JP2022523207A - ピラミッドレイヤのアーキテクチャを生成するためのシステムおよび方法 - Google Patents
ピラミッドレイヤのアーキテクチャを生成するためのシステムおよび方法 Download PDFInfo
- Publication number
- JP2022523207A JP2022523207A JP2021549673A JP2021549673A JP2022523207A JP 2022523207 A JP2022523207 A JP 2022523207A JP 2021549673 A JP2021549673 A JP 2021549673A JP 2021549673 A JP2021549673 A JP 2021549673A JP 2022523207 A JP2022523207 A JP 2022523207A
- Authority
- JP
- Japan
- Prior art keywords
- model
- pyramid
- output
- computing system
- feature
- 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
- 238000000034 method Methods 0.000 title claims description 29
- 230000004044 response Effects 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 23
- 230000002787 reinforcement Effects 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims 3
- 238000012549 training Methods 0.000 description 23
- 230000015654 memory Effects 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 12
- 239000003795 chemical substances by application Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 239000008186 active pharmaceutical agent Substances 0.000 description 7
- 230000008901 benefit Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000000306 recurrent effect Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation 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
- G06N3/04—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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
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
本出願は、参照によって全体が本明細書に組み込まれている、2019年2月25日の出願日を有する米国仮特許出願第62/810,143号の出願利益を主張する。
図1Aは、本開示の例示的実施形態による、ピラミッドレイヤのアーキテクチャを生成するための例示的コンピューティングシステムのブロック図を示す。システム100は、ネットワーク180を介して通信可能に結合されている、ユーザコンピューティングデバイス102、サーバコンピューティングシステム130、およびトレーニング用コンピューティングシステム150を含む。
図2は、本開示の例示的実施形態による、ピラミッドレイヤアーキテクチャを改善するためにピラミッドレイヤアーキテクチャが反復して修正され、評価される一連の反復を実施するように構成される例示的システム200を示す。システム200は、本開示の例示的実施形態によるコントローラモデル202を含み得る。コントローラモデル202は、報酬206に基づいて新規ピラミッドアーキテクチャ204を生成するように構成され得る。報酬206は、バックボーンモデルと、新規ピラミッドレイヤアーキテクチャを有する1つまたは複数のピラミッドレイヤとを含む機械学習済みピラミッド状特徴モデルに関連付けられた1つまたは複数の性能特性に少なくとも部分的に基づき得る。コンピューティングシステムは、たとえば、バックボーンモデルと、新規ピラミッドレイヤアーキテクチャ204を有する1つまたは複数のピラミッドレイヤとを含む機械学習済みピラミッド状特徴モデルの1つまたは複数の性能特性を評価することによって、新規ピラミッドアーキテクチャ204の性能評価208を実施することができる。コンピューティングシステムは、報酬206に基づいてコントローラモデル202の1つまたは複数のパラメータを修正することができる。したがって、コンピューティングシステムは、機械学習済みピラミッド状特徴モデルの性能評価208に基づいて、新規ピラミッドアーキテクチャ204についての出力結果を判断することができる。したがって、コントローラモデルは、得られた機械学習済みピラミッド状特徴モデルに関連付けられた性能特性を最大限にし、最適化し、またはそうでなければ調節するようにピラミッドアーキテクチャを設計するようにトレーニングされ得る。
図10は、本開示の例示的実施形態に従って実施するための例示的方法のフローチャート図を示す。図10は、説明および考察のために、具体的順序で実施されるステップを示すが、本開示の方法は、具体的に示す順序または配置には限定されない。方法800の様々なステップは、本開示の範囲から逸脱することなく、様々な手段で省かれ、並べ替えられ、組み合わされ、かつ/または適応されてよい。
本明細書において論じた技術は、サーバ、データベース、ソフトウェアアプリケーション、および他のコンピュータベースのシステム、ならびに行われるアクションおよびそのようなシステムとの間で送られる情報を参照する。コンピュータベースのシステムの固有の柔軟性により、構成要素の間での、タスクおよび機能性の多種多様の可能な構成、組合せ、および分割が可能である。たとえば、本明細書において論じるプロセスは、組合せで動く、単一のデバイスもしくは構成要素または複数のデバイスもしくは構成要素を使って実装することができる。データベースおよびアプリケーションは、単一のシステム上で実装するか、または複数のシステムに分散することができる。分散構成要素は、順次、または並行して動作することができる。
50 コンピューティングデバイス
100 システム
102 ユーザコンピューティングデバイス
112 プロセッサ
114 メモリ、ユーザコンピューティングデバイスメモリ
116 データ
118 命令
120 コントローラモデル
122 ユーザ入力構成要素
130 サーバコンピューティングシステム
132 プロセッサ
134 メモリ
136 データ
138 命令
140 コントローラモデル
142 トレーニングデータ
150 トレーニング用コンピューティングシステム
152 プロセッサ
154 メモリ
156 データ
158 命令
160 モデル訓練器
162 トレーニングデータセット
180 ネットワーク
200 システム
202 コントローラモデル
204 新規ピラミッドアーキテクチャ、ピラミッドレイヤ
206 報酬
208 性能評価
300 システム
302 コントローラモデル
304 新規ピラミッドアーキテクチャ
306 報酬
310 強化学習エージェント
400 バックボーンモデル
402 ピラミッドレイヤ
406 ネットワーク、追加分類器および/またはボックス回帰ヘッド、ヘッド
502 マージセル
508 演算
512 畳み込み
700 ピラミッドレイヤアーキテクチャ
Claims (22)
- コンピューティングシステムであって、
1つまたは複数のプロセッサと、
バックボーンモデルによって出力された複数の入力特徴表現を受信し、それに応答して、複数の出力特徴表現を出力するピラミッドレイヤのための新規アーキテクチャを生成するように構成されたコントローラモデルであって、前記複数の入力特徴表現は複数の異なる入力解像度を有し、前記複数の出力特徴表現は、複数の異なる出力解像度を有する、コントローラモデルと、
前記1つまたは複数のプロセッサによって実行されると、前記コンピューティングシステムに動作を実施させる命令をまとめて記憶する1つまたは複数の非一時的コンピュータ可読媒体とを備え、前記動作は、
複数の反復の各々について、
前記コントローラモデルの出力として、新規ピラミッドレイヤアーキテクチャを受信することと、
前記バックボーンモデル、および前記新規ピラミッドレイヤアーキテクチャを有する1つまたは複数のピラミッドレイヤを含む機械学習済みピラミッド状特徴モデルの1つまたは複数の性能特性を評価することとを含む、コンピューティングシステム。 - 前記複数の反復の各々について、
前記新規ピラミッドレイヤアーキテクチャは、前記ピラミッドレイヤアーキテクチャに対して内部である少なくとも1つの内部特徴表現を生成するために、前記複数の入力特徴表現のうちの少なくとも2つの、少なくとも1つの組合せを実施し、
前記複数の出力特徴表現のうちの少なくとも1つは、前記少なくとも1つの内部特徴表現に基づいて生成される、請求項1に記載のコンピューティングシステム。 - 前記複数の反復の各々について、前記コントローラモデルは、コントローラ動作を実施することによって、前記新規ピラミッドレイヤアーキテクチャを生成するように構成され、前記コントローラ動作は、複数のマージセルを構築するためであり、前記動作は、前記複数のマージセルの各々について、
前記複数の入力特徴表現を含む利用可能な特徴表現のセットから、第1の入力特徴表現を選択することと、
前記利用可能な特徴表現のセットのうちの第2の、異なる入力特徴表現を選択することと、
前記複数の異なる出力解像度のうちの第1の解像度を選択することと、
前記第1の入力特徴表現を前記第2の、異なる入力特徴表現と組み合わせて、前記第1の解像度をもつ新規特徴表現を生成する演算を選択することとを含む、請求項1または2に記載のコンピューティングシステム。 - 前記演算を選択することは、和演算および大域プーリング演算のうちの1つを選択することを含む、請求項3に記載のコンピューティングシステム。
- 前記コントローラ動作は、前記新規ピラミッドレイヤアーキテクチャを生成するために、前記複数のマージセルを付加することをさらに含む、請求項1から4のいずれか一項に記載のコンピューティングシステム。
- 前記コントローラ動作は、前記複数のマージセルのうちの少なくともいくつかについて、次のマージセルにおける潜在的選択のために、前記利用可能な特徴表現のセットに前記新規特徴表現を追加することをさらに含む、請求項1から5のいずれか一項に記載のコンピューティングシステム。
- 前記新規特徴表現は、前記ピラミッドレイヤアーキテクチャに対して内部である内部特徴表現を含む、請求項1から6のいずれか一項に記載のコンピューティングシステム。
- 前記第1の入力特徴表現および前記第2の、異なる入力特徴表現は、異なるそれぞれの解像度を有するように制約される、請求項1から7のいずれか一項に記載のコンピューティングシステム。
- 前記第1の入力特徴表現および前記第2の、異なる入力特徴表現は、前記複数の入力解像度のピラミッド状構造化内で非隣接である、異なるそれぞれの解像度を有する、請求項1から8のいずれか一項に記載のコンピューティングシステム。
- 前記複数のマージセルのうちの少なくともある特定の数について、前記コントローラモデルは、前記新規特徴表現が前記複数の出力表現のうちの1つを形成するように、前記新規特徴表現用の前記第1の解像度として、前記複数の異なる出力解像度のうちの1つを選択するように制約される、請求項1から9のいずれか一項に記載のコンピューティングシステム。
- 前記少なくとも2つの異なる入力解像度は、前記ピラミッドレイヤアーキテクチャが積重ね可能であるように前記少なくとも2つの異なる出力解像度と同一であるように制約される、請求項1から10のいずれか一項に記載のコンピューティングシステム。
- 前記複数のマージセルの数は、ユーザ定義ハイパーパラメータまたは学習可能パラメータである、請求項1から11のいずれか一項に記載のコンピューティングシステム。
- 前記コントローラ動作は、前記複数のマージセルを構築した後、対応する解像度を有する前記出力特徴表現をもつ前記複数の出力特徴表現のいずれにも接続しない各特徴表現を合計することをさらに含む、請求項1から12のいずれか一項に記載のコンピューティングシステム。
- 前記コントローラモデルは強化学習エージェントを備え、前記動作は、前記複数の反復の各々について、
前記1つまたは複数の性能特性に少なくとも部分的に基づいて、報酬を判断することと、
前記報酬に基づいて、前記コントローラモデルの1つまたは複数のパラメータを修正することとをさらに含む、請求項1から13のいずれか一項に記載のコンピューティングシステム。 - 前記コントローラモデルは、進化的変異の実施を通して、前記ピラミッドレイヤ用の前記新規アーキテクチャを生成するように構成され、前記動作は、前記複数の反復の各々について、前記1つまたは複数の性能特性に少なくとも部分的に基づいて前記新規ピラミッドレイヤアーキテクチャを保持するか、それとも破棄するかを判断することをさらに含む、請求項1から14のいずれか一項に記載のコンピューティングシステム。
- 前記機械学習済みピラミッド状特徴モデルの前記1つまたは複数の性能特性を評価することは、前記バックボーンモデルと、前記新規ピラミッドレイヤアーキテクチャを各々が有する複数の積重ねピラミッドレイヤとを含む前記機械学習済みピラミッド状特徴モデルの前記1つまたは複数の性能特性を評価することを含む、請求項1から15のいずれか一項に記載のコンピューティングシステム。
- 前記機械学習済みモデルの評価中に、前記バックボーンモデルは、入力として画像をとり、前記機械学習済みモデルは、前記1つまたは複数のピラミッドレイヤのうちの最終ピラミッドレイヤによって出力された前記複数の出力特徴表現に基づいて、前記画像についてのオブジェクト検出、オブジェクト分類、または意味論的セグメント化のうちの1つを実施する、請求項1から16のいずれか一項に記載のコンピューティングシステム。
- 前記機械学習済みモデルの評価中に、前記機械学習済みモデルは、早期終了を実施するために、前記1つまたは複数のピラミッドレイヤのうちのいずれか1つによって出力された前記それぞれの複数の出力特徴表現に基づいて予測を生成し得る、請求項1から17のいずれか一項に記載のコンピューティングシステム。
- コンピューティングシステムであって、
1つまたは複数のプロセッサと、
入力を受信し、前記入力を受信したことに応答して、出力を出力するように構成された機械学習済みモデルであって、前記機械学習済みモデルは、バックボーンモデルと、次々に順に積み重ねられた複数のピラミッドレイヤとを含み、前記バックボーンモデルは、前記入力を受信し、初期の複数の出力特徴表現を生成するように構成され、前記複数のピラミッドレイヤの各ピラミッドレイヤは、前記バックボーンモデルまたは以前の順次ピラミッドレイヤから、複数の異なる解像度を有する、それぞれの複数の入力特徴表現を受信し、同じ複数の異なる解像度を有するそれぞれの複数の出力特徴表現を生成するように構成される、機械学習済みモデルと、
前記1つまたは複数のプロセッサによって実行されると、前記コンピューティングシステムに動作を実施させる命令をまとめて記憶する1つまたは複数の非一時的コンピュータ可読媒体とを備え、前記動作は、
前記機械学習済みモデルに前記入力を入力することと、
前記機械学習済みモデルの出力として、前記出力を受信することとを含む、コンピューティングシステム。 - 前記複数のピラミッドレイヤの各々は、同一のピラミッドレイヤアーキテクチャを有する、請求項19に記載のコンピューティングシステム。
- 前記同一のピラミッドレイヤアーキテクチャは、反復探索プロセスを実施するコントローラモデルによって生成されている、請求項19に記載のコンピューティングシステム。
- バックボーンモデルによって出力されたピラミッド状特徴表現のセットを処理するピラミッドレイヤのアーキテクチャを生成するためのコンピュータ実装方法であって、複数の反復の各々について、
1つまたは複数のコンピューティングデバイスによって、バックボーンモデルによって出力された複数の入力特徴表現を受信し、それに応答して、複数の出力特徴表現を出力するように構成されるピラミッドレイヤのための新規アーキテクチャを生成するように構成されるコントローラモデルの出力として、新規ピラミッドレイヤアーキテクチャを受信するステップであって、前記複数の入力特徴表現は、複数の異なる入力解像度を有し、前記複数の出力特徴表現は、複数の異なる出力解像度を有する、受信するステップと、
前記1つまたは複数のコンピューティングデバイスによって、前記バックボーンモデル、および前記新規ピラミッドレイヤアーキテクチャを有する1つまたは複数のピラミッドレイヤを含む機械学習済みピラミッド状特徴モデルの1つまたは複数の性能特性を評価するステップとを含む、方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962810143P | 2019-02-25 | 2019-02-25 | |
US62/810,143 | 2019-02-25 | ||
PCT/US2020/019581 WO2020176435A1 (en) | 2019-02-25 | 2020-02-25 | Systems and methods for producing an architecture of a pyramid layer |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022523207A true JP2022523207A (ja) | 2022-04-21 |
JP7317979B2 JP7317979B2 (ja) | 2023-07-31 |
Family
ID=69846602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021549673A Active JP7317979B2 (ja) | 2019-02-25 | 2020-02-25 | ピラミッドレイヤのアーキテクチャを生成するためのシステムおよび方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220092387A1 (ja) |
EP (1) | EP3931762A1 (ja) |
JP (1) | JP7317979B2 (ja) |
KR (1) | KR20210116640A (ja) |
CN (1) | CN113490955A (ja) |
WO (1) | WO2020176435A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023104863A (ja) * | 2022-01-17 | 2023-07-28 | ネイバー コーポレーション | ディープラーニングモデルのチューニング方法およびシステム |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052812B (zh) * | 2021-03-22 | 2022-06-24 | 山西三友和智慧信息技术股份有限公司 | 一种基于AmoebaNet的MRI前列腺癌检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000506642A (ja) * | 1996-02-09 | 2000-05-30 | サーノフ コーポレイション | 不確定の訓練データを用いてオブジェクトを検出及び分類するようにニューラルネットワークを訓練する方法及び装置 |
US20130107072A1 (en) * | 2011-10-31 | 2013-05-02 | Ankit Kumar | Multi-resolution ip camera |
WO2017154284A1 (ja) * | 2016-03-09 | 2017-09-14 | ソニー株式会社 | 情報処理方法および情報処理装置 |
KR101834279B1 (ko) * | 2016-10-04 | 2018-03-06 | 네이버 주식회사 | 지연 특징 추출을 이용하여 얼굴을 검출하기 위한 이미지 처리 방법 및 시스템 |
JP2019008383A (ja) * | 2017-06-21 | 2019-01-17 | キヤノン株式会社 | 画像処理装置、撮像装置、画像処理方法、プログラム、および、記憶媒体 |
WO2019018375A1 (en) * | 2017-07-21 | 2019-01-24 | Google Llc | NEURONAL ARCHITECTURE RESEARCH FOR CONVOLUTION NEURAL NETWORKS |
CN109376667A (zh) * | 2018-10-29 | 2019-02-22 | 北京旷视科技有限公司 | 目标检测方法、装置及电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001005967A (ja) * | 1999-06-21 | 2001-01-12 | Matsushita Electric Ind Co Ltd | 画像送信装置及びニューラルネットワーク |
EP3204888A4 (en) * | 2014-10-09 | 2017-10-04 | Microsoft Technology Licensing, LLC | Spatial pyramid pooling networks for image processing |
CN106330702B (zh) * | 2016-08-16 | 2019-09-20 | 清华大学 | 适用于神经形态计算的多阶混合路由系统及其路由方法 |
CN110692066B (zh) * | 2017-06-05 | 2023-06-02 | 渊慧科技有限公司 | 使用多模态输入选择动作 |
US10679351B2 (en) * | 2017-08-18 | 2020-06-09 | Samsung Electronics Co., Ltd. | System and method for semantic segmentation of images |
US10068557B1 (en) * | 2017-08-23 | 2018-09-04 | Google Llc | Generating music with deep neural networks |
-
2020
- 2020-02-25 WO PCT/US2020/019581 patent/WO2020176435A1/en unknown
- 2020-02-25 JP JP2021549673A patent/JP7317979B2/ja active Active
- 2020-02-25 US US17/433,677 patent/US20220092387A1/en active Pending
- 2020-02-25 CN CN202080015418.3A patent/CN113490955A/zh active Pending
- 2020-02-25 KR KR1020217026940A patent/KR20210116640A/ko unknown
- 2020-02-25 EP EP20712782.0A patent/EP3931762A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000506642A (ja) * | 1996-02-09 | 2000-05-30 | サーノフ コーポレイション | 不確定の訓練データを用いてオブジェクトを検出及び分類するようにニューラルネットワークを訓練する方法及び装置 |
US20130107072A1 (en) * | 2011-10-31 | 2013-05-02 | Ankit Kumar | Multi-resolution ip camera |
WO2017154284A1 (ja) * | 2016-03-09 | 2017-09-14 | ソニー株式会社 | 情報処理方法および情報処理装置 |
KR101834279B1 (ko) * | 2016-10-04 | 2018-03-06 | 네이버 주식회사 | 지연 특징 추출을 이용하여 얼굴을 검출하기 위한 이미지 처리 방법 및 시스템 |
JP2019008383A (ja) * | 2017-06-21 | 2019-01-17 | キヤノン株式会社 | 画像処理装置、撮像装置、画像処理方法、プログラム、および、記憶媒体 |
WO2019018375A1 (en) * | 2017-07-21 | 2019-01-24 | Google Llc | NEURONAL ARCHITECTURE RESEARCH FOR CONVOLUTION NEURAL NETWORKS |
CN109376667A (zh) * | 2018-10-29 | 2019-02-22 | 北京旷视科技有限公司 | 目标检测方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
BARRET ZOPH ET AL.: "Learning Transferable Architectures for Scalable Image Recognition", ARXIV.ORG, JPN6022050874, 11 April 2018 (2018-04-11), ISSN: 0004935847 * |
TAO KONG ET AL.: "Deep Feature Pyramid Reconfiguration for Object Detection", ARXIV.ORG, JPN6022050873, 24 August 2018 (2018-08-24), ISSN: 0004935846 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023104863A (ja) * | 2022-01-17 | 2023-07-28 | ネイバー コーポレーション | ディープラーニングモデルのチューニング方法およびシステム |
JP7371188B2 (ja) | 2022-01-17 | 2023-10-30 | ネイバー コーポレーション | ディープラーニングモデルのチューニング方法およびシステム |
Also Published As
Publication number | Publication date |
---|---|
WO2020176435A1 (en) | 2020-09-03 |
US20220092387A1 (en) | 2022-03-24 |
KR20210116640A (ko) | 2021-09-27 |
EP3931762A1 (en) | 2022-01-05 |
CN113490955A (zh) | 2021-10-08 |
JP7317979B2 (ja) | 2023-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111465946B (zh) | 使用分层表示进行神经网络体系结构搜索 | |
CN111680721B (zh) | 利用硬性注意力的准确且可解释的分类 | |
JP2021521505A (ja) | 包括的機械学習サービスを提供するアプリケーション開発プラットフォームおよびソフトウェア開発キット | |
WO2022068623A1 (zh) | 一种模型训练方法及相关设备 | |
JP2021501392A (ja) | カプセルニューラルネットワーク | |
JP2018195314A (ja) | 再帰型ニューラルネットワークアーキテクチャの生成のためのドメイン固有言語 | |
KR20190117713A (ko) | 신경망 아키텍처 최적화 | |
CN109313721A (zh) | 训练机器学习模型 | |
US20220366257A1 (en) | Small and Fast Video Processing Networks via Neural Architecture Search | |
JP2022165395A (ja) | ニューラルネットワークモデルの最適化方法及びニューラルネットワークモデルに関するグラフィックユーザインターフェースを提供する方法 | |
JP2020140673A (ja) | 学習装置、情報出力装置、及びプログラム | |
JP7317979B2 (ja) | ピラミッドレイヤのアーキテクチャを生成するためのシステムおよび方法 | |
CN115699041A (zh) | 利用专家模型的可扩展迁移学习 | |
US11488007B2 (en) | Building of custom convolution filter for a neural network using an automated evolutionary process | |
US20210383237A1 (en) | Training Robust Neural Networks Via Smooth Activation Functions | |
US20230059708A1 (en) | Generation of Optimized Hyperparameter Values for Application to Machine Learning Tasks | |
US20220036191A1 (en) | System and Related Methods for Reducing the Resource Consumption of a Convolutional Neural Network | |
US20210256374A1 (en) | Method and apparatus with neural network and training | |
KR20210141150A (ko) | 이미지 분류 모델을 이용한 이미지 분석 방법 및 장치 | |
KR20210103912A (ko) | 뉴럴 네트워크를 학습시키는 학습 방법 및 장치, 뉴럴 네트워크를 이용한 데이터 처리 방법 및 장치 | |
US20210248472A1 (en) | Neural Network Layers with a Controlled Degree of Spatial Invariance | |
KR102613844B1 (ko) | 인공지능 모델 설계 자동화 장치 및 방법 | |
US20220245428A1 (en) | Machine-Learned Attention Models Featuring Omnidirectional Processing | |
US20210383221A1 (en) | Systems And Methods For Machine-Learned Models With Message Passing Protocols | |
US20230036764A1 (en) | Systems and Method for Evaluating and Selectively Distilling Machine-Learned Models on Edge Devices |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211014 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211014 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221017 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221205 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230303 |
|
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: 20230619 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230719 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7317979 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |