JP2019016159A - 畳み込みニューラルネットワーク - Google Patents
畳み込みニューラルネットワーク Download PDFInfo
- Publication number
- JP2019016159A JP2019016159A JP2017133046A JP2017133046A JP2019016159A JP 2019016159 A JP2019016159 A JP 2019016159A JP 2017133046 A JP2017133046 A JP 2017133046A JP 2017133046 A JP2017133046 A JP 2017133046A JP 2019016159 A JP2019016159 A JP 2019016159A
- Authority
- JP
- Japan
- Prior art keywords
- input
- pooling
- convolution
- filter
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 12
- 238000011176 pooling Methods 0.000 claims abstract description 193
- 238000004364 calculation method Methods 0.000 claims description 122
- 238000000034 method Methods 0.000 claims description 65
- 230000008569 process Effects 0.000 claims description 64
- 238000012545 processing Methods 0.000 claims description 40
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 238000006243 chemical reaction Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 14
- 230000004913 activation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 210000004205 output neuron Anatomy 0.000 description 4
- 210000002364 input neuron Anatomy 0.000 description 3
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011066 ex-situ storage Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
- G06N3/065—Analogue means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Complex Calculations (AREA)
- Image Processing (AREA)
Abstract
Description
複数の入力バー(50)と、それら複数の入力バーと交差する出力バー(51、52)と、複数の入力バーと出力バーとの各交点に設けられ、複数の入力バーに入力される各入力値に対して、重みを付与して出力バーに出力する複数の重み付与素子(53)とを有するクロスバー回路(44)と、
前記第2畳み込み層において、各シフト位置での前記第2フィルタの畳み込み演算を行うために必要となる各プーリング演算結果を得るために必要な入力値を、前記第1畳み込み層での演算結果から選択して、前記クロスバー回路の入力バーに入力する制御部(40)と、を備え、
前記クロスバー回路では、前記入力バーに入力される各入力値に対して、それら各入力値から演算されるプーリング演算結果の前記第2フィルタ内の位置に対応する重みが付与されつつ、前記出力バーにおいて加算されて当該出力バーから出力され、
さらに、前記出力バーから出力される出力値が前記プーリング範囲に含まれる畳み込み演算結果の数で除算された値にする除算部(54a)を有し、
前記クロスバー回路において、前記第1畳み込み層の畳み込み演算結果に対する平均プーリング演算と、その平均プーリング演算結果に対する前記第2フィルタの畳み込み演算とが同時に行われるように構成される。
本発明に係る畳み込みニューラルネットワーク(Convolution Neural Network)の第1実施形態を、図面を参照しつつ説明する。以下に説明する実施形態では、入力データとしての画像を、複数のカテゴリに分類する用途に適用した例について説明する。ただし、畳み込みニューラルネットワークは、その他の用途に適用することも可能である。例えば、畳み込みニューラルネットワークは、画像を取り込んで、その画像に映し出された物体や人の検出、人の顔の認識、あるいは、道路標識の認識などにも適用することが可能である。
(数1)
出力ニューロンの出力電圧=RΣViGi
図6に示すように、出力バー51は、差動演算増幅器54の非反転入力端子に接続され、出力バー52は、差動演算増幅器54の反転入力端子に接続されている。差動演算増幅器54は、CMOS基板内のCMOS素子を用いて構成され得る。なお、図6においては、図8に示した加算器は省略されている。さらに、図6では、上述した活性化関数としての処理を行う回路も省略されている。実際には、加算器57は差動演算増幅器54の入力側において、出力バー51,52のそれぞれに設けられ、活性化関数処理回路は差動演算増幅器54の出力側に設けられる。このように、CMOS素子によって構成される集積回路には、加算器57、差動演算増幅器54、及び活性化関数処理回路などが含まれる。
次に、本発明に係る畳み込みニューラルネットワークの第2実施形態について、図面を参照しつつ説明する。本実施形態の畳み込みニューラルネットワークを具現化するための構成は、基本的に、第1実施形態の畳み込みニューラルネットワークを具現化するための構成と同じである。従って、構成に関する説明は省略する。
次に、本発明に係る畳み込みニューラルネットワークの第3実施形態について、図面を参照しつつ説明する。本実施形態の畳み込みニューラルネットワークを具現化するための構成は、基本的に、第1、第2実施形態の畳み込みニューラルネットワークを具現化するための構成と同じである。従って、構成に関する説明は省略する。
Claims (13)
- 2次元に配列される入力値からなる入力データに対して、所定サイズの第1フィルタを所定のストライドで2次元方向にシフトさせつつ、各シフト位置において前記第1フィルタの畳み込み演算を行う第1畳み込み層(22、24)と、前記第1畳み込み層による、2次元に配列される畳み込み演算結果を入力値として、所定のプーリング範囲毎にプーリング演算を行うプーリング層(28、29)と、前記プーリング層による、2次元に配列されるプーリング演算結果を入力値として、所定サイズの第2フィルタを所定のストライドで2次元方向にシフトさせつつ、各シフト位置において前記第2フィルタの畳み込み演算を行う第2畳み込み層(23、25)と、を含む畳み込みニューラルネットワーク(20)であって、
複数の入力バー(50)と、それら複数の入力バーと交差する出力バー(51、52)と、複数の入力バーと出力バーとの各交点に設けられ、複数の入力バーに入力される各入力値に対して、重みを付与して出力バーに出力する複数の重み付与素子(53)とを有するクロスバー回路(44)と、
前記第2畳み込み層において、各シフト位置での前記第2フィルタの畳み込み演算を行うために必要となる各プーリング演算結果を得るために必要な入力値を、前記第1畳み込み層での演算結果から選択して、前記クロスバー回路の入力バーに入力する制御部(40)と、を備え、
前記クロスバー回路では、入力バーに入力される各入力値に対して、それら各入力値から演算されるプーリング演算結果の前記第2フィルタ内の位置に対応する重みが付与されつつ、出力バーにおいて加算されて当該出力バーから出力され、
さらに、出力バーから出力される出力値が前記プーリング範囲に含まれる畳み込み演算結果の数で除算された値にする除算部(54a)を有し、
前記クロスバー回路において、前記第1畳み込み層の畳み込み演算結果に対する平均プーリング演算と、その平均プーリング演算結果に対する前記第2フィルタの畳み込み演算とが同時に行われるように構成された畳み込みニューラルネットワーク。 - 前記第2畳み込み層では、前記第2フィルタとして、複数のフィルタの畳み込み演算が行われ、
前記クロスバー回路には、前記複数のフィルタに応じた数の出力バーが設けられ、各出力バーから、プーリング演算及び前記複数のフィルタのそれぞれに対応する畳み込み演算後の出力値が出力される請求項1に記載の畳み込みニューラルネットワーク。 - 前記クロスバー回路における重み付与素子には、外部にて行われる学習結果に基づく重みがそれぞれ設定される請求項1又は2に記載の畳み込みニューラルネットワーク。
- 前記制御部は、前記第1畳み込み層での演算結果から選択される、前記第2畳み込み層において前記第2フィルタの各シフト位置での前記第2フィルタの畳み込み演算のために必要となる各プーリング演算結果を得るために必要なすべての入力値を、別々の前記入力バーに入力し、
前記クロスバー回路は、入力される前記第2フィルタのシフト位置毎のすべての入力値に対して、各入力値から演算されるプーリング演算結果の前記第2フィルタ内の位置に対応する重みを付与しつつ、出力バーにおいて加算する請求項1乃至3のいずれかに記載の畳み込みニューラルネットワーク。 - 前記除算部は、前記クロスバー回路に入力される入力値と前記クロスバー回路から出力される出力値とのどちらかを、前記プーリング範囲に含まれる畳み込み演算結果の数で除算するものである請求項4に記載の畳み込みニューラルネットワーク。
- 前記除算部は、前記重み付与素子が付与する重みが、前記プーリング範囲に含まれる畳み込み演算結果の数で除算した重みに修正され、その修正された重みが各入力値に付与されることによって具現化されるものである請求項4に記載の畳み込みニューラルネットワーク。
- 前記制御部は、前記第1畳み込み層での演算結果から選択される、前記第2畳み込み層において前記第2フィルタの各シフト位置での前記第2フィルタの畳み込み演算のために必要となる各プーリング演算結果を得るために必要なすべての入力値を用いて、それぞれのプーリング演算の対象範囲に含まれる入力値の合計値を算出し、その算出した入力値の合計値を、それぞれ、前記入力バーに入力し、
前記クロスバー回路は、入力される入力値の合計値に対して、それぞれのプーリング演算結果の前記第2フィルタ内の位置に対応する重みを付与しつつ、出力バーにおいて加算する請求項1乃至3のいずれかに記載の畳み込みニューラルネットワーク。 - 前記除算部は、前記クロスバー回路から出力される出力値を、前記プーリング範囲に含まれる畳み込み演算結果の数で除算するものである請求項7に記載の畳み込みニューラルネットワーク。
- 前記除算部は、前記重み付与素子が付与する重みが、前記プーリング範囲に含まれる畳み込み演算結果の数で除算した重みに修正され、その修正された重みが各入力値に付与されることによって具現化されるものである請求項7に記載の畳み込みニューラルネットワーク。
- 前記プーリング範囲は、行方向と列方向との少なくとも一方において、隣接するプーリング範囲と一部重なるようにシフトされ、
前記制御部は、前記第2畳み込み層において前記第2フィルタの各シフト位置での前記第2フィルタの畳み込み演算のために必要となる各プーリング演算結果を得るための、各々のプーリング範囲を重ねた場合に、行方向と列方向との一方において、同じ重みが付与される入力値の複数の行又は入力値の複数の列を特定し、その特定した複数の行又は複数の列に含まれる対応する入力値同士を加算して、1行の入力値又は1列の入力値にまとめるまとめ処理を行い、前記まとめ処理により縮小された範囲に含まれる入力値を前記入力バーに入力し、
前記クロスバー回路において、入力される各入力値に対して、それぞれのプーリング演算結果の前記第2フィルタ内の位置に対応する重みを付与する際に、複数のプーリング範囲に属する入力値に対する重みとして、それら複数のプーリング範囲にそれぞれ付与される複数の重みを加算した加算重みが設定される請求項1乃至3のいずれかに記載の畳み込みニューラルネットワーク。 - 前記プーリング範囲は、行方向と列方向とにおいて、隣接するプーリング範囲と一部重なるようにシフトされ、
前記制御部は、前記第2畳み込み層において前記第2フィルタの各シフト位置での前記第2フィルタの畳み込み演算のために必要となる各プーリング演算結果を得るための、各々のプーリング範囲を重ねた場合に、行方向と列方向との一方において、同じ重みが付与される入力値の複数の行と入力値の複数の列との一方を特定し、その特定した複数の行又は複数の列に含まれる対応する入力値同士を加算して、1行の入力値又は1列の入力値にまとめる第1まとめ処理を行い、さらに、第1まとめ処理により縮小された範囲において、行方向と列方向との他方において、同じ重みが付与される入力値の複数の行と入力値の複数の列との他方を特定し、その特定した複数の行又は複数の列に含まれる対応する入力値同士を加算して、1行の入力値又は1列の入力値にまとめる第2まとめ処理を行い、前記第1まとめ処理及び第2まとめ処理により縮小された範囲に含まれる入力値を前記入力バーに入力し、
前記クロスバー回路において、入力される各入力値に対して、それぞれのプーリング演算結果の前記第2フィルタ内の位置に対応する重みを付与する際に、複数のプーリング範囲に属する入力値に対する重みとして、それら複数のプーリング範囲にそれぞれ付与される複数の重みを加算した加算重みが設定される請求項1乃至3のいずれかに記載の畳み込みニューラルネットワーク。 - 前記除算部は、前記クロスバー回路に入力される入力値と前記クロスバー回路から出力される出力値とのどちらかを、前記プーリング範囲に含まれる畳み込み演算結果の数で除算するものである請求項11に記載の畳み込みニューラルネットワーク。
- 前記除算部は、前記重み付与素子が付与する重みが、前記プーリング範囲に含まれる畳み込み演算結果の数で除算した重みに修正され、その修正された重みが各入力値に付与されることによって具現化されるものである請求項11に記載の畳み込みニューラルネットワーク。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017133046A JP6805984B2 (ja) | 2017-07-06 | 2017-07-06 | 畳み込みニューラルネットワーク |
PCT/JP2018/020712 WO2019008951A1 (ja) | 2017-07-06 | 2018-05-30 | 畳み込みニューラルネットワーク |
US16/731,667 US11501146B2 (en) | 2017-07-06 | 2019-12-31 | Convolutional neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017133046A JP6805984B2 (ja) | 2017-07-06 | 2017-07-06 | 畳み込みニューラルネットワーク |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019016159A true JP2019016159A (ja) | 2019-01-31 |
JP6805984B2 JP6805984B2 (ja) | 2020-12-23 |
Family
ID=64949939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017133046A Active JP6805984B2 (ja) | 2017-07-06 | 2017-07-06 | 畳み込みニューラルネットワーク |
Country Status (3)
Country | Link |
---|---|
US (1) | US11501146B2 (ja) |
JP (1) | JP6805984B2 (ja) |
WO (1) | WO2019008951A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7530187B2 (ja) | 2020-03-11 | 2024-08-07 | キヤノン株式会社 | データ処理装置、データ処理方法 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6724870B2 (ja) | 2017-06-19 | 2020-07-15 | 株式会社デンソー | 人工ニューラルネットワーク回路の訓練方法、訓練プログラム、及び訓練装置 |
JP6724869B2 (ja) | 2017-06-19 | 2020-07-15 | 株式会社デンソー | 多層ニューラルネットワークのニューロンの出力レベル調整方法 |
CN110852429B (zh) * | 2019-10-28 | 2022-02-18 | 华中科技大学 | 一种基于1t1r的卷积神经网络电路及其操作方法 |
US20230031931A1 (en) * | 2019-12-26 | 2023-02-02 | Nec Corporation | Object tracking apparatus, object tracking method and recording medium |
US11507831B2 (en) | 2020-02-24 | 2022-11-22 | Stmicroelectronics International N.V. | Pooling unit for deep learning acceleration |
JP7481956B2 (ja) * | 2020-08-26 | 2024-05-13 | 株式会社東芝 | 推論装置、方法、プログラムおよび学習装置 |
CN112633265B (zh) * | 2021-03-11 | 2021-05-18 | 耕宇牧星(北京)空间科技有限公司 | 针对基于深度学习目标旋转框检测的池化方法和系统 |
CN113570478B (zh) * | 2021-06-29 | 2023-10-31 | 中北大学 | 基于边缘计算的桥梁健康状态智能评估方法 |
CN114429638B (zh) * | 2022-04-06 | 2022-07-08 | 四川省大数据中心 | 一种施工图审查管理系统 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170078633A (ko) | 2014-10-30 | 2017-07-07 | 휴렛 팩커드 엔터프라이즈 디벨롭먼트 엘피 | 벡터 처리를 위한 더블 바이어스 멤리스티브 내적 엔진 |
US10474948B2 (en) * | 2015-03-27 | 2019-11-12 | University Of Dayton | Analog neuromorphic circuit implemented using resistive memories |
US9934463B2 (en) | 2015-05-15 | 2018-04-03 | Arizona Board Of Regents On Behalf Of Arizona State University | Neuromorphic computational system(s) using resistive synaptic devices |
US10332004B2 (en) | 2015-07-13 | 2019-06-25 | Denso Corporation | Memristive neuromorphic circuit and method for training the memristive neuromorphic circuit |
JP6750203B2 (ja) * | 2015-10-20 | 2020-09-02 | 富士通株式会社 | 畳み込みニューラルネットワークの演算方法及び演算プログラム、情報処理装置 |
CN108885713B (zh) * | 2016-02-18 | 2021-12-24 | 谷歌有限责任公司 | 图像分类神经网络 |
WO2017152990A1 (en) * | 2016-03-11 | 2017-09-14 | Telecom Italia S.P.A. | Convolutional neural networks, particularly for image analysis |
CN108304922B (zh) * | 2017-01-13 | 2020-12-15 | 华为技术有限公司 | 用于神经网络计算的计算设备和计算方法 |
TWI607389B (zh) * | 2017-02-10 | 2017-12-01 | 耐能股份有限公司 | 卷積神經網路的池化運算裝置及方法 |
JP6915349B2 (ja) * | 2017-04-04 | 2021-08-04 | コニカミノルタ株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
JP6977864B2 (ja) * | 2018-03-02 | 2021-12-08 | 日本電気株式会社 | 推論装置、畳み込み演算実行方法及びプログラム |
CN109460817B (zh) * | 2018-09-11 | 2021-08-03 | 华中科技大学 | 一种基于非易失存储器的卷积神经网络片上学习系统 |
US11741350B2 (en) * | 2019-11-27 | 2023-08-29 | Amazon Technologies, Inc. | Efficient utilization of processing element array |
KR20210143614A (ko) * | 2020-05-20 | 2021-11-29 | 삼성전자주식회사 | 뉴럴 네트워크를 구현하는 뉴로모픽 장치 및 그 동작 방법 |
-
2017
- 2017-07-06 JP JP2017133046A patent/JP6805984B2/ja active Active
-
2018
- 2018-05-30 WO PCT/JP2018/020712 patent/WO2019008951A1/ja active Application Filing
-
2019
- 2019-12-31 US US16/731,667 patent/US11501146B2/en active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7530187B2 (ja) | 2020-03-11 | 2024-08-07 | キヤノン株式会社 | データ処理装置、データ処理方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6805984B2 (ja) | 2020-12-23 |
US20200134436A1 (en) | 2020-04-30 |
WO2019008951A1 (ja) | 2019-01-10 |
US11501146B2 (en) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6805984B2 (ja) | 畳み込みニューラルネットワーク | |
JP6724863B2 (ja) | 畳み込みニューラルネットワーク | |
US12026608B2 (en) | Method for adjusting output level of multilayer neural network neuron | |
CN110717851B (zh) | 图像处理方法及装置、神经网络的训练方法、存储介质 | |
CN111144329B (zh) | 一种基于多标签的轻量快速人群计数方法 | |
CN112598080B (zh) | 基于注意力的宽度图卷积神经网络模型系统及训练方法 | |
CN112561027A (zh) | 神经网络架构搜索方法、图像处理方法、装置和存储介质 | |
CN111914997B (zh) | 训练神经网络的方法、图像处理方法及装置 | |
CN111445418A (zh) | 图像去雾处理方法、装置及计算机设备 | |
CN111652330B (zh) | 图像处理方法、装置、系统、电子设备及可读存储介质 | |
CN112633481B (zh) | 一种多跳图卷积神经网络模型系统及训练方法 | |
US11562215B2 (en) | Artificial neural network circuit | |
CN115331109A (zh) | 基于旋转等变卷积通道注意力增强和多尺度特征融合的遥感图像目标检测方法 | |
CN112668700B (zh) | 一种基于分组注意的宽度图卷积网络模型系统及训练方法 | |
JP6528349B1 (ja) | 情報処理装置及び情報処理方法 | |
JP2021527859A (ja) | 深層領域拡張を使用した画像内の不規則形状のセグメント化 | |
CN106845550B (zh) | 一种基于多模板的图像识别方法 | |
CN115668272B (zh) | 图像处理方法及设备、计算机可读存储介质 | |
JP2023076839A (ja) | 機械学習装置およびプルーニング方法 | |
CN108268815B (zh) | 图像场景理解的方法及装置 | |
JP6741159B1 (ja) | 推論装置及び推論方法 | |
WO2023061465A1 (en) | Methods, systems, and media for computer vision using 2d convolution of 4d video data tensors | |
Zhang et al. | Comparing and combining MLPs and CNNs for image denoising | |
CN104301584A (zh) | 图像处理系统 | |
Lin et al. | Efficient and lightweight convolutional neural network architecture search methods for object classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190808 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20201104 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201117 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 6805984 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |