JP2022512023A - バッチ正規化データの処理方法及び装置、電子機器及び記憶媒体 - Google Patents
バッチ正規化データの処理方法及び装置、電子機器及び記憶媒体 Download PDFInfo
- Publication number
- JP2022512023A JP2022512023A JP2021546421A JP2021546421A JP2022512023A JP 2022512023 A JP2022512023 A JP 2022512023A JP 2021546421 A JP2021546421 A JP 2021546421A JP 2021546421 A JP2021546421 A JP 2021546421A JP 2022512023 A JP2022512023 A JP 2022512023A
- Authority
- JP
- Japan
- Prior art keywords
- layer
- shift
- processing result
- processing
- network
- 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.)
- Ceased
Links
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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
Description
本開示は、2019年7月19日に中国特許庁に出願された出願番号201910656284.2、発明の名称が「バッチ正規化データの処理方法及び装置、電子機器及び記憶媒体」である中国特許出願の優先権を主張し、その全内容を引用により本願に援用する。
複数の画像データに対して特徴抽出を行うことにより得られる複数のサンプルデータを訓練対象のターゲットネットワーク中のバッチ正規化(BN)層に入力して正規化処理を行い、BN層の処理結果を得ることと、
前記BN層の処理結果に対して指定した定数シフト量に基づき初期BNのシフト調整を行い、シフトBN層の処理結果を得ることと、
前記シフトBN層の処理結果に対して活性化層の整流線形ユニット(ReLU)によって非線形マッピングを行い、段階的に損失関数を得た後に逆伝播を行い、第1ターゲットネットワークを得ることと、を含むバッチ正規化データの処理方法を提供する。
前記複数のサンプルデータに対応する平均値及び分散に基づき、前記複数のサンプルデータに対して正規化処理を行い、正規化処理結果を得ることと、
前記BN層のスケール係数及びシフト係数に基づき、前記正規化処理結果に対して線形変換を行い、前記BN層の処理結果を得ることと、を含む、ことを特徴とする請求項1に記載の方法。
前記定数シフト量を正の数に設定し、前記定数シフト量によって初期BNのシフト調整を行い、前記シフトBN層の処理結果を得ることを含む。
前記定数シフト量を負の数に設定し、前記定数シフト量によって初期BNのシフト調整を行い、前記シフトBN層の処理結果を得ることを含む。
前記シフトBN層の処理結果に対して前記ReLUによって非線形マッピングを行った後、次層の計算に進み、最終的に損失関数を得ることと、
損失関数の逆伝播に基づき、前記第1ターゲットネットワークを得ることと、を含む。
画像データを取得することと、
前記バッチ正規化データの処理方法により得られた第1ターゲットネットワークを用いて、前記画像データに対して画像分類を行い、画像分類処理結果を得ることと、を含む画像分類方法を提供する。
画像データを取得することと、
前記バッチ正規化データの処理方法により得られた第1ターゲットネットワークを用いて、前記画像データ中のターゲット領域に対して画像検出を行い、画像検出結果を得ることと、を含む画像検出方法を提供する。
ビデオ画像を取得することと、
前記バッチ正規化データの処理方法により得られた第1ターゲットネットワークを用いて、前記ビデオ画像に対して予め設定された処理ポリシーに従ってエンコード、
デコード及び再生処理のうちの少なくとも1つのビデオ処理を行い、ビデオ処理結果を得ることと、を含むビデオ処理方法を提供する。
複数の画像データに対して特徴抽出を行うことにより得られる複数のサンプルデータを訓練対象のターゲットネットワーク中のバッチ正規化(BN)層に入力して正規化処理を行い、BN層の処理結果を得るための正規化ユニットと、
前記BN層の処理結果に対して指定した定数シフト量に基づき初期BNのシフト調整を行い、シフトBN層の処理結果を得るためのシフトユニットと、
前記シフトBN層の処理結果に対して活性化層の整流線形ユニット(ReLU)によって非線形マッピングを行い、段階的に損失関数を得た後に逆伝播を行い、第1ターゲットネットワークを得るための処理ユニットと、を含む、バッチ正規化データに対する処理装置を提供する。
前記複数のサンプルデータに対応する平均値及び分散に基づき、前記複数のサンプルデータに対して正規化処理を行い、正規化処理結果を得て、
前記BN層のスケール係数及びシフト係数に基づき、前記正規化処理結果に対して線形変換を行い、前記BN層の処理結果を得る、ことに用いられる。
前記定数シフト量を正の数に設定し、前記定数シフト量によって初期BNのシフト調整を行い、前記シフトBN層の処理結果を得る、ことに用いられる。
前記定数シフト量を負の数に設定し、前記定数シフト量によって初期BNのシフト調整を行い、前記シフトBN層の処理結果を得る、ことに用いられる。
前記シフトBN層の処理結果に対して前記ReLUによって非線形マッピングを行った後、次層の計算に進み、最終的に損失関数を得て、
損失関数の逆伝播に基づき、前記第1ターゲットネットワークを得る、ことに用いられる。
画像データを取得するための第1取得装置と、
前記バッチ正規化データの処理方法により得られた第1ターゲットネットワークを用いて、前記画像データに対して画分類を行い、画像分類処理結果を得るための第1プロセッサーと、を含む画像分類装置を提供する。
画像データを取得するための第2取得装置と、
前記バッチ正規化データの処理方法により得られた第1ターゲットネットワークを用いて、前記画像データ中のターゲット領域に対して画像検出を行い、画像検出結果を得るための第2プロセッサーと、を含む画像検出装置を提供する。
ビデオ画像を取得するための第3取得装置と、
前記バッチ正規化データの処理方法により得られた第1ターゲットネットワークを用いて、前記ビデオ画像に対して予め設定された処理ポリシーに従ってエンコード、デコード及び再生処理のうちの少なくとも1つのビデオ処理を行い、ビデオ処理結果を得るための第3プロセッサーと、を含むビデオ処理装置を提供する。
上記バッチ正規化データに対する処理の方法を実行するように構成されるプロセッサーと、
プロセッサー実行可能な命令を記憶するためのメモリと、を含む電子機器を提供する。
ステップS103は、前記シフトBN層の処理結果に対して活性化層の活性化関数ReLUによって非線形マッピングを行い、段階的に損失関数を得た後に逆伝播を行い、第1ターゲットネットワークを得る。
本開示にかかる画像分類方法であって、画像データを取得することと、本開示の上記方法により得られた第1ターゲットネットワークを用いて、前記画像データに対して画像分類を行い、画像分類処理結果を得ることと、を含む、画像分類方法と、
本開示にかかる画像検出方法であって、画像データを取得することと、本開示の上記方法により得られた第1ターゲットネットワークを用いて、前記画像データ中のターゲット領域に対して画像検出を行い、画像検出結果を得ることと、を含む、画像検出方法と、
本開示にかかるビデオ処理方法であって、ビデオ画像を取得することと、本開示の上記方法により得られた第1ターゲットネットワークを用いて、前記ビデオ画像に対して予め設定された処理ポリシーに従ってエンコード、デコード及び再生処理のうちの少なくとも1つのビデオ処理を行い、ビデオ処理結果を得ることと、を含む、ビデオ処理方法と、を含む。
例えば、本願は以下の項目を提供する。
(項目1)
バッチ正規化データの処理方法であって、
複数の画像データに対して特徴抽出を行うことにより得られる複数のサンプルデータを訓練対象のターゲットネットワーク中のバッチ正規化(BN)層に入力して正規化処理を行い、BN層の処理結果を得ることと、
前記BN層の処理結果に対して指定した定数シフト量に基づき初期BNのシフト調整を行い、シフトBN層の処理結果を得ることと、
前記シフトBN層の処理結果に対して活性化層の整流線形ユニット(ReLU)によって非線形マッピングを行い、段階的に損失関数を得た後に逆伝播を行い、第1ターゲットネットワークを得ることと、を含む、
ことを特徴とする方法。
(項目2)
前記複数のサンプルデータを訓練対象のターゲットネットワーク中のBN層に入力して正規化処理を行い、BN層の処理結果を得ることは、
前記複数のサンプルデータに対応する平均値及び分散に基づき、前記複数のサンプルデータに対して正規化処理を行い、正規化処理結果を得ることと、
前記BN層のスケール係数及びシフト係数に基づき、前記正規化処理結果に対して線形変換を行い、前記BN層の処理結果を得ることと、を含む、
ことを特徴とする項目1に記載の方法。
(項目3)
前記BN層の処理結果に対して指定した定数シフト量に基づき初期BNのシフト調整を行い、シフトBN層の処理結果を得ることは、
前記定数シフト量を正の数に設定し、前記定数シフト量によって初期BNのシフト調整を行い、前記シフトBN層の処理結果を得ることを含む、
ことを特徴とする項目1又は2に記載の方法。
(項目4)
前記BN層の処理結果に対して指定した定数シフト量に基づき初期BNのシフト調整を行い、シフトBN層の処理結果を得ることは、
前記定数シフト量を負の数に設定し、前記定数シフト量によって初期BNのシフト調整を行い、前記シフトBN層の処理結果を得ることを含む、
ことを特徴とする項目1又は2に記載の方法。
(項目5)
前記シフトBN層の処理結果に対して活性化層のReLUによって非線形マッピングを行い、段階的に損失関数を得た後に逆伝播を行い、第1ターゲットネットワークを得ることは、
前記シフトBN層の処理結果に対して前記ReLUによって非線形マッピングを行った後、次層の計算に進み、最終的に損失関数を得ることと、
損失関数の逆伝播に基づき、前記第1ターゲットネットワークを得ることと、を含む、
ことを特徴とする項目1~4のいずれか1項に記載の方法。
(項目6)
前記定数シフト量の値の範囲が[0.01、0.1]の間にある、
ことを特徴とする項目3に記載の方法。
(項目7)
前記定数シフト量の値の範囲が[-0.1、-0.01]の間にある、
ことを特徴とする項目4に記載の方法。
(項目8)
画像分類方法であって、
画像データを取得することと、
項目1~7のいずれか1項に記載の方法により得られた第1ターゲットネットワークを用いて、前記画像データに対して画像分類を行い、画像分類処理結果を得ることと、を含む、
ことを特徴とする画像分類方法。
(項目9)
画像検出方法であって、
画像データを取得することと、
項目1~7のいずれか1項に記載の方法により得られた第1ターゲットネットワークを用いて、前記画像データ中のターゲット領域に対して画像検出を行い、画像検出結果を得ることと、を含む、
ことを特徴とする画像検出方法。
(項目10)
ビデオ処理方法であって、
ビデオ画像を取得することと、
項目1~7のいずれか1項に記載の方法により得られた第1ターゲットネットワークを用いて、前記ビデオ画像に対して予め設定された処理ポリシーに従ってエンコード、デコード及び再生処理のうちの少なくとも1つのビデオ処理を行い、ビデオ処理結果を得ることと、を含む、
ことを特徴とするビデオ処理方法。
(項目11)
バッチ正規化データに対する処理装置であって、
複数の画像データに対して特徴抽出を行うことにより得られる複数のサンプルデータを訓練対象のターゲットネットワーク中のバッチ正規化(BN)層に入力して正規化処理を行い、BN層の処理結果を得るための正規化ユニットと、
前記BN層の処理結果に対して指定した定数シフト量に基づき初期BNのシフト調整を行い、シフトBN層の処理結果を得るためのシフトユニットと、
前記シフトBN層の処理結果に対して活性化層の整流線形ユニット(ReLU)によって非線形マッピングを行い、段階的に損失関数を得た後に逆伝播を行い、第1ターゲットネットワークを得るための処理ユニットと、を含む、
ことを特徴とする装置。
(項目12)
前記正規化ユニットは、
前記複数のサンプルデータに対応する平均値及び分散に基づき、前記複数のサンプルデータに対して正規化処理を行い、正規化処理結果を得て、
前記BN層のスケール係数及びシフト係数に基づき、前記正規化処理結果に対して線形変換を行い、前記BN層の処理結果を得る、ことに用いられる、
ことを特徴とする項目11に記載の装置。
(項目13)
前記シフトユニットは、
前記定数シフト量を正の数に設定し、前記定数シフト量によって初期BNのシフト調整を行い、前記シフトBN層の処理結果を得ることに用いられる、
ことを特徴とする項目11又は12に記載の装置。
(項目14)
前記シフトユニットは、
前記定数シフト量を負の数に設定し、前記定数シフト量によって初期BNのシフト調整を行い、前記シフトBN層の処理結果を得ることに用いられる、
ことを特徴とする項目11又は12に記載の装置。
(項目15)
前記処理ユニットは、
前記シフトBN層の処理結果に対して前記ReLUによって非線形マッピングを行った後、次層の計算に進み、最終的に損失関数を得て、
損失関数の逆伝播に基づき、前記第1ターゲットネットワークを得る、ことに用いられる、
ことを特徴とする項目11~14のいずれか1項に記載の装置。
(項目16)
前記定数シフト量の値の範囲が[0.01、0.1]の間にある、
ことを特徴とする項目13に記載の装置。
(項目17)
前記定数シフト量の値の範囲が[-0.1、-0.01]の間にある、
ことを特徴とする項目14に記載の装置。
(項目18)
画像分類装置であって、
画像データを取得するための第1取得装置と、
項目1~7のいずれか1項に記載の方法により得られた第1ターゲットネットワークを用いて、前記画像データに対して画像分類を行い、画像分類処理結果を得るための第1プロセッサーと、を含む、
ことを特徴とする画像分類装置。
(項目19)
画像検出装置であって、
画像データを取得するための第2取得装置と、
項目1~7のいずれか1項に記載の方法により得られた第1ターゲットネットワークを用いて、前記画像データ中のターゲット領域に対して画像検出を行い、画像検出結果を得るための第2プロセッサーと、を含む、
ことを特徴とする画像検出装置。
(項目20)
ビデオ処理装置であって、
ビデオ画像を取得するための第3取得装置と、
項目1~7のいずれか1項に記載の方法により得られた第1ターゲットネットワークを用いて、前記ビデオ画像に対して予め設定された処理ポリシーに従ってエンコード、デコード及び再生処理のうちの少なくとも1つのビデオ処理を行い、ビデオ処理結果を得るための第3プロセッサーと、を含む、
ことを特徴とするビデオ画像処理装置。
(項目21)
電子機器であって、
項目1~7、項目8、項目9、項目10のいずれか1項に記載の方法を実行するように構成されるプロセッサーと、
プロセッサー実行可能な命令を記憶するためのメモリと、を含む、
ことを特徴とする電子機器。
(項目22)
プロセッサーにより実行される時に項目1~7、項目8、項目9、項目10のいずれか1項に記載の方法を実現するコンピュータプログラム命令が記憶されている、
ことを特徴とするコンピュータ読み取り可能な記憶媒体。
(項目23)
電子機器内で実行する時に前記電子機器におけるプロセッサーが項目1~7、項目8、項目9、項目10のいずれか1項を実現するための方法を実行するコンピュータ読み取り可能なコードを含む、
ことを特徴とするコンピュータプログラム。
Claims (23)
- バッチ正規化データの処理方法であって、
複数の画像データに対して特徴抽出を行うことにより得られる複数のサンプルデータを訓練対象のターゲットネットワーク中のバッチ正規化(BN)層に入力して正規化処理を行い、BN層の処理結果を得ることと、
前記BN層の処理結果に対して指定した定数シフト量に基づき初期BNのシフト調整を行い、シフトBN層の処理結果を得ることと、
前記シフトBN層の処理結果に対して活性化層の整流線形ユニット(ReLU)によって非線形マッピングを行い、段階的に損失関数を得た後に逆伝播を行い、第1ターゲットネットワークを得ることと、を含む、
ことを特徴とする方法。 - 前記複数のサンプルデータを訓練対象のターゲットネットワーク中のBN層に入力して正規化処理を行い、BN層の処理結果を得ることは、
前記複数のサンプルデータに対応する平均値及び分散に基づき、前記複数のサンプルデータに対して正規化処理を行い、正規化処理結果を得ることと、
前記BN層のスケール係数及びシフト係数に基づき、前記正規化処理結果に対して線形変換を行い、前記BN層の処理結果を得ることと、を含む、
ことを特徴とする請求項1に記載の方法。 - 前記BN層の処理結果に対して指定した定数シフト量に基づき初期BNのシフト調整を行い、シフトBN層の処理結果を得ることは、
前記定数シフト量を正の数に設定し、前記定数シフト量によって初期BNのシフト調整を行い、前記シフトBN層の処理結果を得ることを含む、
ことを特徴とする請求項1又は2に記載の方法。 - 前記BN層の処理結果に対して指定した定数シフト量に基づき初期BNのシフト調整を行い、シフトBN層の処理結果を得ることは、
前記定数シフト量を負の数に設定し、前記定数シフト量によって初期BNのシフト調整を行い、前記シフトBN層の処理結果を得ることを含む、
ことを特徴とする請求項1又は2に記載の方法。 - 前記シフトBN層の処理結果に対して活性化層のReLUによって非線形マッピングを行い、段階的に損失関数を得た後に逆伝播を行い、第1ターゲットネットワークを得ることは、
前記シフトBN層の処理結果に対して前記ReLUによって非線形マッピングを行った後、次層の計算に進み、最終的に損失関数を得ることと、
損失関数の逆伝播に基づき、前記第1ターゲットネットワークを得ることと、を含む、
ことを特徴とする請求項1~4のいずれか1項に記載の方法。 - 前記定数シフト量の値の範囲が[0.01、0.1]の間にある、
ことを特徴とする請求項3に記載の方法。 - 前記定数シフト量の値の範囲が[-0.1、-0.01]の間にある、
ことを特徴とする請求項4に記載の方法。 - 画像分類方法であって、
画像データを取得することと、
請求項1~7のいずれか1項に記載の方法により得られた第1ターゲットネットワークを用いて、前記画像データに対して画像分類を行い、画像分類処理結果を得ることと、を含む、
ことを特徴とする画像分類方法。 - 画像検出方法であって、
画像データを取得することと、
請求項1~7のいずれか1項に記載の方法により得られた第1ターゲットネットワークを用いて、前記画像データ中のターゲット領域に対して画像検出を行い、画像検出結果を得ることと、を含む、
ことを特徴とする画像検出方法。 - ビデオ処理方法であって、
ビデオ画像を取得することと、
請求項1~7のいずれか1項に記載の方法により得られた第1ターゲットネットワークを用いて、前記ビデオ画像に対して予め設定された処理ポリシーに従ってエンコード、デコード及び再生処理のうちの少なくとも1つのビデオ処理を行い、ビデオ処理結果を得ることと、を含む、
ことを特徴とするビデオ処理方法。 - バッチ正規化データに対する処理装置であって、
複数の画像データに対して特徴抽出を行うことにより得られる複数のサンプルデータを訓練対象のターゲットネットワーク中のバッチ正規化(BN)層に入力して正規化処理を行い、BN層の処理結果を得るための正規化ユニットと、
前記BN層の処理結果に対して指定した定数シフト量に基づき初期BNのシフト調整を行い、シフトBN層の処理結果を得るためのシフトユニットと、
前記シフトBN層の処理結果に対して活性化層の整流線形ユニット(ReLU)によって非線形マッピングを行い、段階的に損失関数を得た後に逆伝播を行い、第1ターゲットネットワークを得るための処理ユニットと、を含む、
ことを特徴とする装置。 - 前記正規化ユニットは、
前記複数のサンプルデータに対応する平均値及び分散に基づき、前記複数のサンプルデータに対して正規化処理を行い、正規化処理結果を得て、
前記BN層のスケール係数及びシフト係数に基づき、前記正規化処理結果に対して線形変換を行い、前記BN層の処理結果を得る、ことに用いられる、
ことを特徴とする請求項11に記載の装置。 - 前記シフトユニットは、
前記定数シフト量を正の数に設定し、前記定数シフト量によって初期BNのシフト調整を行い、前記シフトBN層の処理結果を得ることに用いられる、
ことを特徴とする請求項11又は12に記載の装置。 - 前記シフトユニットは、
前記定数シフト量を負の数に設定し、前記定数シフト量によって初期BNのシフト調整を行い、前記シフトBN層の処理結果を得ることに用いられる、
ことを特徴とする請求項11又は12に記載の装置。 - 前記処理ユニットは、
前記シフトBN層の処理結果に対して前記ReLUによって非線形マッピングを行った後、次層の計算に進み、最終的に損失関数を得て、
損失関数の逆伝播に基づき、前記第1ターゲットネットワークを得る、ことに用いられる、
ことを特徴とする請求項11~14のいずれか1項に記載の装置。 - 前記定数シフト量の値の範囲が[0.01、0.1]の間にある、
ことを特徴とする請求項13に記載の装置。 - 前記定数シフト量の値の範囲が[-0.1、-0.01]の間にある、
ことを特徴とする請求項14に記載の装置。 - 画像分類装置であって、
画像データを取得するための第1取得装置と、
請求項1~7のいずれか1項に記載の方法により得られた第1ターゲットネットワークを用いて、前記画像データに対して画像分類を行い、画像分類処理結果を得るための第1プロセッサーと、を含む、
ことを特徴とする画像分類装置。 - 画像検出装置であって、
画像データを取得するための第2取得装置と、
請求項1~7のいずれか1項に記載の方法により得られた第1ターゲットネットワークを用いて、前記画像データ中のターゲット領域に対して画像検出を行い、画像検出結果を得るための第2プロセッサーと、を含む、
ことを特徴とする画像検出装置。 - ビデオ処理装置であって、
ビデオ画像を取得するための第3取得装置と、
請求項1~7のいずれか1項に記載の方法により得られた第1ターゲットネットワークを用いて、前記ビデオ画像に対して予め設定された処理ポリシーに従ってエンコード、デコード及び再生処理のうちの少なくとも1つのビデオ処理を行い、ビデオ処理結果を得るための第3プロセッサーと、を含む、
ことを特徴とするビデオ画像処理装置。 - 電子機器であって、
請求項1~7、請求項8、請求項9、請求項10のいずれか1項に記載の方法を実行するように構成されるプロセッサーと、
プロセッサー実行可能な命令を記憶するためのメモリと、を含む、
ことを特徴とする電子機器。 - プロセッサーにより実行される時に請求項1~7、請求項8、請求項9、請求項10のいずれか1項に記載の方法を実現するコンピュータプログラム命令が記憶されている、
ことを特徴とするコンピュータ読み取り可能な記憶媒体。 - 電子機器内で実行する時に前記電子機器におけるプロセッサーが請求項1~7、請求項8、請求項9、請求項10のいずれか1項を実現するための方法を実行するコンピュータ読み取り可能なコードを含む、
ことを特徴とするコンピュータプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910656284.2 | 2019-07-19 | ||
CN201910656284.2A CN110390394B (zh) | 2019-07-19 | 2019-07-19 | 批归一化数据的处理方法及装置、电子设备和存储介质 |
PCT/CN2019/110597 WO2021012406A1 (zh) | 2019-07-19 | 2019-10-11 | 批归一化数据的处理方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022512023A true JP2022512023A (ja) | 2022-02-01 |
Family
ID=68286957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021546421A Ceased JP2022512023A (ja) | 2019-07-19 | 2019-10-11 | バッチ正規化データの処理方法及び装置、電子機器及び記憶媒体 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210241117A1 (ja) |
JP (1) | JP2022512023A (ja) |
CN (1) | CN110390394B (ja) |
SG (1) | SG11202104263QA (ja) |
TW (1) | TW202105260A (ja) |
WO (1) | WO2021012406A1 (ja) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10241528B1 (en) | 2015-12-01 | 2019-03-26 | Energyhub, Inc. | Demand response technology utilizing a simulation engine to perform thermostat-based demand response simulations |
US10746425B1 (en) | 2017-03-08 | 2020-08-18 | Energyhub, Inc. | Thermal modeling technology |
US10770897B1 (en) | 2017-10-17 | 2020-09-08 | Energyhub, Inc. | Load reduction optimization |
CN112861592B (zh) * | 2019-11-28 | 2023-12-29 | 北京达佳互联信息技术有限公司 | 图像生成模型的训练方法、图像处理方法及装置 |
CN111144556B (zh) * | 2019-12-31 | 2023-07-07 | 中国人民解放军国防科技大学 | 面向深度神经网络训练和推理的范围批处理归一化算法的硬件电路 |
CN111539460A (zh) * | 2020-04-09 | 2020-08-14 | 咪咕文化科技有限公司 | 图像分类方法、装置、电子设备及存储介质 |
US11735916B2 (en) | 2020-09-22 | 2023-08-22 | Energyhub, Inc. | Autonomous electrical grid management |
US11355937B2 (en) * | 2020-09-22 | 2022-06-07 | Energy Hub, Inc. | Electrical grid control and optimization |
CN112446428B (zh) * | 2020-11-27 | 2024-03-05 | 杭州海康威视数字技术股份有限公司 | 一种图像数据处理方法及装置 |
CN112561047B (zh) * | 2020-12-22 | 2023-04-28 | 上海壁仞智能科技有限公司 | 用于处理数据的装置、方法和计算机可读存储介质 |
CN112541857B (zh) * | 2020-12-24 | 2022-09-16 | 南开大学 | 基于增强表现力神经网络批归一化的图像表征方法及系统 |
CN112926646B (zh) * | 2021-02-22 | 2023-07-04 | 上海壁仞智能科技有限公司 | 数据批量标准化方法、计算设备和计算机可读存储介质 |
CN113706647B (zh) * | 2021-07-30 | 2024-02-13 | 浪潮电子信息产业股份有限公司 | 一种图像上色方法及相关装置 |
CN115879513B (zh) * | 2023-03-03 | 2023-11-14 | 深圳精智达技术股份有限公司 | 一种数据的层次化标准化方法、装置和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018068752A (ja) * | 2016-10-31 | 2018-05-10 | 株式会社Preferred Networks | 機械学習装置、機械学習方法及びプログラム |
WO2018148526A1 (en) * | 2017-02-10 | 2018-08-16 | Google Llc | Batch renormalization layers |
JP2019512938A (ja) * | 2016-03-09 | 2019-05-16 | ソニー株式会社 | 量子化パラメータに基づくビデオ処理のためのシステム及び方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573731B (zh) * | 2015-02-06 | 2018-03-23 | 厦门大学 | 基于卷积神经网络的快速目标检测方法 |
US9633306B2 (en) * | 2015-05-07 | 2017-04-25 | Siemens Healthcare Gmbh | Method and system for approximating deep neural networks for anatomical object detection |
CN106779062A (zh) * | 2016-11-23 | 2017-05-31 | 苏州科技大学 | 一种基于残差网络的多层感知机人工神经网络 |
CN108229497B (zh) * | 2017-07-28 | 2021-01-05 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、存储介质、计算机程序和电子设备 |
CN107480640A (zh) * | 2017-08-16 | 2017-12-15 | 上海荷福人工智能科技(集团)有限公司 | 一种基于二值卷积神经网络的人脸对齐方法 |
CN108108677A (zh) * | 2017-12-12 | 2018-06-01 | 重庆邮电大学 | 一种基于改进的cnn人脸表情识别方法 |
CN109492556B (zh) * | 2018-10-28 | 2022-09-20 | 北京化工大学 | 面向小样本残差学习的合成孔径雷达目标识别方法 |
CN109754002A (zh) * | 2018-12-24 | 2019-05-14 | 上海大学 | 一种基于深度学习的隐写分析混合集成方法 |
CN110009051A (zh) * | 2019-04-11 | 2019-07-12 | 浙江立元通信技术股份有限公司 | 特征提取单元及方法、dcnn模型、识别方法及介质 |
-
2019
- 2019-07-19 CN CN201910656284.2A patent/CN110390394B/zh active Active
- 2019-10-11 SG SG11202104263QA patent/SG11202104263QA/en unknown
- 2019-10-11 WO PCT/CN2019/110597 patent/WO2021012406A1/zh active Application Filing
- 2019-10-11 JP JP2021546421A patent/JP2022512023A/ja not_active Ceased
- 2019-11-13 TW TW108141127A patent/TW202105260A/zh unknown
-
2021
- 2021-04-19 US US17/234,202 patent/US20210241117A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019512938A (ja) * | 2016-03-09 | 2019-05-16 | ソニー株式会社 | 量子化パラメータに基づくビデオ処理のためのシステム及び方法 |
JP2018068752A (ja) * | 2016-10-31 | 2018-05-10 | 株式会社Preferred Networks | 機械学習装置、機械学習方法及びプログラム |
WO2018148526A1 (en) * | 2017-02-10 | 2018-08-16 | Google Llc | Batch renormalization layers |
Also Published As
Publication number | Publication date |
---|---|
CN110390394B (zh) | 2021-11-05 |
SG11202104263QA (en) | 2021-05-28 |
WO2021012406A1 (zh) | 2021-01-28 |
CN110390394A (zh) | 2019-10-29 |
US20210241117A1 (en) | 2021-08-05 |
TW202105260A (zh) | 2021-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022512023A (ja) | バッチ正規化データの処理方法及び装置、電子機器及び記憶媒体 | |
CN111581488B (zh) | 一种数据处理方法及装置、电子设备和存储介质 | |
TW202113680A (zh) | 人臉和人手關聯檢測方法及裝置、電子設備和電腦可讀儲存媒體 | |
KR20220009965A (ko) | 네트워크 트레이닝 방법 및 장치, 타깃 검출 방법 및 장치와 전자 기기 | |
CN110909815B (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
CN110659690B (zh) | 神经网络的构建方法及装置、电子设备和存储介质 | |
JP7096888B2 (ja) | ネットワークモジュール、割り当て方法及び装置、電子機器並びに記憶媒体 | |
CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
JP2022520120A (ja) | 顔画像認識方法及び装置、電気機器並びに記憶媒体 | |
JP7098763B2 (ja) | 画像処理方法及び装置、電子機器、並びに記憶媒体 | |
CN111259967B (zh) | 图像分类及神经网络训练方法、装置、设备及存储介质 | |
JP2022522551A (ja) | 画像処理方法及び装置、電子機器並びに記憶媒体 | |
WO2022247103A1 (zh) | 图像处理方法及装置、电子设备和计算机可读存储介质 | |
KR20210090691A (ko) | 데이터 처리 방법 및 장치, 전자 기기 및 기억 매체 | |
WO2022247128A1 (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110909861A (zh) | 神经网络优化方法及装置、电子设备和存储介质 | |
TW202044068A (zh) | 訊息處理方法及其裝置、電子設備和儲存媒體 | |
TW202213374A (zh) | 抗體的預測方法、電子設備、電腦可讀儲存介質 | |
CN109447258B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN111988622B (zh) | 视频预测方法及装置、电子设备和存储介质 | |
JP2022508990A (ja) | 顔認識方法及び装置、電子機器、並びに記憶媒体 | |
KR20240046777A (ko) | 활동 인식 방법 및 장치, 전자 장치 및 저장 매체 | |
CN116091208A (zh) | 基于图神经网络的信贷风险企业识别方法和装置 | |
CN111694768A (zh) | 运算方法、装置及相关产品 | |
CN115035440A (zh) | 时序动作提名的生成方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210421 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210421 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220607 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220818 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221207 |
|
A045 | Written measure of dismissal of application [lapsed due to lack of payment] |
Free format text: JAPANESE INTERMEDIATE CODE: A045 Effective date: 20230421 |