JP2023540933A - 多様な人分析のための勾配分割によるマルチタスク学習 - Google Patents
多様な人分析のための勾配分割によるマルチタスク学習 Download PDFInfo
- Publication number
- JP2023540933A JP2023540933A JP2023514020A JP2023514020A JP2023540933A JP 2023540933 A JP2023540933 A JP 2023540933A JP 2023514020 A JP2023514020 A JP 2023514020A JP 2023514020 A JP2023514020 A JP 2023514020A JP 2023540933 A JP2023540933 A JP 2023540933A
- Authority
- JP
- Japan
- Prior art keywords
- task
- feature extractor
- tasks
- groups
- gradient
- 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
- 238000000638 solvent extraction Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 2
- 241001522296 Erithacus rubecula Species 0.000 claims 1
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 27
- 239000000284 extract Substances 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000013459 approach Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000000707 wrist Anatomy 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
- 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
- G06N3/08—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
- G06N3/04—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
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
Claims (20)
- 多様な人分析にふさわしい勾配分割によるマルチタスク学習のための方法であって、
各データセットがそれぞれ1つのタスクに関連付けられた、複数のデータセットを有する訓練データから画像を抽出し(1001)、
特徴量抽出器共有コンポーネント及び特徴量抽出器タスク固有コンポーネントを有する特徴量抽出器、並びにタスク固有ヘッドを含むニューラルネットワークモデルに前記訓練データを供給し(1003)、
前記特徴量抽出器の畳み込み層のより深い層のフィルタを、タスクの数であるN個のグループに分割し(1005)、
前記N個のグループの各グループにそれぞれ1つのタスクを割り当て(1007)、
各タスクの損失がフィルタの1つのサブセットのみを更新するように、勾配を処理する(1009)、方法。 - 前記特徴量抽出器は前記抽出された画像から特徴量マップを生成し、前記タスク固有ヘッドは前記生成された特徴量マップに基づいてタスク予測を出力する、請求項1に記載の方法。
- 前記特徴量抽出器タスク固有コンポーネントにおけるパラメータは、その割り当てられたタスクのみの損失を最小化するように更新される、請求項1に記載の方法。
- 訓練中、前記N個のグループの各グループは、対応するタスク勾配によってのみ更新される、請求項1に記載の方法。
- 各タスクは、他のタスクから干渉されることなくその特徴量を学習する、請求項1に記載の方法。
- 前記フィルタを分割することは誤差逆伝播のみに適用される、請求項1に記載の方法。
- ラウンドロビンのバッチレベル更新メカニズムが適用される、請求項1に記載の方法。
- 多様な人分析にふさわしい勾配分割によるマルチタスク学習のためのコンピュータで読み取り可能なプログラムを含む、非一時的なコンピュータで読み取り可能な記録媒体であって、
前記コンピュータで読み取り可能なプログラムが前記コンピュータで実行されると、前記コンピュータに、
各データセットがそれぞれ1つのタスクに関連付けられた、複数のデータセットを有する訓練データから画像を抽出させ(1001)、
特徴量抽出器共有コンポーネント及び特徴量抽出器タスク固有コンポーネントを有する特徴量抽出器、並びにタスク固有ヘッドを含むニューラルネットワークモデルに前記訓練データを供給させ(1003)、
前記特徴量抽出器の畳み込み層のより深い層のフィルタを、タスクの数であるN個のグループに分割させ(1005)、
前記N個のグループの各グループにそれぞれ1つのタスクを割り当てさせ(1007)、
各タスクの損失がフィルタの1つのサブセットのみを更新するように、勾配を処理させる(1009)、非一時的なコンピュータで読み取り可能な記録媒体。 - 前記特徴量抽出器は前記抽出された画像から特徴量マップを生成し、前記タスク固有ヘッドは前記生成された特徴量マップに基づいてタスク予測を出力する、請求項8に記載の非一時的なコンピュータで読み取り可能な記録媒体。
- 前記特徴量抽出器のタスク固有コンポーネントにおけるパラメータは、その割り当てられたタスクのみの損失を最小化するように更新される、請求項8に記載の非一時的なコンピュータで読み取り可能な記録媒体。
- 訓練中、前記N個のグループの各グループは、対応するタスク勾配によってのみ更新される、請求項8に記載の非一時的なコンピュータで読み取り可能な記録媒体。
- 各タスクは、他のタスクから干渉されることなくその特徴量を学習する、請求項8に記載の非一時的なコンピュータで読み取り可能な記録媒体。
- 前記フィルタを分割することは誤差逆伝播のみに適用される、請求項8に記載の非一時的なコンピュータで読み取り可能な記録媒体。
- ラウンドロビンのバッチレベル更新メカニズムが適用される、請求項8に記載の非一時的なコンピュータで読み取り可能な記録媒体。
- 多様な人分析にふさわしい勾配分割によるマルチタスク学習のためのシステムであって、
メモリと、
各データセットがそれぞれ1つのタスクに関連付けられた、複数のデータセットを有する訓練データから画像を抽出し(1001)、
特徴量抽出器共有コンポーネント及び特徴量抽出器タスク固有コンポーネントを有する特徴量抽出器、並びにタスク固有ヘッドを含むニューラルネットワークモデルに前記訓練データを供給し(1003)、
前記特徴量抽出器の畳み込み層のより深い層のフィルタを、タスクの数であるN個のグループに分割し(1005)、
前記N個のグループの各グループにそれぞれ1つのタスクを割り当て(1007)、
各タスクの損失がフィルタの1つのサブセットのみを更新するように、勾配を処理する(1009)ように構成された、前記メモリと通信する1つまたは複数のプロセッサと、
を有するシステム。 - 前記特徴量抽出器は前記抽出された画像から特徴量マップを生成し、前記タスク固有ヘッドは前記生成された特徴量マップに基づいてタスク予測を出力する、請求項15に記載のシステム。
- 前記特徴量抽出器タスク固有コンポーネントにおけるパラメータは、その割り当てられたタスクのみの損失を最小化するように更新される、請求項15に記載のシステム。
- 訓練中、前記N個のグループの各グループは、対応するタスク勾配によってのみ更新される、請求項15に記載のシステム。
- 各タスクは、他のタスクから干渉されることなくその特徴量を学習する、、請求項15に記載のシステム。
- 前記フィルタを分割することは誤差逆伝播のみに適用される、請求項15に記載のシステム。
Applications Claiming Priority (9)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063094365P | 2020-10-21 | 2020-10-21 | |
US63/094,365 | 2020-10-21 | ||
US202063111662P | 2020-11-10 | 2020-11-10 | |
US63/111,662 | 2020-11-10 | ||
US202063113944P | 2020-11-15 | 2020-11-15 | |
US63/113,944 | 2020-11-15 | ||
US17/496,214 US20220121953A1 (en) | 2020-10-21 | 2021-10-07 | Multi-task learning via gradient split for rich human analysis |
US17/496,214 | 2021-10-07 | ||
PCT/US2021/054142 WO2022086728A1 (en) | 2020-10-21 | 2021-10-08 | Multi-task learning via gradient split for rich human analysis |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023540933A true JP2023540933A (ja) | 2023-09-27 |
JP7471514B2 JP7471514B2 (ja) | 2024-04-19 |
Family
ID=81186327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023514020A Active JP7471514B2 (ja) | 2020-10-21 | 2021-10-08 | 多様な人分析のための勾配分割によるマルチタスク学習 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220121953A1 (ja) |
JP (1) | JP7471514B2 (ja) |
DE (1) | DE112021005555T5 (ja) |
WO (1) | WO2022086728A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114783003B (zh) * | 2022-06-23 | 2022-09-20 | 之江实验室 | 一种基于局部特征注意力的行人重识别方法和装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016146174A (ja) * | 2015-02-06 | 2016-08-12 | パナソニックIpマネジメント株式会社 | 決定方法およびプログラム |
CA3078530A1 (en) | 2017-10-26 | 2019-05-02 | Magic Leap, Inc. | Gradient normalization systems and methods for adaptive loss balancing in deep multitask networks |
KR20190051697A (ko) * | 2017-11-07 | 2019-05-15 | 삼성전자주식회사 | 뉴럴 네트워크의 디컨벌루션 연산을 수행하는 장치 및 방법 |
US10592787B2 (en) | 2017-11-08 | 2020-03-17 | Adobe Inc. | Font recognition using adversarial neural network training |
US11049000B2 (en) * | 2018-03-27 | 2021-06-29 | International Business Machines Corporation | Distributed state via cascades of tensor decompositions and neuron activation binding on neuromorphic hardware |
US11462112B2 (en) | 2019-03-07 | 2022-10-04 | Nec Corporation | Multi-task perception network with applications to scene understanding and advanced driver-assistance system |
US10924460B2 (en) * | 2019-12-13 | 2021-02-16 | TripleBlind, Inc. | Systems and methods for dividing filters in neural networks for private data computations |
-
2021
- 2021-10-07 US US17/496,214 patent/US20220121953A1/en active Pending
- 2021-10-08 JP JP2023514020A patent/JP7471514B2/ja active Active
- 2021-10-08 WO PCT/US2021/054142 patent/WO2022086728A1/en active Application Filing
- 2021-10-08 DE DE112021005555.0T patent/DE112021005555T5/de active Pending
Also Published As
Publication number | Publication date |
---|---|
JP7471514B2 (ja) | 2024-04-19 |
WO2022086728A1 (en) | 2022-04-28 |
US20220121953A1 (en) | 2022-04-21 |
DE112021005555T5 (de) | 2023-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7335274B2 (ja) | ジオロケーションの予測のためのシステムおよび方法 | |
JP7375006B2 (ja) | 画像セマンティックセグメンテーションネットワークのトレーニング方法、装置、機器及びコンピュータプログラム | |
CN111476871B (zh) | 用于生成视频的方法和装置 | |
CN108230346B (zh) | 用于分割图像语义特征的方法和装置、电子设备 | |
JP2021140767A (ja) | 合成データ生成のためのシーン構造の教師なし学習 | |
JP6678246B2 (ja) | 大域的最適化に基づく意味的セグメント化 | |
US20150325046A1 (en) | Evaluation of Three-Dimensional Scenes Using Two-Dimensional Representations | |
WO2019245768A1 (en) | System for predicting articulated object feature location | |
US20190087683A1 (en) | Method and apparatus for outputting information | |
CN110462645A (zh) | 具有更新能力的传感器数据处理器 | |
CN112749666B (zh) | 一种动作识别模型的训练及动作识别方法与相关装置 | |
CN109410253B (zh) | 用于生成信息的方法、装置、电子设备和计算机可读介质 | |
KR102501773B1 (ko) | 랜드마크를 함께 생성하는 발화 동영상 생성 장치 및 방법 | |
CN109255382A (zh) | 用于图片匹配定位的神经网络系统,方法及装置 | |
CN115578770A (zh) | 基于自监督的小样本面部表情识别方法及系统 | |
Xiong et al. | Face2Statistics: user-friendly, low-cost and effective alternative to in-vehicle sensors/monitors for drivers | |
JP7471514B2 (ja) | 多様な人分析のための勾配分割によるマルチタスク学習 | |
CN114332553A (zh) | 图像处理方法、装置、设备以及存储介质 | |
CN113408694A (zh) | 用于生成式神经网络的权重解调 | |
Uddin et al. | Dynamic facial expression understanding using deep spatiotemporal LDSP on spark | |
US20230153612A1 (en) | Pruning complex deep learning models based on parent pruning information | |
CN113205131A (zh) | 图像数据的处理方法、装置、路侧设备和云控平台 | |
CN110633596A (zh) | 预测车辆方向角的方法和装置 | |
WO2024125267A1 (zh) | 图像处理方法、装置、计算机可读存储介质、电子设备及计算机程序产品 | |
US20240169762A1 (en) | Methods for featureless gaze tracking in ecologically valid conditions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231121 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240126 |
|
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: 20240312 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240409 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7471514 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |