JP7137017B2 - センサデータを分類するための方法及び装置並びにアクチュエータを駆動制御するための駆動制御信号を求めるための方法及び装置 - Google Patents
センサデータを分類するための方法及び装置並びにアクチュエータを駆動制御するための駆動制御信号を求めるための方法及び装置 Download PDFInfo
- Publication number
- JP7137017B2 JP7137017B2 JP2021535791A JP2021535791A JP7137017B2 JP 7137017 B2 JP7137017 B2 JP 7137017B2 JP 2021535791 A JP2021535791 A JP 2021535791A JP 2021535791 A JP2021535791 A JP 2021535791A JP 7137017 B2 JP7137017 B2 JP 7137017B2
- Authority
- JP
- Japan
- Prior art keywords
- norm
- neural network
- input signal
- output signal
- signal
- 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
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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
「Improving neural networks by preventing co-adaptation of feature detectors」(arXiv preprint arXiv:1207.0580v1, Geoffrey E. Hinton, Nitish Srivastava, Alex Krizhevsky, llya Sutskever, Ruslan R. Salakhutdinov (2012))から、トレーニング中に特徴検出器がランダムにスキップされる、ニューラルネットワークをトレーニングするための方法が既知である。ここでは、このような方法は、「ドロップアウト」という名称によっても知られている。
これに対して、独立請求項1及び2の特徴を有する方法は、ニューラルネットワークのアーキテクチャ検索が容易になるという利点を有している。
十分に多いトレーニングデータを伴って、いわゆる「ディープラーニング」方法、即ち、(ディープ)人工ニューラルネットワークを、入力空間V0と出力空間Vkとの間のマッピングを効率的に求めるために利用することができる。これは、例えば、センサデータ、特に画像データの分類、即ち、センサデータ又は画像データのクラスへのマッピングであるものとしてよい。これは、k-1個の隠れ空間V1,…,Vk-1を提供するアプローチに基づいている。さらに、k回のマッピングfi:Vi-1→Vi(i=1…k)がこれらの空間の間に設定される。これらのマッピングfiの各々は、通常、層(英語で「layer」)と称される。そのような層fiは、典型的には、適当に選択された空間Wiによる重みwi∈Wiによってパラメータ化されている。k個の層fiの重みw1,…,wkは、まとめて、重みw∈W:=W1×…×Wkとも称され、入力空間V0から出力空間Vkへのマッピングは、fw:V0→Vkと称され、これは、個々のマッピングfi(添字として明示的に示される重みwiを伴う)から
図1は、アクチュエータ10を、制御システム40と相互作用する自身の周囲20内において示している。アクチュエータ10及び周囲20は、まとめてアクチュエータシステムとも称される。有利な一定の時間間隔で、アクチュエータシステムの状態がセンサ30によって検出される。この状態が、複数のセンサによって与えられるものとしてもよい。センサ30のセンサ信号S(又は、複数のセンサが存在する場合には、各センサ信号S)が、制御システム40に伝達される。従って、制御システム40は、一連のセンサ信号Sを受信する。制御システム40は、ここから、アクチュエータ10に伝送される駆動制御信号Aを求める。
Claims (12)
- ニューラルネットワーク(60)を用いて入力信号(x)を分類するための方法であって、
前記入力信号(x)は、センサ(30)の出力信号(S)に関連して求められ、
前記ニューラルネットワーク(60)はスケーリング層(S4)を含み、前記スケーリング層は、前記スケーリング層(S4)の入力側に印加される入力信号(z4)を前記スケーリング層(S4)の出力側に印加される出力信号(z5)にマッピングし、前記マッピングが、設定可能な値領域への前記入力信号(z4)の投影に相当するように前記マッピングが行われる方法において、
前記マッピングを特徴付けるパラメータ(ρ,c)は、設定可能であり、
前記マッピングは、第1のノルム(N1)及び第2のノルム(N2)を伴う方程式
ことを特徴とする、入力信号(x)を分類するための方法。 - 駆動制御信号(A)を、ニューラルネットワーク(60)の出力信号(y)に関連して求める、請求項1に記載の方法。
- 前記駆動制御信号(A)に関連してアクチュエータ(10)を駆動制御する、請求項2に記載の方法。
- 前記第1のノルム(N1)と前記第2のノルム(N2)とを等しく選択する、請求項1乃至3のいずれか一項に記載の方法。
- 前記第1のノルム(N1)は、L∞ノルムである、請求項1乃至3のいずれか一項に記載の方法。
- 前記第1のノルム(N1)は、L1ノルムである、請求項1乃至3のいずれか一項に記載の方法。
- 前記第2のノルム(N2)は、L2ノルムである、請求項5又は6に記載の方法。
- はじめにトレーニングフェーズにおいて、前記ニューラルネットワーク(60)をトレーニングする方法に関連して、設定可能な前記パラメータ(ρ,c)を適合させ、
前記トレーニング時に、設定可能な前記パラメータ(ρ,c)の適合化を、前記ニューラルネットワーク(60)の入力信号(x)の供給時の前記ニューラルネットワーク(60)の出力信号(y)に関連して、かつ、属する所望の出力信号(yT)に関連して行い、
設定可能な前記パラメータの前記適合化を、求められた勾配(g)に関連して行い、前記勾配は、前記ニューラルネットワーク(60)の前記出力信号(y)及び前記属する所望の出力信号(yT)に関連する、請求項1乃至8のいずれか一項に記載の方法。 - コンピュータプログラムであって、コンピュータによる前記コンピュータプログラムの実行時に、前記コンピュータに、請求項1乃至9のいずれか一項に記載の方法を実施させるための命令を含むコンピュータプログラム。
- 請求項10に記載のコンピュータプログラムが格納されている機械可読記憶媒体(46,146)。
- 請求項1乃至9のいずれか一項に記載の方法を実施するように構成されているアクチュエータ制御システム(40)。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018222346 | 2018-12-19 | ||
DE102018222346.7 | 2018-12-19 | ||
DE102019215120.5A DE102019215120A1 (de) | 2018-12-19 | 2019-10-01 | Verfahren und Vorrichtung zum Klassifizieren von Sensordaten und zum Ermitteln eines Ansteuersignals zum Ansteuern eines Aktors |
DE102019215120.5 | 2019-10-01 | ||
PCT/EP2019/082838 WO2020126379A1 (de) | 2018-12-19 | 2019-11-28 | Verfahren und vorrichtung zum klassifizieren von sensordaten und zum ermitteln eines ansteuersignals zum ansteuern eines aktors |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022514626A JP2022514626A (ja) | 2022-02-14 |
JP7137017B2 true JP7137017B2 (ja) | 2022-09-13 |
Family
ID=70969882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021535791A Active JP7137017B2 (ja) | 2018-12-19 | 2019-11-28 | センサデータを分類するための方法及び装置並びにアクチュエータを駆動制御するための駆動制御信号を求めるための方法及び装置 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220012560A1 (ja) |
EP (1) | EP3899809A1 (ja) |
JP (1) | JP7137017B2 (ja) |
KR (1) | KR20210099140A (ja) |
CN (1) | CN113168572A (ja) |
DE (1) | DE102019215120A1 (ja) |
WO (1) | WO2020126379A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022207726A1 (de) | 2022-07-27 | 2024-02-01 | Robert Bosch Gesellschaft mit beschränkter Haftung | Weitertrainieren neuronaler Netzwerke für die Auswertung von Messdaten |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180107451A1 (en) | 2016-10-14 | 2018-04-19 | International Business Machines Corporation | Automatic scaling for fixed point implementation of deep neural networks |
US20180336887A1 (en) | 2017-05-22 | 2018-11-22 | Samsung Electronics Co., Ltd. | User adaptive speech recognition method and apparatus |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19653554A1 (de) * | 1996-12-20 | 1998-06-25 | Siemens Nixdorf Advanced Techn | Verfahren zum Trainieren eines neuronalen Netzes mit Trainingsdaten und Anordnung eines künstlichen neuronalen Netzes |
WO2017048195A1 (en) * | 2015-09-17 | 2017-03-23 | Nanyang Technological University | Computer system incorporating an adaptive model, and methods for training the adaptive model |
CN107609634A (zh) * | 2017-08-21 | 2018-01-19 | 哈尔滨工程大学 | 一种基于增强极速学习的卷积神经网络训练方法 |
-
2019
- 2019-10-01 DE DE102019215120.5A patent/DE102019215120A1/de active Pending
- 2019-11-28 US US17/295,765 patent/US20220012560A1/en active Pending
- 2019-11-28 KR KR1020217022113A patent/KR20210099140A/ko unknown
- 2019-11-28 WO PCT/EP2019/082838 patent/WO2020126379A1/de unknown
- 2019-11-28 EP EP19813459.5A patent/EP3899809A1/de active Pending
- 2019-11-28 JP JP2021535791A patent/JP7137017B2/ja active Active
- 2019-11-28 CN CN201980084702.3A patent/CN113168572A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180107451A1 (en) | 2016-10-14 | 2018-04-19 | International Business Machines Corporation | Automatic scaling for fixed point implementation of deep neural networks |
US20180336887A1 (en) | 2017-05-22 | 2018-11-22 | Samsung Electronics Co., Ltd. | User adaptive speech recognition method and apparatus |
Non-Patent Citations (1)
Title |
---|
Hoffer, Elad et al.,"Norm matters: efficient and accurate normalization schemes in deep networks",arXiv.org [online],arXiv:1803.01814v2,米国,arXiv,2018年03月,[令和4年8月12日検索], インターネット:<URL: https://arxiv.org/abs/1803.01814v2>,DOI:10.48550/ARXIV.1803.01814 |
Also Published As
Publication number | Publication date |
---|---|
DE102019215120A1 (de) | 2020-06-25 |
JP2022514626A (ja) | 2022-02-14 |
US20220012560A1 (en) | 2022-01-13 |
KR20210099140A (ko) | 2021-08-11 |
CN113168572A (zh) | 2021-07-23 |
EP3899809A1 (de) | 2021-10-27 |
WO2020126379A1 (de) | 2020-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220100850A1 (en) | Method and system for breaking backdoored classifiers through adversarial examples | |
US20230048405A1 (en) | Neural network optimization method and apparatus | |
JP7468675B2 (ja) | 機械学習モデル | |
Zeng et al. | Pixel modeling using histograms based on fuzzy partitions for dynamic background subtraction | |
KR20210068993A (ko) | 분류기를 훈련하는 디바이스 및 방법 | |
US11468276B2 (en) | System and method of a monotone operator neural network | |
KR20210152404A (ko) | 멀티스케일 딥 평형 모델들을 위한 시스템 및 방법 | |
JP7137017B2 (ja) | センサデータを分類するための方法及び装置並びにアクチュエータを駆動制御するための駆動制御信号を求めるための方法及び装置 | |
JP7137018B2 (ja) | ニューラルネットワークをトレーニングするための方法 | |
CN113407820B (zh) | 利用模型进行数据处理的方法及相关系统、存储介质 | |
CN112446462A (zh) | 目标神经网络模型的生成方法和装置 | |
CN116611500A (zh) | 用于训练神经网络的方法及装置 | |
US20220101116A1 (en) | Method and system for probably robust classification with detection of adversarial examples | |
US20220004806A1 (en) | Method and device for creating a machine learning system | |
TWI845580B (zh) | 用於訓練神經網路的方法 | |
CN116861962A (zh) | 一种数据处理方法及装置 | |
CN113947208A (zh) | 用于创建机器学习系统的方法和设备 | |
CN114237861A (zh) | 一种数据处理方法及其设备 | |
CN113449561A (zh) | 动作检测方法及其装置 | |
US20240070451A1 (en) | System and method for universal purification of input perturbation with denoised diffiusion models | |
US20230100132A1 (en) | System and method for estimating perturbation norm for the spectrum of robustness | |
US20230107463A1 (en) | Method and system for probably robust classification with multiclass enabled detection of adversarial examples | |
US20220012594A1 (en) | Method for training a neural network | |
US20240096067A1 (en) | Systems and methods for multi-teacher group-distillation for long-tail classification | |
US20230107917A1 (en) | System and method for a hybrid unsupervised semantic segmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210623 Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210618 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210618 |
|
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: 20220823 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220901 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7137017 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |