JP6209879B2 - 畳み込みニューラルネットワーク分類器システム、その訓練方法、分類方法および用途 - Google Patents
畳み込みニューラルネットワーク分類器システム、その訓練方法、分類方法および用途 Download PDFInfo
- Publication number
- JP6209879B2 JP6209879B2 JP2013139882A JP2013139882A JP6209879B2 JP 6209879 B2 JP6209879 B2 JP 6209879B2 JP 2013139882 A JP2013139882 A JP 2013139882A JP 2013139882 A JP2013139882 A JP 2013139882A JP 6209879 B2 JP6209879 B2 JP 6209879B2
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- convolutional neural
- network classifier
- level
- classifier
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Description
FM11 = 入力画像 * 連結線上のテンプレートである。
FM31 = FM21 * 連結線上のテンプレート + FM22 * 連結線上のテンプレートとなる。
Si=Pi・Wi ( i=1,2,3,4)となる。
(付記1)
畳み込みニューラルネットワーク分類器システムであって、
互いに異種であるM種類の畳み込みニューラルネットワーク分類器を備え、前記Mは1より大きい整数であり、
各種類の前記畳み込みニューラルネットワーク分類器は、複数の互いに同種類の畳み込みニューラルネットワーク分類器を備える、
ことを特徴とする畳み込みニューラルネットワーク分類器システム。
(付記2)
前記互いに異種であるM種類の畳み込みニューラルネットワーク分類器をMレベルのカスケード構造に配置する付記1に記載の畳み込みニューラルネットワーク分類器システム。
(付記3)
第一レベルの畳み込みニューラルネットワーク分類器は、対象物の分類に用いられ、
第二レベルの畳み込みニューラルネットワーク分類器は、前記第一レベルの畳み込みニューラルネットワーク分類器にとって分類しにくい対象物の分類に用いられ、
前記第二レベルの畳み込みニューラルネットワーク分類器から第Mレベルの畳み込みニューラルネットワーク分類器までの全ての隣接する2つのレベルについて順次に前記操作を繰り返す、
付記2に記載の畳み込みニューラルネットワーク分類器システム。
(付記4)
各レベルの前記畳み込みニューラルネットワーク分類器内の前記複数の互いに同種類の畳み込みニューラルネットワーク分類器は、投票を通じて前記対象物を分類する、
付記2に記載の畳み込みニューラルネットワーク分類器システム。
(付記5)
各種類のサンプルに対する効果にばらつきのない畳み込みニューラルネットワーク分類器は、前記カスケード構造中の前寄りのレベルに配置され、
特定の種類のサンプルに突出した効果がある畳み込みニューラルネットワーク分類器布置は、前記カスケード構造中の中間レベルに配置されるように、
前記カスケード構造中の各レベルの畳み込みニューラルネットワーク分類器を配置する、
付記2乃至4の何れかに記載の畳み込みニューラルネットワーク分類器システム。
(付記6)
スパース連続型の広義の畳み込みニューラルネットワーク分類器を前記カスケード構造中の後ろ寄りのレベルに配置する、
付記5に記載の畳み込みニューラルネットワーク分類器システム。
(付記7)
前記カスケード構造中の各レベルの畳み込みニューラルネットワーク分類器は、
a)空間線形サンプリング型畳み込みニューラルネットワーク分類器と、
b)一部の層の間の連結がランダムに省略された空間線形サンプリング型畳み込みニューラルネットワーク分類器と、
c)空間非線形サンプリング型畳み込みニューラルネットワーク分類器と、
d)一部の層の間の連結がランダムに省略された空間非線形サンプリング型畳み込みニューラルネットワーク分類器と、
e)空間サンプリング層のない畳み込みニューラルネットワーク分類器と、
f)一部の層の間の連結がランダムに省略され空間サンプリング層のない畳み込みニューラルネットワーク分類器、
から選ばれる付記1乃至6の何れかに記載の畳み込みニューラルネットワーク分類器システム。
(付記8)
前記畳み込みニューラルネットワーク分類器が前記対象物を分類するときに、信頼度を算出する信頼度計算分類器をさらに備え、
前記カスケード構造中の各レベルの中の各畳み込みニューラルネットワーク分類器について、当該畳み込みニューラルネットワーク分類器を用いてそのサンプル分類の訓練を行い、各訓練サンプルに対して前記畳み込みニューラルネットワーク分類器の各層から少なくとも一部のノードの応答値を抽出し、
前記応答値に基づいて前記信頼度計算分類器を訓練する
付記1乃至7の何れかに記載の畳み込みニューラルネットワーク分類器システム。
(付記9)
全てのレベルの畳み込みニューラルネットワーク分類器を用いて全てのレベルの畳み込みニューラルネットワーク分類器が分類しにくい対象物に対して投票を行うことにより、前記対象物の類別を決定する
付記3乃至8の何れかに記載の畳み込みニューラルネットワーク分類器システム。
(付記10)
付記2乃至9の何れかに記載の畳み込みニューラルネットワーク分類器システムを用いて訓練を行う方法であって、
訓練サンプルを利用して前記カスケード構造中の全てのレベルの畳み込みニューラルネットワーク分類器を訓練し、各レベルの畳み込みニューラルネットワーク分類器の中の複数の畳み込みニューラルネットワーク分類器に対してそれぞれオリジナル訓練サンプルをランダムに変形させ、
前記第一レベルの畳み込みニューラルネットワーク分類器を利用して前記オリジナル訓練サンプルを分類し、
前記第一レベルの畳み込みニューラルネットワーク分類器にとって分類しにくい訓練サンプルを、第二レベルの畳み込みニューラルネットワーク分類器を訓練するための全ての訓練サンプルとし、前記第二レベルの畳み込みニューラルネットワーク分類器を訓練し、
前記第二レベルの畳み込みニューラルネットワーク分類器から前記第Mレベルの畳み込みニューラルネットワーク分類器までの任意の隣接する2つのレベルについて順次に前記のステップを繰り返す、
ことを含む方法。
(付記11)
前記カスケード構造中の各レベルの中の各畳み込みニューラルネットワーク分類器について、当該畳み込みニューラルネットワーク分類器を用いてそのサンプル分類の訓練を行い、各訓練サンプルについて当該畳み込みニューラルネットワーク分類器から各層の少なくとも一部のノードの応答値を抽出し、
前記応答値を利用して信頼度計算分類器を訓練し、前記信頼度計算分類器は、当該畳み込みニューラルネットワーク分類器が前記対象物を分類するときの信頼度を計算する
付記10に記載の方法。
(付記12)
各層の少なくとも一部のノードは、後ろから第二層の少なくとも一部のノードを含む
付記11に前記の方法。
(付記13)
信頼度および/または各訓練サンプル自身の既知のマークに基づいて各畳み込みニューラルネットワーク分類器が前記訓練サンプルを分類しにくいか否か判断する
付記10乃至12の何れかに記載の方法。
(付記14)
付記1乃至9の何れかに記載の畳み込みニューラルネットワーク分類器システムを利用して対象物を分類する方法であって、
前記第一レベルの畳み込みニューラルネットワーク分類器を利用して前記対象物を分類し、
第二レベルの畳み込みニューラルネットワーク分類器を利用して前記第一レベルの畳み込みニューラルネットワーク分類器にとって分類しにくい前記対象物を分類し、
前記第二レベルの畳み込みニューラルネットワーク分類器から第Mレベルの畳み込みニューラルネットワーク分類器までの全ての隣接する2つのレベルについて順次に前記のステップを繰り返す
ことを含む方法。
(付記15)
全てのレベルの畳み込みニューラルネットワーク分類器を利用して全てのレベルの畳み込みニューラルネットワーク分類器が分類しにくい対象物について投票を行うことにより前記対象物の類別を決定する、
付記14に記載の方法。
(付記16)
各分類対象物について、前記カスケード構造中の各レベルの各畳み込みニューラルネットワーク分類器が各訓練サンプルを分類するときの相応ノードの応答値を抽出し、
前記応答値に基づいて、前記信頼度計算分類器を利用して信頼度を計算する、
付記14に記載の方法。
(付記17)
前記所定のノードは、後ろから第二層の少なくとも一部のノードを含む
付記16に記載の方法。
(付記18)
信頼度に基づいて各レベルの中の各畳み込みニューラルネットワーク分類器が前記対象物を分類しにくいか否かを判断する
付記10乃至17の何れかに記載の方法。
(付記19)
付記1乃至9の何れかに記載の畳み込みニューラルネットワーク分類器システムを利用して数字を識別する用途。
(付記20)
付記14乃至18の何れかに記載の方法を利用して数字を識別する用途。
Claims (7)
- 畳み込みニューラルネットワーク分類器システムであって、
互いに異種であるM種類の畳み込みニューラルネットワーク分類器を備え、前記Mは1より大きい整数であり、
各種類の前記畳み込みニューラルネットワーク分類器は、複数の互いに同種類の畳み込みニューラルネットワーク分類器を備え、
前記互いに異種であるM種類の畳み込みニューラルネットワーク分類器をMレベルのカスケード構造に配置し、
各種類のサンプルに対する効果にばらつきのない畳み込みニューラルネットワーク分類器は、前記カスケード構造中の前寄りのレベルに配置され、
特定の種類のサンプルに突出した効果がある畳み込みニューラルネットワーク分類器は、前記カスケード構造中の中間レベルに配置されるように、前記カスケード構造中の各レベルの畳み込みニューラルネットワーク分類器を配置する、畳み込みニューラルネットワーク分類器システム。 - 第一レベルの畳み込みニューラルネットワーク分類器は、対象物の分類のための第一分類操作に用いられ、
第二レベルの畳み込みニューラルネットワーク分類器は、前記第一レベルの畳み込みニューラルネットワーク分類器にとって分類しにくい対象物の分類のための第二分類操作に用いられ、
前記第二レベルの畳み込みニューラルネットワーク分類器から第Mレベルの畳み込みニューラルネットワーク分類器までの全ての隣接する2つのレベルについて順次に前記第一分類操作及び前記第二分類操作を繰り返す、請求項1に記載の畳み込みニューラルネットワーク分類器システム。 - 前記畳み込みニューラルネットワーク分類器が前記対象物を分類するときに、信頼度を算出する信頼度計算分類器をさらに備え、
前記カスケード構造中の各レベルの中の各畳み込みニューラルネットワーク分類器について、当該畳み込みニューラルネットワーク分類器を用いてその訓練サンプルの分類を行い、各訓練サンプルについて前記畳み込みニューラルネットワーク分類器の各層から少なくとも一部のノードの応答値を抽出し、
前記応答値に基づいて前記信頼度計算分類器を訓練する、請求項2に記載の畳み込みニューラルネットワーク分類器システム。 - 請求項2又は3に記載の畳み込みニューラルネットワーク分類器システムを用いて訓練を行う方法であって、
訓練サンプルを利用して前記カスケード構造中の全てのレベルの畳み込みニューラルネットワーク分類器を訓練し、そのうち、各レベルの畳み込みニューラルネットワーク分類器の中の複数の畳み込みニューラルネットワーク分類器についてそれぞれオリジナル訓練サンプルをランダムに変形させ、
前記第一レベルの畳み込みニューラルネットワーク分類器を利用して前記オリジナル訓練サンプルを分類し、
前記第一レベルの畳み込みニューラルネットワーク分類器にとって分類しにくい訓練サンプルを、前記第二レベルの畳み込みニューラルネットワーク分類器を訓練するための全ての訓練サンプルとし、前記第二レベルの畳み込みニューラルネットワーク分類器を訓練し、
前記第二レベルの畳み込みニューラルネットワーク分類器から前記第Mレベルの畳み込みニューラルネットワーク分類器までの任意の隣接する2つのレベルについて順次に前記のステップを繰り返す、ことを含む方法。 - 前記カスケード構造中の各レベルの中の各畳み込みニューラルネットワーク分類器について、当該畳み込みニューラルネットワーク分類器を用いてその訓練サンプルの分類を行い、各訓練サンプルについて当該畳み込みニューラルネットワーク分類器から各層の少なくとも一部のノードの応答値を抽出し、
前記応答値を利用して信頼度計算分類器を訓練し、前記信頼度計算分類器は、当該畳み込みニューラルネットワーク分類器が前記対象物を分類するときの信頼度を計算する、請求項4に記載の方法。 - 請求項2又は3に記載の畳み込みニューラルネットワーク分類器システムを利用して対象物を分類する方法であって、
前記第一レベルの畳み込みニューラルネットワーク分類器を利用して前記対象物を分類し、
前記第二レベルの畳み込みニューラルネットワーク分類器を利用して前記第一レベルの畳み込みニューラルネットワーク分類器にとって分類しにくい前記対象物を分類し、
前記第二レベルの畳み込みニューラルネットワーク分類器から前記第Mレベルの畳み込みニューラルネットワーク分類器までの全ての隣接する2つのレベルについて順次に前記のステップを繰り返す、ことを含む方法。 - 数字を識別する、請求項1乃至3の何れかに記載の畳み込みニューラルネットワーク分類器システム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210320318.9 | 2012-08-31 | ||
CN201210320318.9A CN103679185B (zh) | 2012-08-31 | 2012-08-31 | 卷积神经网络分类器系统、其训练方法、分类方法和用途 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2014049118A JP2014049118A (ja) | 2014-03-17 |
JP6209879B2 true JP6209879B2 (ja) | 2017-10-11 |
Family
ID=50316674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013139882A Active JP6209879B2 (ja) | 2012-08-31 | 2013-07-03 | 畳み込みニューラルネットワーク分類器システム、その訓練方法、分類方法および用途 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6209879B2 (ja) |
CN (1) | CN103679185B (ja) |
Families Citing this family (68)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3129896B1 (en) * | 2014-04-09 | 2024-02-14 | Entrupy Inc. | Authenticating physical objects using machine learning from microscopic variations |
CN105095833B (zh) * | 2014-05-08 | 2019-03-15 | 中国科学院声学研究所 | 用于人脸识别的网络构建方法、识别方法及系统 |
US20150324689A1 (en) * | 2014-05-12 | 2015-11-12 | Qualcomm Incorporated | Customized classifier over common features |
CN105447566B (zh) * | 2014-05-30 | 2018-07-20 | 富士通株式会社 | 训练装置、训练方法以及检测装置 |
CN104036323B (zh) * | 2014-06-26 | 2016-11-09 | 叶茂 | 一种基于卷积神经网络的车辆检测方法 |
CN104063719B (zh) * | 2014-06-27 | 2018-01-26 | 深圳市赛为智能股份有限公司 | 基于深度卷积网络的行人检测方法及装置 |
CN104182735A (zh) * | 2014-08-18 | 2014-12-03 | 厦门美图之家科技有限公司 | 训练优化的基于卷积神经网络的色情图像或视频检测方法 |
CN104244113B (zh) * | 2014-10-08 | 2017-09-22 | 中国科学院自动化研究所 | 一种基于深度学习技术的视频摘要生成方法 |
US10650508B2 (en) * | 2014-12-03 | 2020-05-12 | Kla-Tencor Corporation | Automatic defect classification without sampling and feature selection |
CN107004138A (zh) * | 2014-12-17 | 2017-08-01 | 诺基亚技术有限公司 | 利用神经网络的对象检测 |
CN105989375A (zh) * | 2015-01-30 | 2016-10-05 | 富士通株式会社 | 对手写字符图像进行分类的分类器、分类装置和分类方法 |
CN105989368A (zh) * | 2015-02-13 | 2016-10-05 | 展讯通信(天津)有限公司 | 一种目标检测方法及装置以及移动终端 |
JP6706788B2 (ja) | 2015-03-06 | 2020-06-10 | パナソニックIpマネジメント株式会社 | 画像認識方法、画像認識装置およびプログラム |
CN104850890B (zh) * | 2015-04-14 | 2017-09-26 | 西安电子科技大学 | 基于实例学习和Sadowsky分布的卷积神经网络参数调整方法 |
CN104850858B (zh) * | 2015-05-15 | 2016-09-07 | 华中科技大学 | 一种注塑制品缺陷检测识别方法 |
CN104899610A (zh) * | 2015-06-26 | 2015-09-09 | 小米科技有限责任公司 | 图片分类方法及装置 |
WO2017004803A1 (en) * | 2015-07-08 | 2017-01-12 | Xiaoou Tang | An apparatus and a method for semantic image labeling |
WO2017011702A1 (en) | 2015-07-15 | 2017-01-19 | Cylance Inc. | Malware detection |
CN105139033B (zh) * | 2015-08-24 | 2018-11-06 | 小米科技有限责任公司 | 分类器构建方法及装置和图片处理方法及装置 |
KR101824600B1 (ko) * | 2015-09-08 | 2018-03-14 | 에스케이플래닛 주식회사 | 단말장치를 이용한 신용카드 번호 및 유효기간 인식 시스템 및 방법 |
CN105426860B (zh) * | 2015-12-01 | 2019-09-27 | 北京眼神智能科技有限公司 | 人脸识别的方法和装置 |
CN105550748A (zh) * | 2015-12-09 | 2016-05-04 | 四川长虹电器股份有限公司 | 基于双曲正切函数的新型神经网络的构造方法 |
CN105550747A (zh) * | 2015-12-09 | 2016-05-04 | 四川长虹电器股份有限公司 | 一种新型卷积神经网络的样本训练方法 |
CN105868689B (zh) * | 2016-02-16 | 2019-03-29 | 杭州景联文科技有限公司 | 一种基于级联卷积神经网络的人脸遮挡检测方法 |
CN107220641B (zh) * | 2016-03-22 | 2020-06-26 | 华南理工大学 | 一种基于深度学习的多语言文本分类方法 |
US10395356B2 (en) * | 2016-05-25 | 2019-08-27 | Kla-Tencor Corp. | Generating simulated images from input images for semiconductor applications |
US9589374B1 (en) * | 2016-08-01 | 2017-03-07 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
US10599977B2 (en) | 2016-08-23 | 2020-03-24 | International Business Machines Corporation | Cascaded neural networks using test ouput from the first neural network to train the second neural network |
CN107784315A (zh) * | 2016-08-26 | 2018-03-09 | 深圳光启合众科技有限公司 | 目标对象的识别方法和装置,及机器人 |
JP6490311B2 (ja) | 2016-09-06 | 2019-03-27 | 三菱電機株式会社 | 学習装置、信号処理装置および学習方法 |
US10083171B1 (en) * | 2017-08-03 | 2018-09-25 | Gyrfalcon Technology Inc. | Natural language processing using a CNN based integrated circuit |
CN106488313A (zh) * | 2016-10-31 | 2017-03-08 | Tcl集团股份有限公司 | 一种台标识别方法及系统 |
CN108171103A (zh) * | 2016-12-07 | 2018-06-15 | 北京三星通信技术研究有限公司 | 目标检测方法及装置 |
CN106777011A (zh) * | 2016-12-07 | 2017-05-31 | 中山大学 | 一种基于深度多任务学习的文本分类方法 |
KR101944536B1 (ko) * | 2016-12-11 | 2019-02-01 | 주식회사 딥바이오 | 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 그 방법 |
KR101893679B1 (ko) * | 2017-02-09 | 2018-08-30 | 한국기술교육대학교 산학협력단 | 딥 러닝을 이용한 카드번호 인식방법 |
KR101926392B1 (ko) | 2017-02-22 | 2018-12-10 | 하트미디어(주) | 병 회수 장치 및 방법 |
US11354577B2 (en) | 2017-03-15 | 2022-06-07 | Samsung Electronics Co., Ltd | System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions |
US10803378B2 (en) * | 2017-03-15 | 2020-10-13 | Samsung Electronics Co., Ltd | System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions |
WO2018216379A1 (ja) | 2017-05-26 | 2018-11-29 | 株式会社日立国際電気 | 機械学習モデル不正検知システム及び不正検知方法 |
US11138724B2 (en) | 2017-06-01 | 2021-10-05 | International Business Machines Corporation | Neural network classification |
US10713783B2 (en) | 2017-06-01 | 2020-07-14 | International Business Machines Corporation | Neural network classification |
CN107247703A (zh) * | 2017-06-08 | 2017-10-13 | 天津大学 | 基于卷积神经网络和集成学习的微博情感分析方法 |
CN109389136A (zh) * | 2017-08-08 | 2019-02-26 | 上海为森车载传感技术有限公司 | 分类器训练方法 |
CN113627458A (zh) | 2017-10-16 | 2021-11-09 | 因美纳有限公司 | 基于循环神经网络的变体致病性分类器 |
US11861491B2 (en) | 2017-10-16 | 2024-01-02 | Illumina, Inc. | Deep learning-based pathogenicity classifier for promoter single nucleotide variants (pSNVs) |
CN107944367B (zh) * | 2017-11-16 | 2021-06-01 | 北京小米移动软件有限公司 | 人脸关键点检测方法及装置 |
CN109815971B (zh) * | 2017-11-20 | 2023-03-10 | 富士通株式会社 | 信息处理方法和信息处理装置 |
CN108875901B (zh) * | 2017-11-20 | 2021-03-23 | 北京旷视科技有限公司 | 神经网络训练方法以及通用物体检测方法、装置和系统 |
CN108280516B (zh) * | 2018-03-05 | 2021-05-11 | 山东领能电子科技有限公司 | 一种多组卷积神经网络之间互博智能进化的优化方法 |
US10657425B2 (en) | 2018-03-09 | 2020-05-19 | Ricoh Company, Ltd. | Deep learning architectures for the classification of objects captured with a light-field camera |
CN108647310A (zh) * | 2018-05-09 | 2018-10-12 | 四川高原之宝牦牛网络技术有限公司 | 识别模型建立方法及装置、文字识别方法及装置 |
CN108548976A (zh) * | 2018-05-25 | 2018-09-18 | 杭州拓深科技有限公司 | 基于卷积神经网络的非入侵式家用用电设备类型检测方法 |
CN108830182B (zh) * | 2018-05-28 | 2020-08-07 | 浙江工商大学 | 一种基于级联卷积神经网络的道线检测方法 |
CN109543816B (zh) * | 2018-09-20 | 2022-12-06 | 中国科学院计算技术研究所 | 一种基于权重捏合的卷积神经网络计算方法和系统 |
CN110956190A (zh) * | 2018-09-27 | 2020-04-03 | 深圳云天励飞技术有限公司 | 图像识别方法及装置、计算机装置和计算机可读存储介质 |
CN109583501B (zh) * | 2018-11-30 | 2021-05-07 | 广州市百果园信息技术有限公司 | 图片分类、分类识别模型的生成方法、装置、设备及介质 |
CN111310516B (zh) * | 2018-12-11 | 2023-08-29 | 杭州海康威视数字技术股份有限公司 | 一种行为识别方法和装置 |
CN109726761B (zh) * | 2018-12-29 | 2023-03-31 | 青岛海洋科学与技术国家实验室发展中心 | Cnn进化方法、基于cnn的auv集群工作方法、装置及存储介质 |
CN110472730A (zh) * | 2019-08-07 | 2019-11-19 | 交叉信息核心技术研究院(西安)有限公司 | 一种卷积神经网络的自蒸馏训练方法和可伸缩动态预测方法 |
JP7453767B2 (ja) | 2019-09-25 | 2024-03-21 | キヤノン株式会社 | 情報処理装置、情報処理方法 |
JP7434829B2 (ja) | 2019-11-21 | 2024-02-21 | オムロン株式会社 | モデル生成装置、推定装置、モデル生成方法、及びモデル生成プログラム |
JP2021082154A (ja) | 2019-11-21 | 2021-05-27 | オムロン株式会社 | モデル生成装置、推定装置、モデル生成方法、及びモデル生成プログラム |
US11790489B2 (en) | 2020-04-07 | 2023-10-17 | Samsung Electronics Co., Ltd. | Systems and method of training networks for real-world super resolution with unknown degradations |
US20230298753A1 (en) * | 2020-07-23 | 2023-09-21 | Deep Bio Inc. | Method for annotating pathogenic site of disease by means of semi- supervised learning, and diagnosis system for performing same |
CN112308058B (zh) * | 2020-10-25 | 2023-10-24 | 北京信息科技大学 | 一种手写字符的识别方法 |
WO2022146250A1 (en) * | 2020-12-30 | 2022-07-07 | Ozyegin Universitesi | A system and method for the management of neural network models |
CN113109666B (zh) * | 2021-04-09 | 2024-03-15 | 河南省博海大数据科技有限公司 | 一种基于深度卷积神经网络的轨道电路故障诊断方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100202425B1 (ko) * | 1992-08-27 | 1999-06-15 | 정호선 | 가전제품의 리모콘 명령어를 인식하기 위한 음성 인식 시스템 |
US5822741A (en) * | 1996-02-05 | 1998-10-13 | Lockheed Martin Corporation | Neural network/conceptual clustering fraud detection architecture |
US6805668B1 (en) * | 2001-06-26 | 2004-10-19 | Cadwell Industries, Inc. | System and method for processing patient polysomnograph data utilizing multiple neural network processing |
US7016885B1 (en) * | 2001-08-28 | 2006-03-21 | University Of Central Florida Research Foundation, Inc. | Self-designing intelligent signal processing system capable of evolutional learning for classification/recognition of one and multidimensional signals |
CN100426314C (zh) * | 2005-08-02 | 2008-10-15 | 中国科学院计算技术研究所 | 一种基于特征分组的多分类器组合人脸识别方法 |
CN101630367A (zh) * | 2009-07-31 | 2010-01-20 | 北京科技大学 | 基于多分类器的手写体字符识别拒识方法 |
TWI415011B (zh) * | 2009-12-17 | 2013-11-11 | Ind Tech Res Inst | 人臉辨識方法及應用此方法之系統 |
-
2012
- 2012-08-31 CN CN201210320318.9A patent/CN103679185B/zh active Active
-
2013
- 2013-07-03 JP JP2013139882A patent/JP6209879B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
CN103679185B (zh) | 2017-06-16 |
JP2014049118A (ja) | 2014-03-17 |
CN103679185A (zh) | 2014-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6209879B2 (ja) | 畳み込みニューラルネットワーク分類器システム、その訓練方法、分類方法および用途 | |
Zhao et al. | Temporal action detection with structured segment networks | |
Gao et al. | Deep label distribution learning with label ambiguity | |
US11093789B2 (en) | Method and apparatus for object re-identification | |
US9002101B2 (en) | Recognition device, recognition method, and computer program product | |
CN111611847B (zh) | 基于尺度注意力空洞卷积网络的视频动作检测方法 | |
CN111582009B (zh) | 训练分类模型的装置和方法及利用分类模型分类的装置 | |
CN108537119B (zh) | 一种小样本视频识别方法 | |
CN108399435B (zh) | 一种基于动静特征的视频分类方法 | |
US11514319B2 (en) | Action prediction | |
US11138441B2 (en) | Video action segmentation by mixed temporal domain adaption | |
CN109145766A (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
JP2004054956A (ja) | 顔/類似顔映像で学習されたパターン分類器を利用した顔検出方法及びシステム | |
JP2011198268A (ja) | 情報処理装置および方法、並びにプログラム | |
CN110188827B (zh) | 一种基于卷积神经网络和递归自动编码器模型的场景识别方法 | |
CN110781818B (zh) | 视频分类方法、模型训练方法、装置及设备 | |
CN111160225B (zh) | 基于深度学习的人体解析方法和装置 | |
CN110909868A (zh) | 基于图神经网络模型的节点表示方法和装置 | |
CN110245227B (zh) | 文本分类的融合分类器的训练方法及设备 | |
CN114510939A (zh) | 实体关系抽取方法、装置、电子设备及存储介质 | |
CN114863091A (zh) | 一种基于伪标签的目标检测训练方法 | |
JP7427011B2 (ja) | センサ入力信号からのコグニティブ・クエリへの応答 | |
CN113312445B (zh) | 数据处理方法、模型构建方法、分类方法及计算设备 | |
CN112309375B (zh) | 语音识别模型的训练测试方法、装置、设备及存储介质 | |
Zhang et al. | Recognition of emotions in user-generated videos through frame-level adaptation and emotion intensity learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160405 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170516 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170713 |
|
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: 20170815 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170828 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6209879 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |