|
|
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]神经网络的正则化训练-CN202180039912.8在审
-
J·E·M·梅纳特
-
罗伯特·博世有限公司
-
2021-06-02
-
2023-01-31
-
G06N3/08
- 一种用于借助于学习数据集（2）来训练人工神经网络KNN（1）的方法（100），所述KNN将一个或多个输入参量（11）转化成一个或多个输出参量（13），所述学习数据集包括具有测量数据的学习输入参量值（11a）和相关的学习输出参量值（13a），所述方法具有如下步骤：来自至少一个学习数据集（2）的学习输入参量值（11a）由所述KNN（1）映射（110）到输出参量值（13）；所述输出参量值（13）与相应的学习输出参量值（13a）的偏差根据成本函数（14）被处理（120）成所述KNN（1）在处理所述学习输入参量值（11a）时的误差（14a）的量度；从所述误差（14a），通过反向传播来确定（130）对所述参数（12）的如下更改，在通过所述KNN（1）来进一步处理学习输入参量值（11a）时，对所述更改的执行预计会改善通过所述成本函数（14）对在此所获得的输出参量值（13）的评估，而且将所述更改应用（140）于所述KNN（1）；其中所述输出参量值（13）的一部分（13*）至少在反向传播（130）中被排除（131）。
- 神经网络正则训练
- [发明专利]带有粒化程度适配的对图像数据的分类-CN202180039864.2在审
-
J·E·M·梅纳特
-
罗伯特·博世有限公司
-
2021-06-02
-
2023-01-13
-
G06V10/764
- 用于对图像数据（2）进行分类的设备（1），其包括：•可训练的预处理单元（11，11a‑11d），该可训练的预处理单元（11，11a‑11d）构造成，依据图像数据（2），从经过训练的关联中，检索（111）至少一个在要将图像数据（2）的粒化程度减小到何种程度方面的预先规定（3），并根据所述预先规定（3）减少（112）图像数据（2）的粒化程度；以及•可训练的分类器（12），所述可训练的分类器（12）构造成，将经过细节减少的图像数据（4）映射到至预先规定的分类的一个或者多个类别的分配关系（5）上。用于训练该设备（1）的方法（100），其中表征可训练的预处理单元（11，11a‑11d）的特性的参数（11*）被优化（130）到如下目标：该设备（1）将学习图像数据（2a）映射到学习分配关系（5a）上，并且同时预处理单元（11，11a‑11d）对学习图像数据（2a）所进行的粒化程度减少平均对应于预先规定（3a）。
- 带有程度图像数据分类
- [发明专利]用于传感器数据中改善的对象标记的方法和系统-CN201980057805.0在审
-
J·E·M·梅纳特
-
罗伯特·博世有限公司
-
2019-09-03
-
2021-04-09
-
G06K9/00
- 本发明涉及用于传感器数据中的改善的对象标记的方法和系统(100)，由此能够至少部分自动化地对所记录的数据集中的对象或对象类别进行注释。用于传感器数据中的对象标记的方法设置，通过至少一个传感器(140，150)检测第一状态中的场景(170)。然后，在包含所述第一状态中的场景的第一数据集(190)中，将第一对象标记(195)分配给包含在所述场景中的至少一个对象(180)。然后，通过所述至少一个传感器(140，150)检测不同于所述第一状态的第二状态中的、类似的或至少基本一致的场景(170‘)，对于在所述场景(170‘)的第二状态中所识别出的对象(180)，至少部分地采纳包含在所述第一数据集(190)中的所述第一对象标记(195)作为第二数据集(190‘)中的第二对象标记(195‘)。
- 用于传感器数据改善对象标记方法系统
- [发明专利]用于运行人工神经网络的方法-CN201980019465.2在审
-
J·E·M·梅纳特;R·M·克勒;P·彼得里齐奥
-
罗伯特·博世有限公司
-
2019-01-03
-
2020-11-03
-
G06N3/04
- 提供一种用于运行人工神经网络(10)的方法，所述人工神经网络具有至少一个卷积层(12a‑c)，其设置为用于，基于卷积运算和移位运算将卷积层(12a‑c)的输入矩阵(I)转化为输出矩阵(A)。所述方法具有：基于输入矩阵(I)的录入项和/或基于训练数据组求取至少一个第一归一化参量和第二归一化参量；基于原始过滤矩阵(f)并且基于所求取的第一归一化参量和第二归一化参量中的至少一个求取修改后的过滤矩阵(/)；基于原始移位矩阵(b)并且基于所求取的第一归一化参量和第二归一化参量中的至少一个求取修改后的移位矩阵(5)。所述方法还具有：通过应用修改后的过滤矩阵(/)和修改后的移位矩阵(5)将所述输入矩阵(I)转化为所述输出矩阵(A)。由此可以有利地将归一化运算与卷积运算以及移位运算相结合。
- 用于运行人工神经网络方法
- [发明专利]用于产生用于训练车辆控制设备的人工智能模块的训练数据组的方法-CN201980019585.2在审
-
J·E·M·梅纳特
-
罗伯特·博世有限公司
-
2019-03-07
-
2020-10-30
-
G05B17/02
- 提供一种用于产生用于训练人工智能模块KI模块(1)的训练数据集的方法。该方法设置，首先提供图像序列(5)，在该图像序列中检测机器人的周围环境(6)。然后，确定能够布置在所检测的机器人的周围环境(6)中的至少一个轨迹(14a‑14e)。此外设置，生成至少一个未来的图像序列，该至少一个未来的图像序列延伸到相对于序列结束时刻(t0)而言未来的时间区段(t0+n)上，并且基于至少一个所确定的轨迹(14a‑14e)包括针对以下情况的对图像的预测：在未来的时间区段(t0+n)期间将遵循所确定的轨迹(14a‑14e)。如果通过遵循轨迹(14a‑14e)预测的运动对应于有效的运动状况，则将包含在所生成的图像序列中的所确定的轨迹(14a‑14e)的至少一个子区段评估为正面，或者如果通过遵循轨迹(14a‑14e)预测的运动对应于无效的运动状况，则将其评估为负面，并且将所生成的未来的图像序列与分配给该图像序列的轨迹(14a‑14e)评估相结合来产生用于KI模块(1)的训练数据集(2)。由此能够通过行驶模拟器来训练KI模块(1)，该行驶模拟器基于所记录的以及切合实际的图像序列(5)结合能够以相对较低的计算开销实现的预测。
- 用于产生训练车辆控制设备人工智能模块数据方法
- [发明专利]具有目标明确的预处理的图像分析处理-CN201880044907.4在审
-
S·勒诺;J·E·M·梅纳特;S·比朔夫
-
罗伯特·博世有限公司
-
2018-06-11
-
2020-02-21
-
G06K9/40
- 用于识别在输入图像(2)中的特征(21)或对象(22)的系统(1)，其包括至少一个构造为KI模块的预处理模块(3)，所述预处理模块构造用于借助参数化的内部的处理链(31)由所述输入图像(2)产生至少一个中间图像(4，4a，4b)，以及所述系统包括至少一个分析处理模块(5，a，5b)，所述分析处理模块构造用于识别(51，51a，51b)在所述中间图像(4)中的所期望的特征(21)或对象(22)。用于训练根据权利要求1至12中任一项所述的系统(1)的方法(100)，其具有以下的步骤：*将多个学习输入图像(9，2)输送(110)给所述系统(1)，*将由所述分析处理模块(5)对所述每个学习输入图像(9，2)所提供的结果(10，51)与用于所述结果(10，51)的学习值(11)比较(120)；将所述结果(10)与所述学习值(11)的偏差(12)反馈(130)到所述预处理模块(3)的输入端(32)中，和/或借助减小(150)所述偏差(12)的目标来调整(140)所述预处理模块(3)的内部的处理链(31)的参数。所属的计算机程序产品。
- 具有目标明确预处理图像分析处理
|
