JP6855535B2 - シミュレーションデータの最適化方法、装置、記憶媒体及びプログラム - Google Patents
シミュレーションデータの最適化方法、装置、記憶媒体及びプログラム Download PDFInfo
- Publication number
- JP6855535B2 JP6855535B2 JP2019109840A JP2019109840A JP6855535B2 JP 6855535 B2 JP6855535 B2 JP 6855535B2 JP 2019109840 A JP2019109840 A JP 2019109840A JP 2019109840 A JP2019109840 A JP 2019109840A JP 6855535 B2 JP6855535 B2 JP 6855535B2
- Authority
- JP
- Japan
- Prior art keywords
- simulation data
- model
- simulator
- network
- semantic map
- 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
- 238000004088 simulation Methods 0.000 title claims description 199
- 238000005457 optimization Methods 0.000 title claims description 74
- 238000000034 method Methods 0.000 title claims description 65
- 230000007704 transition Effects 0.000 claims description 82
- 238000012549 training Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 25
- 239000012634 fragment Substances 0.000 claims description 20
- 238000012546 transfer Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/047—Probabilistic or stochastic 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
Claims (15)
- コンピュータによって実行される、シミュレーションデータの最適化方法であって、
シミュレータが生成したシミュレーションデータを、遷移モデルを含む第一生成式対抗ネットワークに入力するステップと、
前記遷移モデルにより前記シミュレータが生成したシミュレーションデータを最適化して、最適化シミュレーションデータを生成するステップと、を含み、
シミュレータの生成したシミュレーションデータを前記第一生成式対抗ネットワークに入力する前に、
第二生成式対抗ネットワークによりセマンティックマップを生成することと、
前記セマンティックマップを先験情報として前記シミュレータに入力することと、をさらに含むことを特徴とするシミュレーションデータの最適化方法。 - 前記第一生成式対抗ネットワークは、第一判別モデルをさらに含み、前記シミュレーションデータの最適化方法は、
シミュレータの生成したシミュレーションデータを前記遷移モデルに入力し、前記遷移モデルにより前記シミュレータの生成したシミュレーションデータを最適化し、最適化シミュレーションデータを出力するステップと、
実データと前記最適化シミュレーションデータとを前記第一判別モデルに入力し、前記第一判別モデルにより前記最適化シミュレーションデータの真実性確率を生成するステップと、
前記真実性確率に従って、前記遷移モデルと前記第一判別モデルとの博戯学習によって、前記第一生成式対抗ネットワークを訓練するステップと、
をさらに含んで前記第一生成式対抗ネットワークに対する訓練を行うことを特徴とする請求項1に記載のシミュレーションデータの最適化方法。 - 前記遷移モデルにより前記シミュレータの生成したシミュレーションデータを最適化して、最適化シミュレーションデータを生成することは、
前記遷移モデルのネットワーク転送過程において、残差ニューラルネットワークを利用して前記遷移モデルにおける各サブネットワークに損失出力データを生成することと、
各サブネットワークの前記損失出力データを入力データに重ね合わせた後に前記遷移モデルの損失関数に入力することと、
前記損失関数によって、前記シミュレータの生成したシミュレーションデータを最適化することと、をさらに含むことを特徴とする請求項1に記載のシミュレーションデータの最適化方法。 - 前記第一判別モデルにより前記最適化シミュレーションデータの真実性確率を生成することは、
フラグメントレベルを用いて前記第一判別モデルの損失程度を統計し、ネットワークの収束傾向および/または入力データにおける物体分布状況に応じて前記フラグメントレベルの大きさを設定することをさらに含むことを特徴とする請求項2に記載のシミュレーションデータの最適化方法。 - 前記第二生成式対抗ネットワークは、生成モデルと第二判別モデルとを含み、前記第二生成式対抗ネットワークによりセマンティックマップを生成することは、
騒音ベクトルを前記生成モデルに入力し、前記生成モデルでセマンティックマップを生成することと、
実セマンティックマップと前記生成モデルの出力したセマンティックマップとを前記第二判別モデルに入力し、前記第二判別モデルで前記生成モデルの出力したセマンティックマップの真実性確率を生成することと、
前記真実性確率に従って、前記生成モデルと前記第二判別モデルとの博戯学習によって、前記第二生成式対抗ネットワークを訓練することと、
訓練された前記第二生成式対抗ネットワークによって、セマンティックマップを生成することと、を含むことを特徴とする請求項1に記載のシミュレーションデータの最適化方法。 - 前記遷移モデルにより前記シミュレータの生成したシミュレーションデータを最適化して、最適化シミュレーションデータを生成することは、
異なる場面に適用されるコントローラベクトルを設定することと、
前記遷移モデルのネットワーク転送過程において前記コントローラベクトルを入力して、異なる場面に適用される前記最適化シミュレーションデータを生成することと、をさらに含むことを特徴とする請求項1乃至4のいずれか1項に記載のシミュレーションデータの最適化方法。 - シミュレータの生成したシミュレーションデータを、遷移モデルを含む第一生成式対抗ネットワークに入力するためのシミュレーションデータ入力ユニットと、
前記遷移モデルにより前記シミュレータの生成したシミュレーションデータを最適化して、最適化シミュレーションデータを生成するためのシミュレーションデータ最適化ユニットと、
第二生成式対抗ネットワークによりセマンティックマップを生成するためのセマンティックマップ生成ユニットと、
前記セマンティックマップを先験情報として前記シミュレータに入力するためのセマンティックマップ入力ユニットと、を備えることを特徴とするシミュレーションデータの最適化装置。 - 前記第一生成式対抗ネットワークは、第一判別モデルをさらに含み、前記シミュレーションデータの最適化装置は、訓練ユニットをさらに備え、前記訓練ユニットは、
シミュレータの生成したシミュレーションデータを前記遷移モデルに入力し、前記遷移モデルにより前記シミュレータの生成したシミュレーションデータを最適化し、最適化シミュレーションデータを出力するための第一サブユニットと、
実データと前記最適化シミュレーションデータとを前記第一判別モデルに入力し、前記第一判別モデルにより前記最適化シミュレーションデータの真実性確率を生成するための第二サブユニットと、
前記真実性確率に従って、前記遷移モデルと前記第一判別モデルとの博戯学習によって、前記第一生成式対抗ネットワークを訓練するための第三サブユニットと、を備えることを特徴とする請求項7に記載のシミュレーションデータの最適化装置。 - 前記シミュレーションデータ最適化ユニットは、 前記遷移モデルのネットワーク転送過程において、残差ニューラルネットワークを利用して前記遷移モデルにおける各サブネットワークに損失出力データを生成し、
各サブネットワークの前記損失出力データを入力データに重ね合わせた後に前記遷移モデルの損失関数に入力し、
前記損失関数によって、前記シミュレータの生成したシミュレーションデータを最適化するためにさらに用いられることを特徴とする請求項7に記載のシミュレーションデータの最適化装置。 - 前記第二サブユニットは、
フラグメントレベルを用いて前記第一判別モデルの損失程度を統計し、ネットワークの収束傾向および/または入力データにおける物体分布状況に応じて前記フラグメントレベルの大きさを設定するためにさらに用いられることを特徴とする請求項8に記載のシミュレーションデータの最適化装置。 - 前記第二生成式対抗ネットワークは、生成モデルと第二判別モデルとを含み、前記セマンティックマップ生成ユニットは、
騒音ベクトルを前記生成モデルに入力し、前記生成モデルでセマンティックマップを生成し、
実セマンティックマップと前記生成モデルの出力したセマンティックマップとを前記第二判別モデルに入力し、前記第二判別モデルで前記生成モデルの出力したセマンティックマップの真実性確率を生成し、
前記真実性確率に従って、前記生成モデルと前記第二判別モデルとの博戯学習によって、前記第二生成式対抗ネットワークを訓練し、
訓練された前記第二生成式対抗ネットワークによって、セマンティックマップを生成するためにさらに用いられることを特徴とする請求項7に記載のシミュレーションデータの最適化装置。 - 前記シミュレーションデータ最適化ユニットは、
異なる場面に適用されるコントローラベクトルを設定し、
前記遷移モデルのネットワーク転送過程において前記コントローラベクトルを入力して、異なる場面に適用される前記最適化シミュレーションデータを生成するためにさらに用いられることを特徴とする請求項7乃至10のいずれか1項に記載のシミュレーションデータの最適化装置。 - 一つ又は複数のプロセッサーと、
一つ又は複数のプログラムを記憶するためのメモリーと、を備え、
前記一つ又は複数のプログラムが前記一つ又は複数のプロセッサーにより実行される時、前記一つ又は複数のプロセッサーが請求項1乃至6のいずれか1項に記載のシミュレーションデータの最適化方法を実現するようにすることを特徴とするシミュレーションデータの最適化装置。 - コンピュータプログラムが記憶されたコンピュータ可読記憶媒体であって、当該コンピュータプログラムがプロセッサーにより実行されると、請求項1乃至6のいずれか1項に記載のシミュレーションデータの最適化方法を実現することを特徴とするコンピュータ可読記憶媒体。
- コンピュータにおいて、プロセッサーにより実行される場合、請求項1乃至6のいずれか一項に記載のシミュレーションデータの最適化方法を実現することを特徴とするプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811038346.5 | 2018-09-06 | ||
CN201811038346.5A CN109284280B (zh) | 2018-09-06 | 2018-09-06 | 仿真数据优化方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020042773A JP2020042773A (ja) | 2020-03-19 |
JP6855535B2 true JP6855535B2 (ja) | 2021-04-07 |
Family
ID=65184136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019109840A Active JP6855535B2 (ja) | 2018-09-06 | 2019-06-12 | シミュレーションデータの最適化方法、装置、記憶媒体及びプログラム |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200082250A1 (ja) |
EP (1) | EP3620988A1 (ja) |
JP (1) | JP6855535B2 (ja) |
CN (1) | CN109284280B (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102403494B1 (ko) * | 2017-04-27 | 2022-05-27 | 에스케이텔레콤 주식회사 | 생성적 대립 네트워크에 기반한 도메인 간 관계를 학습하는 방법 |
US11556848B2 (en) * | 2019-10-21 | 2023-01-17 | International Business Machines Corporation | Resolving conflicts between experts' intuition and data-driven artificial intelligence models |
CN112989364A (zh) * | 2019-12-13 | 2021-06-18 | 伊姆西Ip控股有限责任公司 | 用于数据仿真的方法、设备和计算机程序产品 |
CN112199991B (zh) * | 2020-08-27 | 2024-04-30 | 广州中国科学院软件应用技术研究所 | 一种应用于车路协同路侧感知的仿真点云滤波方法和系统 |
CN113822892B (zh) * | 2021-11-24 | 2022-02-08 | 腾讯科技(深圳)有限公司 | 仿真雷达的评测方法、装置、设备及计算机存储介质 |
CN114148349B (zh) * | 2021-12-21 | 2023-10-03 | 西南大学 | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 |
CN115037590B (zh) * | 2022-03-25 | 2023-08-11 | 烽火通信科技股份有限公司 | 一种网络虚拟化体系结构以及虚拟化方法 |
CN114882168B (zh) * | 2022-04-08 | 2023-04-18 | 清华大学 | 一种基于视觉的触觉传感器的数字孪生方法及装置 |
CN115061570B (zh) * | 2022-06-08 | 2024-04-05 | 中国人民解放军空军工程大学 | 基于真实对抗数据的高逼真模拟训练系统及方法 |
US11895344B1 (en) | 2022-12-09 | 2024-02-06 | International Business Machines Corporation | Distribution of media content enhancement with generative adversarial network migration |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6189170B2 (ja) * | 2013-10-16 | 2017-08-30 | セコム株式会社 | 姿勢推定装置 |
US10572979B2 (en) * | 2017-04-06 | 2020-02-25 | Pixar | Denoising Monte Carlo renderings using machine learning with importance sampling |
US10474929B2 (en) * | 2017-04-25 | 2019-11-12 | Nec Corporation | Cyclic generative adversarial network for unsupervised cross-domain image generation |
US10262243B2 (en) * | 2017-05-24 | 2019-04-16 | General Electric Company | Neural network point cloud generation system |
CN107464210B (zh) * | 2017-07-06 | 2020-02-21 | 浙江工业大学 | 一种基于生成式对抗网络的图像风格迁移方法 |
CN107977511A (zh) * | 2017-11-30 | 2018-05-01 | 浙江传媒学院 | 一种基于深度学习的工业品外观材质高保真实时仿真算法 |
CN108197700A (zh) * | 2018-01-12 | 2018-06-22 | 广州视声智能科技有限公司 | 一种生成式对抗网络建模方法及装置 |
CN108319932B (zh) * | 2018-03-12 | 2021-12-07 | 中山大学 | 一种基于生成式对抗网络的多图像人脸对齐的方法及装置 |
CN108226892B (zh) * | 2018-03-27 | 2021-09-28 | 天津大学 | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 |
-
2018
- 2018-09-06 CN CN201811038346.5A patent/CN109284280B/zh active Active
-
2019
- 2019-06-12 JP JP2019109840A patent/JP6855535B2/ja active Active
- 2019-07-04 EP EP19184301.0A patent/EP3620988A1/en active Pending
- 2019-07-11 US US16/508,903 patent/US20200082250A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3620988A1 (en) | 2020-03-11 |
JP2020042773A (ja) | 2020-03-19 |
CN109284280A (zh) | 2019-01-29 |
US20200082250A1 (en) | 2020-03-12 |
CN109284280B (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6855535B2 (ja) | シミュレーションデータの最適化方法、装置、記憶媒体及びプログラム | |
US10878575B2 (en) | Foreground-aware image inpainting | |
JP6871314B2 (ja) | 物体検出方法、装置及び記憶媒体 | |
WO2021232229A1 (zh) | 虚拟场景生成方法、装置、计算机设备和存储介质 | |
CN108121997A (zh) | 使用机器学习模型的图像数据中的对象分类 | |
KR20170140214A (ko) | 신경망을 위한 훈련 기준으로서의 필터 특이성 | |
EP4053718A1 (en) | Watermark information embedding method and apparatus | |
CN111079570A (zh) | 一种人体关键点识别方法、装置及电子设备 | |
DK201770681A1 (en) | A method for (re-) training a machine learning component | |
US20200082619A1 (en) | Obstacle distribution simulation method and device based on multiple models, and storage medium | |
CN111932451A (zh) | 重定位效果的评价方法、装置、电子设备和存储介质 | |
US11354461B2 (en) | Method and device for simulating a distribution of obstacles | |
CN112861708B (zh) | 一种雷达图像的语义分割方法、设备及存储介质 | |
CN113298822B (zh) | 点云数据的选取方法及选取装置、设备、存储介质 | |
CN111709951B (zh) | 目标检测网络训练方法及系统及网络及装置及介质 | |
CN110119721B (zh) | 用于处理信息的方法和装置 | |
CN113239994A (zh) | 基于YOLOv4-tiny算法的电网缺陷检测方法、装置、存储介质及电子设备 | |
CN113807407A (zh) | 目标检测模型训练方法、模型性能检测方法及装置 | |
CN114510592A (zh) | 图像分类方法、装置、电子设备及存储介质 | |
WO2021014495A1 (ja) | ラベル推定装置、ラベル推定方法、及びラベル推定プログラム | |
CN113011223A (zh) | 一种图像识别方法、系统、设备和存储介质 | |
JP7266075B2 (ja) | データ選別支援装置、データ選別支援方法及びデータ選別支援プログラム | |
CN116910758B (zh) | 恶意软件检测方法、装置、电子设备、芯片及存储介质 | |
US20240028784A1 (en) | Segmenting a building scene | |
US10977861B1 (en) | Inferring quality in point cloud-based three-dimensional objects using topographical data analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190612 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200812 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201109 |
|
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: 20210303 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210317 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6855535 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |