“D·J·阿库纳·马雷罗”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5个，建议您升级VIP下载更多相关专利

[发明专利]在合成数据系统和应用程序中使用域对抗学习的域适应-CN202280008642.9在审
发明人： D·J·阿库纳·马雷罗;S·菲德勒;M·劳;张国军 -专利权人：辉达公司
申请日： 2022-05-27 - 公布日： 2023-09-05 - 主分类号： G06V20/00 文献下载
摘要：在各种示例中，可以使用多阶梯度来更新机器学习模型(MLM)，以便训练所述MLM，例如至少一阶梯度和任意数量的高阶梯度。可以训练MLM中的至少第一个以生成对于对应于第一数据集的第一域和对应于第二数据集的第二域是不变的特征表示。可以训练所述MLM中的至少第二个以对表示是对应于所述第一域还是所述第二域进行分类。可以训练所述MLM中的至少第三个以执行任务。所述第一数据集可以对应于标记的源域，而所述第二数据集可以对应于未标记的目标域。所述训练可以包括在表示空间中将知识从所述第一域转移到所述第二域。
合成数据系统应用程序使用对抗学习适应

[发明专利]迭代空间图生成-CN202080021714.4在审
发明人：李代卿;S·菲德勒;楚航;D·J·阿库纳·马雷罗;A·卡尔;M·舒格林纳;刘洺堉;A·托拉尔瓦 -专利权人：辉达公司
申请日： 2020-03-21 - 公布日： 2021-11-09 - 主分类号： G06F30/27 文献下载
摘要：生成模型可用于生成空间布局和图形。这样的模型可以基于本地统计逐步增长这些布局和图形，其中节点可以表示布局的空间控制点，边可以表示节点之间的路段或路径，例如可能对应于道路段。生成模型可以利用编码器‑解码器架构，其中编码器是循环神经网络(RNN)，将本地传入路径编码为节点，解码器是另一个RNN，它生成传出节点以及将现有节点与新生成的节点连接起来的边。生成是迭代完成的，一旦访问了所有节点或满足另一个结束条件，即可完成生成。这样的模型可以通过附加地将条件设定为一组属性来生成布局，在生成布局时将控制权交给用户。
空间生成

[发明专利]用于图像分析的形状融合-CN202080021225.9在审
发明人： D·J·阿库纳·马雷罗;T·塔基卡瓦;V·扬帕尼;S·菲德勒 -专利权人：辉达公司
申请日： 2020-03-21 - 公布日： 2021-11-02 - 主分类号： G06K9/00 文献下载
摘要：多种类型的图像分析受益于允许分析考虑形状数据的多流架构。形状流可以与主流并行处理图像数据，其中来自主流中网络层的数据被提供为形状流的网络的输入。形状数据可以与主要分析数据融合以产生更准确的输出，例如当形状数据与由主流产生的语义分割数据一起使用时产生准确的边界信息。门控结构可用于连接主流和形状流的中间层，使用较高级别的激活来门控形状流中的较低级别的激活。这种门控结构可以帮助将形状流集中在相关信息上，并减少形状流的任何附加权重。
用于图像分析形状融合

[发明专利]学习生成用于训练神经网络的合成数据集-CN201980074940.6在审
发明人： A·卡尔;A·普拉卡什;刘洺堉;D·J·阿库纳·马雷罗;A·T·巴留索;S·菲德勒 -专利权人：辉达公司
申请日： 2019-11-15 - 公布日： 2021-06-25 - 主分类号： G06N3/08 文献下载
摘要：在各种示例中，生成模型用于合成数据集，以用于训练下游机器学习模型来执行相关任务。可以通过从场景语法(诸如概率语法)中采样场景图并将所述场景图应用于所述生成模型来计算更代表真实世界数据集的对象属性分布的更新场景图以生成所述合成数据集。所述下游机器学习模型可以针对真实世界的验证数据集进行验证，并且所述模型在所述真实世界验证数据集上的性能可以用作进一步训练或微调所述生成模型的附加因素，用于生成特定于所述下游机器学习模型所述任务的所述合成数据集。
学习生成用于训练神经网络合成数据

[发明专利]用于训练神经网络模型的合成图像的生成-CN201910116079.7在审
发明人： J·特伦布莱;A·普拉卡什;M·A·布罗菲;V·扬帕尼;C·阿尼尔;S·T·伯奇菲尔德;T·H·多;D·J·阿库纳·马雷罗 -专利权人：辉达公司
申请日： 2019-02-13 - 公布日： 2019-08-27 - 主分类号： G06T15/20 文献下载
摘要：本发明公开了用于训练神经网络模型的合成图像的生成。训练深度神经网络需要大量经标记的训练数据。常规地，通过收集手动标记的真实图像来生成经标记的训练数据，这非常耗时。使用域随机化技术生成自动标记的训练数据，而不是手动标记训练数据集。所生成的训练数据可用于训练神经网络以用于对象检测和分割(标记)任务。在一实施例中，所生成的训练数据包括通过渲染3D场景中的三维(3D)感兴趣对象而生成的合成输入图像。在一实施例中，所生成的训练数据包括通过在2D背景图像上渲染3D的感兴趣对象而生成的合成输入图像。3D的感兴趣对象是训练神经网络以检测和/或标记的对象。
训练数据训练神经网络感兴趣对象合成手动标记输入图像图像渲染训练数据集背景图像成本发明对象检测神经网络真实图像自动标记随机化可用耗时三维分割检测