的一条或多条边。策略网络基于多个训练DAG以及与启发式调度算法相关联的损失函数进行训练。该方法还包括将一条或多条边添加到DAG中以获得更新后的DAG；以及基于更新后的DAG和启发式调度算法调度多个计算任务以供一个或多个处理器处理。
- 图像处理方法、装置和存储介质-202180045973.5
- 韦星星;陈隽文;吴凌轩;罗达新 - 华为技术有限公司
- 2021-12-28 - 2023-08-29 - G06N3/02
- 本申请涉及一种图像处理方法、装置和存储介质。该方法包括：通过训练后的生成器获取第一图像数据；通过生成器，根据第一图像数据，确定第一掩码和第二掩码，第一掩码用于指示生成器预测的第一图像数据中的噪声区域，第二掩码用于指示所述生成器预测的第一图像数据中的噪声区域的边缘线；通过生成器，根据第一掩码、第二掩码确定第一图像数据中的噪声区域，对噪声区域进行噪声去除得到第二图像数据；根据第一图像数据和第二图像数据，得到去除噪声后的第一图像数据。根据本申请实施例，可以使得去噪的效果更好，且不需要对后续检测或分类模型进行重训练，节省了计算开销和时间成本，可以适用于各种模型，独立性强且普适性强。
- 用于控制运输系统的方法及装置-202280008060.0
- 何东翰;翁仁荣;周翀宇;张睿恪 - 格步计程车控股私人有限公司
- 2022-02-07 - 2023-08-25 - G06N3/02
- 方面涉及一种用于控制运输系统的方法，包含确定由运输系统所执行的多个运输行程的历史数据；训练一神经网络以执行运输行程到潜在表示的一可逆映射以藉由多个运输行程的潜在表示的分布来满足针对一预定潜在表示的基础分布的一预定拟合准则；从基础分布中采样多个潜在表示；藉由使用经训练的神经网络执行可逆映射的逆映射以将采样的潜在表示的每一个映射到各自的运输行程网络以产生多个合成的运输行程；使用多个合成的运输行程来确定用于运输系统的控制方案；以及使用确定的控制方案来控制运输系统。
- 用于减少固定设备不对称性的具有极性反转的电导对之间的突触权重传递-201880074824.X
- G·伯尔 - 国际商业机器公司
- 2018-11-19 - 2023-08-25 - G06N3/02
- 人工神经网络(ANN)是分布式计算模型，其中计算是用许多简单的处理单元(称为神经元)来完成的，其中数据由神经元之间的连接(称为突触)以及这些连接的强度(突触权重)来体现。ANN的有吸引力的实现使用非易失性存储器(NVM)元件的电导来记录突触权重，其中在数据处适当地执行重要的乘法‑累加步骤。在该应用中，NVM的响应中的非理想性，例如响应于编程脉冲的非线性、饱和、随机性和非对称性，导致与理想网络实现相比降低的网络性能。示出了一种方法，该方法在将在较不重要的带符号的模拟电导对之间的权重信息传递到较重要的模拟电导对时，通过周期性地反转跨重要性变化的多个电导被分布的突触权重内的较不重要的带符号的模拟电导对的极性来改善性能。
- 用于挖掘少数类数据样本以训练神经网络的方法和系统-202180082723.9
- 古西姆兰·辛格;褚令洋;王岚君;张勇 - 华为云计算技术有限公司
- 2021-06-30 - 2023-08-22 - G06N3/02
- 描述了用于挖掘少数类数据样本的方法和系统。少数类挖掘服务接收由客户端神经网络的内层生成的激活，所述客户端神经网络已经过训练以执行涉及分类的预测任务。所述少数类挖掘服务使用重新校准神经网络生成重新校准激活，并使用异常检测器生成异常检测器输出。根据所述异常检测器输出，针对接收到的激活表示的数据样本计算少数类分数。将所述计算出的少数类分数与少数类阈值进行比较，以标识候选少数类数据样本。然后，可以将所述候选少数类数据样本标记并添加到所述客户端神经网络的训练数据集中。
- 基于逻辑回归和图神经网络的用户风险预测方法及装置-202110464241.1
- 王磊;宋孟楠;苏绥绥;郑彦 - 上海淇玥信息技术有限公司
- 2021-04-26 - 2023-08-22 - G06N3/02
- 本发明公开了一种基于逻辑回归和图神经网络的用户风险预测方法及装置，所述方法包括：基于历史用户通话信息、通讯录信息构建关系网络；对当前节点的各个邻节点进行采样，得到固定个数的邻节点；基于逻辑回归和图神经网络创建联合模型；根据所述固定个数的邻节点对应的向量序列训练所述联合模型；配置目标函数，通过梯度下降法最小化所述目标函数，得到所述联合模型的参数；将待预测用户通话信息及通讯录信息输入所述联合模型中预测该用户的逾期风险。本发明综合用户之间的社交关系、以及逻辑回归模型来预测用户风险，提高了对用户风险预测的准确度。
- 生成标记数据用于深度对象跟踪-201780093862.5
- 伊赫桑·塔哈维 - 华为技术有限公司
- 2017-10-19 - 2023-08-22 - G06N3/02
- 用于生成注释数据集以训练深度跟踪神经网络，以及使用所述注释数据集训练所述神经网络的方法和系统。对于数据集的每个帧中的每个对象，计算一个或多个似然函数，以将所述对象的特征分数与相应特征分数关联，每个特征分数与选定帧范围中一个或多个先前分配的目标标识符(identifier，简称ID)关联。通过分配先前分配的目标ID(与计算出的最高似然值关联)或分配新的目标ID，为所述对象分配目标ID。根据预定义的跟踪管理方案执行跟踪管理，为所述对象分配跟踪类型。对所述数据集的所有帧中的所有对象执行此操作。所述生成的注释数据集包含分配给所有帧中所有对象的目标ID和跟踪类型。
- 校对系统及校对方法-202180079905.0
- 桃纯平;齐藤祥子 - 株式会社半导体能源研究所
- 2021-12-02 - 2023-08-15 - G06N3/02
- 提供一种用户容易判断是否笔误等的校对系统。提供一种校对系统，其中使用将包括在比较文档群中的文本分割为多个第一词并将第一词转换为图像来取得的比较图像群进行校对。具体而言，首先，将包括在指定文档中的文本分割为多个第二词，取得比较文档群中的多个第二词的出现频率。接着，将多个第二词中的出现频率为阈值以下的第二词转换为图像来取得验证图像。然后，取得验证图像与包括在比较图像群中的比较图像的相似度，至少提供比较图像中的相似度最高的比较图像所表示的第一词。提供例如通过显示验证图像所表示的第二词有可能是与验证图像的相似度较高的比较图像所表示的第一词的笔误来进行。
- 用于解码数据流的方法和电子装置及相关联的计算机程序和数据流-202180080189.8
- 费利克斯·亨利;戈尔东·克莱尔 - 丰达西翁必卡姆公司
- 2021-09-28 - 2023-08-15 - G06N3/02
- 一种包括多个标识符和位序列(Fnn)的数据流。一种用于将所述数据流解码为相应预定类型的数据(V)的序列的方法，包括用于获得该序列的每项数据(V)的以下步骤：‑基于来自多个标识符中的具有相关项数据的类型的标识符确定上下文(C)；‑借助于熵解码器(23)对位序列(Fnn)的一部分进行解码，该熵解码器(23)接收位序列(Fnn)作为输入并在所确定的上下文(C)中被参数化。本发明还涉及一种电子解码装置(20)和相关联的计算机程序。
- 一种用于重建点云帧的占用图的方法和装置-202180080975.8
- C·盖德;J·里卡德;P·安德里文;J-E·马维 - 交互数字CE专利控股有限公司
- 2021-09-29 - 2023-08-11 - G06N3/02
- 至少一个实施方案涉及一种用于重建占用图的方法和装置，该占用图包括体积内容的占用数据，其中重建该占用图包括：‑以第一分辨率对该占用图进行解码，‑确定作为该第一分辨率的函数的比例因子，‑使用神经网络按该比例因子放大该占用图。
- 专利分类
