JP7179935B2 - バッチ正規化レイヤ - Google Patents
バッチ正規化レイヤ Download PDFInfo
- Publication number
- JP7179935B2 JP7179935B2 JP2021137180A JP2021137180A JP7179935B2 JP 7179935 B2 JP7179935 B2 JP 7179935B2 JP 2021137180 A JP2021137180 A JP 2021137180A JP 2021137180 A JP2021137180 A JP 2021137180A JP 7179935 B2 JP7179935 B2 JP 7179935B2
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- output
- layer
- network layer
- batch normalization
- 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
- 238000010606 normalization Methods 0.000 title claims description 133
- 238000013528 artificial neural network Methods 0.000 claims description 242
- 238000012549 training Methods 0.000 claims description 67
- 238000000034 method Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 22
- 230000009471 action Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 description 15
- 238000004590 computer program Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 206010011878 Deafness Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Description
102 トレーニング例のバッチ
104 ニューラル・ネットワーク・レイヤA
106 レイヤA出力
108 バッチ正規化レイヤ
110 バッチ正規化レイヤ出力
112 ニューラル・ネットワーク・レイヤB
114 ニューラル・ネットワーク出力
Claims (20)
ニューラル・ネットワーク入力を受信するステップと、
トレーニングデータでトレーニングされたニューラル・ネットワーク・システムを用いて前記ニューラル・ネットワーク入力を処理することにより、前記ニューラル・ネットワーク入力に対するニューラル・ネットワーク出力を生成するステップであって、
前記ニューラル・ネットワーク・システムがニューラル・ネットワーク・レイヤのシーケンスを含み、前記シーケンスは、前記ニューラル・ネットワーク・システムのニューラル・ネットワーク・レイヤのシーケンスにおける第1のニューラル・ネットワーク・レイヤと第2のニューラル・ネットワーク・レイヤとの間のバッチ正規化レイヤを含み、
前記ニューラル・ネットワーク・システムは、前記シーケンスにおける前記レイヤの各々により前記ニューラル・ネットワーク入力を処理することにより、前記ニューラル・ネットワーク入力から前記ニューラル・ネットワーク出力を生成する、生成するステップと
を含み、
前記バッチ正規化レイヤは、前記ニューラル・ネットワーク・システムがトレーニングされた後に、
前記第1のニューラル・ネットワーク・レイヤにより、前記ニューラル・ネットワーク入力に対して生成された出力を受信し、
前記ニューラル・ネットワーク入力に対して正規化された出力を生成し、
前記第2のニューラル・ネットワーク・レイヤへの入力として、前記正規化された出力、または前記正規化された出力の変換されたバージョンを提供するように構成され、
i)前記第1のニューラル・ネットワーク・レイヤにより生成された前記出力は、次元によりインデックス化され、前記バッチ正規化レイヤが、前記次元の各々に対する予め計算された平均および標準偏差を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成される、または
ii)前記第1のニューラル・ネットワーク・レイヤにより生成された前記出力が、特徴インデックスおよび空間的位置インデックスによりインデックス化され、前記バッチ正規化レイヤが、前記特徴インデックスの各々に対する予め計算された平均値および算術平均分散を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成される、方法。
前記バッチ正規化レイヤは、前記次元の各々に対する予め計算された平均および標準偏差を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成され、
所与の次元に対する前記予め計算された平均および標準偏差は、トレーニング後に前記第1のニューラル・ネットワーク・レイヤにより生成された出力の前記次元における前記成分から計算される、請求項1に記載の方法。
前記バッチ正規化レイヤは、前記次元の各々に対する予め計算された平均および標準偏差を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成され、
所与の次元に対する前記予め計算された平均および標準偏差は、トレーニング中に前記第1のニューラル・ネットワーク・レイヤにより生成された出力の前記次元における前記成分から計算される、請求項1に記載の方法。
前記バッチ正規化レイヤは、前記特徴インデックスの各々に対する予め計算された平均値および算術平均分散を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成され、
所与の特徴インデックスに対する前記予め計算された平均および標準偏差は、トレーニング後に前記第1のニューラル・ネットワーク・レイヤにより生成された前記出力から計算される、請求項1に記載の方法。
前記バッチ正規化レイヤは、前記特徴インデックスの各々に対する予め計算された平均値および算術平均分散を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成され、
所与の特徴インデックスに対する前記予め計算された平均および標準偏差は、トレーニング中に使用されたトレーニング例に対して前記第1のニューラル・ネットワーク・レイヤにより生成された出力から計算される、請求項1に記載の方法。
前記バッチ正規化レイヤは、前記次元の各々に対する予め計算された平均および標準偏差を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成され、
前記バッチ正規化レイヤは、前記次元に対するバッチ正規化レイヤパラメータのセットのトレーニングされた値に従って、各次元について、前記次元における前記正規化された出力の前記成分を変換するように構成される、請求項6に記載の方法。
前記バッチ正規化レイヤは、前記特徴インデックスの各々に対する予め計算された平均値および算術平均分散を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成され、
前記バッチ正規化レイヤは、前記成分に対応する前記特徴インデックスに対するバッチ正規化パラメータのセットのトレーニングされた値に従って、前記正規化された出力の各成分を変換するように構成される、請求項6に記載の方法。
1つまたは複数のコンピュータと命令を記憶する1つまたは複数の記憶デバイスとを備え、前記命令は、1つまたは複数のコンピュータにより実行されたときに、前記1つまたは複数のコンピュータに複数の動作を実行させ、前記複数の動作は、
ニューラル・ネットワーク入力を受信する動作と、
トレーニングデータでトレーニングされたニューラル・ネットワーク・システムを用いて前記ニューラル・ネットワーク入力を処理することにより、前記ニューラル・ネットワーク入力に対するニューラル・ネットワーク出力を生成する動作であって、
前記ニューラル・ネットワーク・システムがニューラル・ネットワーク・レイヤのシーケンスを含み、前記シーケンスは、前記ニューラル・ネットワーク・システムのニューラル・ネットワーク・レイヤのシーケンスにおける第1のニューラル・ネットワーク・レイヤと第2のニューラル・ネットワーク・レイヤとの間のバッチ正規化レイヤを含み、
前記ニューラル・ネットワーク・システムは、前記シーケンスにおける前記レイヤの各々により前記ニューラル・ネットワーク入力を処理することにより、前記ニューラル・ネットワーク入力から前記ニューラル・ネットワーク出力を生成する、生成する動作と
を含み、
前記バッチ正規化レイヤは、前記ニューラル・ネットワーク・システムがトレーニングされた後に、
前記第1のニューラル・ネットワーク・レイヤにより、前記ニューラル・ネットワーク入力に対して生成された出力を受信し、
前記ニューラル・ネットワーク入力に対して正規化された出力を生成し、
前記第2のニューラル・ネットワーク・レイヤへの入力として、前記正規化された出力、または前記正規化された出力の変換されたバージョンを提供するように構成され、
i)前記第1のニューラル・ネットワーク・レイヤにより生成された前記出力は、次元によりインデックス化され、前記バッチ正規化レイヤは、前記次元の各々に対する予め計算された平均および標準偏差を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成される、または
ii)前記第1のニューラル・ネットワーク・レイヤにより生成された前記出力が、特徴インデックスおよび空間的位置インデックスによりインデックス化され、前記バッチ正規化レイヤは、前記特徴インデックスの各々に対する予め計算された平均値および算術平均分散を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成される、システム。
前記バッチ正規化レイヤは、前記次元の各々に対する予め計算された平均および標準偏差を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成され、
所与の次元に対する前記予め計算された平均および標準偏差は、トレーニング後に前記第1のニューラル・ネットワーク・レイヤにより生成された出力の前記次元における前記成分から計算される、請求項9に記載のシステム。
前記バッチ正規化レイヤは、前記次元の各々に対する予め計算された平均および標準偏差を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成され、
所与の次元に対する前記予め計算された平均および標準偏差は、トレーニング中に前記第1のニューラル・ネットワーク・レイヤにより生成された出力の前記次元における前記成分から計算される、請求項9に記載のシステム。
前記バッチ正規化レイヤは、前記特徴インデックスの各々に対する予め計算された平均値および算術平均分散を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成され、
所与の特徴インデックスに対する前記予め計算された平均および標準偏差は、トレーニング後に前記第1のニューラル・ネットワーク・レイヤにより生成された前記出力から計算される、請求項9に記載のシステム。
前記バッチ正規化レイヤは、前記特徴インデックスの各々に対する予め計算された平均値および算術平均分散を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成され、
所与の特徴インデックスに対する前記予め計算された平均および標準偏差は、トレーニング中に使用されたトレーニング例に対して前記第1のニューラル・ネットワーク・レイヤにより生成された出力から計算される、請求項9に記載のシステム。
前記バッチ正規化レイヤは、前記次元の各々に対する予め計算された平均および標準偏差を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成され、
前記バッチ正規化レイヤは、前記次元に対するバッチ正規化レイヤパラメータのセットのトレーニングされた値に従って、各次元について、前記次元における前記正規化された出力の前記成分を変換するように構成される、請求項14に記載のシステム。
前記バッチ正規化レイヤは、前記特徴インデックスの各々に対する予め計算された平均値および算術平均分散を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成され、
前記バッチ正規化レイヤは、前記成分に対応する前記特徴インデックスに対するバッチ正規化パラメータのセットのトレーニングされた値に従って、前記正規化された出力の各成分を変換するように構成される、請求項14に記載のシステム。
前記命令は、1つまたは複数のコンピュータにより実行されたときに、前記1つまたは複数のコンピュータに複数の動作を実行させ、前記動作が、
ニューラル・ネットワーク入力を受信する動作と、
トレーニングデータでトレーニングされたニューラル・ネットワーク・システムを用いて前記ニューラル・ネットワーク入力を処理することにより、前記ニューラル・ネットワーク入力に対するニューラル・ネットワーク出力を生成する動作であって、
前記ニューラル・ネットワーク・システムがニューラル・ネットワーク・レイヤのシーケンスを含み、前記シーケンスは、前記ニューラル・ネットワーク・システムのニューラル・ネットワーク・レイヤのシーケンスにおける第1のニューラル・ネットワーク・レイヤと第2のニューラル・ネットワーク・レイヤとの間のバッチ正規化レイヤを含み、
前記ニューラル・ネットワーク・システムは、前記シーケンスにおける前記レイヤの各々により前記ニューラル・ネットワーク入力を処理することにより、前記ニューラル・ネットワーク入力から前記ニューラル・ネットワーク出力を生成する、生成する動作と
を含み、
前記バッチ正規化レイヤは、前記ニューラル・ネットワーク・システムがトレーニングされた後に、
前記第1のニューラル・ネットワーク・レイヤにより、前記ニューラル・ネットワーク入力に対して生成された出力を受信し、
前記ニューラル・ネットワーク入力に対して正規化された出力を生成し、
前記第2のニューラル・ネットワーク・レイヤへの入力として、前記正規化された出力、または前記正規化された出力の変換されたバージョンを提供するように構成され、
i)前記第1のニューラル・ネットワーク・レイヤにより生成された前記出力は、次元によりインデックス化され、前記バッチ正規化レイヤは、前記次元の各々に対する予め計算された平均および標準偏差を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成される、または
ii)前記第1のニューラル・ネットワーク・レイヤにより生成された前記出力が、特徴インデックスおよび空間的位置インデックスによりインデックス化され、前記バッチ正規化レイヤは、前記特徴インデックスの各々に対する予め計算された平均値および算術平均分散を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成される、1つまたは複数のコンピュータ可読記録媒体。
前記バッチ正規化レイヤは、前記次元の各々に対する予め計算された平均および標準偏差を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成され、
所与の次元に対する前記予め計算された平均および標準偏差は、トレーニング後に前記第1のニューラル・ネットワーク・レイヤにより生成された出力の前記次元における前記成分から計算される、請求項17に記載の1つまたは複数のコンピュータ可読記録媒体。
前記バッチ正規化レイヤは、前記次元の各々に対する予め計算された平均および標準偏差を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成され、
所与の次元に対する前記予め計算された平均および標準偏差は、トレーニング中に前記第1のニューラル・ネットワーク・レイヤにより生成された出力の前記次元における前記成分から計算される、請求項17に記載の1つまたは複数のコンピュータ可読記録媒体。
前記バッチ正規化レイヤは、前記特徴インデックスの各々に対する予め計算された平均値および算術平均分散を用いて、前記第1のニューラル・ネットワーク・レイヤ出力の各成分を正規化して、前記正規化された出力を生成するように構成され、
所与の特徴インデックスに対する前記予め計算された平均および標準偏差は、トレーニング後に前記第1のニューラル・ネットワーク・レイヤにより生成された前記出力から計算される、請求項17に記載の1つまたは複数のコンピュータ可読記録媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022183459A JP2023029845A (ja) | 2015-01-28 | 2022-11-16 | バッチ正規化レイヤ |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562108984P | 2015-01-28 | 2015-01-28 | |
US62/108,984 | 2015-01-28 | ||
JP2020092300A JP6935542B2 (ja) | 2015-01-28 | 2020-05-27 | バッチ正規化レイヤ |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020092300A Division JP6935542B2 (ja) | 2015-01-28 | 2020-05-27 | バッチ正規化レイヤ |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022183459A Division JP2023029845A (ja) | 2015-01-28 | 2022-11-16 | バッチ正規化レイヤ |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021192251A JP2021192251A (ja) | 2021-12-16 |
JP7179935B2 true JP7179935B2 (ja) | 2022-11-29 |
Family
ID=55349983
Family Applications (5)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017539561A Active JP6453477B2 (ja) | 2015-01-28 | 2016-01-28 | バッチ正規化レイヤ |
JP2018232445A Active JP6710745B2 (ja) | 2015-01-28 | 2018-12-12 | バッチ正規化レイヤ |
JP2020092300A Active JP6935542B2 (ja) | 2015-01-28 | 2020-05-27 | バッチ正規化レイヤ |
JP2021137180A Active JP7179935B2 (ja) | 2015-01-28 | 2021-08-25 | バッチ正規化レイヤ |
JP2022183459A Pending JP2023029845A (ja) | 2015-01-28 | 2022-11-16 | バッチ正規化レイヤ |
Family Applications Before (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017539561A Active JP6453477B2 (ja) | 2015-01-28 | 2016-01-28 | バッチ正規化レイヤ |
JP2018232445A Active JP6710745B2 (ja) | 2015-01-28 | 2018-12-12 | バッチ正規化レイヤ |
JP2020092300A Active JP6935542B2 (ja) | 2015-01-28 | 2020-05-27 | バッチ正規化レイヤ |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022183459A Pending JP2023029845A (ja) | 2015-01-28 | 2022-11-16 | バッチ正規化レイヤ |
Country Status (17)
Country | Link |
---|---|
US (8) | US10417562B2 (ja) |
EP (3) | EP3251059B1 (ja) |
JP (5) | JP6453477B2 (ja) |
KR (2) | KR102055355B1 (ja) |
CN (1) | CN107278310A (ja) |
AU (5) | AU2016211333B2 (ja) |
CA (1) | CA2975251C (ja) |
DE (1) | DE112016000509T5 (ja) |
DK (1) | DK3251059T3 (ja) |
ES (1) | ES2714152T3 (ja) |
IL (1) | IL253676A0 (ja) |
MX (1) | MX2017009879A (ja) |
PL (1) | PL3251059T3 (ja) |
RU (1) | RU2666308C1 (ja) |
SG (1) | SG11201706127RA (ja) |
TR (1) | TR201902908T4 (ja) |
WO (1) | WO2016123409A1 (ja) |
Families Citing this family (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3251059B1 (en) | 2015-01-28 | 2018-12-05 | Google LLC | Batch normalization layers |
CN107851195B (zh) * | 2015-07-29 | 2022-02-11 | 诺基亚技术有限公司 | 利用神经网络进行目标检测 |
IL281241B (en) | 2016-08-22 | 2022-08-01 | Magic Leap Inc | An augmented reality display device with deep learning sensors |
CN110291540A (zh) | 2017-02-10 | 2019-09-27 | 谷歌有限责任公司 | 批再归一化层 |
US10255681B2 (en) * | 2017-03-02 | 2019-04-09 | Adobe Inc. | Image matting using deep learning |
US11308391B2 (en) | 2017-03-06 | 2022-04-19 | Baidu Usa Llc | Offline combination of convolutional/deconvolutional and batch-norm layers of convolutional neural network models for autonomous driving vehicles |
CN110366733A (zh) * | 2017-03-06 | 2019-10-22 | 索尼公司 | 信息处理装置 |
EP3602419B1 (en) * | 2017-04-28 | 2023-09-20 | Google LLC | Neural network optimizer search |
CN109034384B (zh) * | 2017-06-12 | 2021-06-22 | 浙江宇视科技有限公司 | 一种数据处理方法和装置 |
US10635813B2 (en) | 2017-10-06 | 2020-04-28 | Sophos Limited | Methods and apparatus for using machine learning on multiple file fragments to identify malware |
US11586905B2 (en) * | 2017-10-11 | 2023-02-21 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for customizing kernel machines with deep neural networks |
CN111373416B (zh) * | 2017-10-27 | 2024-01-23 | 谷歌有限责任公司 | 通过离散神经网络输入来增强神经网络的安全性 |
WO2019123544A1 (ja) | 2017-12-19 | 2019-06-27 | オリンパス株式会社 | データ処理方法およびデータ処理装置 |
CN108009634B (zh) * | 2017-12-21 | 2021-05-25 | 美的集团股份有限公司 | 一种卷积神经网络的优化方法、装置及计算机存储介质 |
EP3511872A1 (en) | 2018-01-12 | 2019-07-17 | Sony Corporation | Artificial neural network |
WO2019145912A1 (en) | 2018-01-26 | 2019-08-01 | Sophos Limited | Methods and apparatus for detection of malicious documents using machine learning |
US11941491B2 (en) | 2018-01-31 | 2024-03-26 | Sophos Limited | Methods and apparatus for identifying an impact of a portion of a file on machine learning classification of malicious content |
WO2019149376A1 (en) | 2018-02-02 | 2019-08-08 | Toyota Motor Europe | Method and system for processing input data using a neural network and normalizations |
WO2019149375A1 (en) * | 2018-02-02 | 2019-08-08 | Toyota Motor Europe | Method and system for processing input data and propagating variance in a neural network |
US20190251429A1 (en) * | 2018-02-12 | 2019-08-15 | Kneron, Inc. | Convolution operation device and method of scaling convolution input for convolution neural network |
CN108875787B (zh) * | 2018-05-23 | 2020-07-14 | 北京市商汤科技开发有限公司 | 一种图像识别方法及装置、计算机设备和存储介质 |
CN108921283A (zh) * | 2018-06-13 | 2018-11-30 | 深圳市商汤科技有限公司 | 深度神经网络的归一化方法和装置、设备、存储介质 |
US11869221B2 (en) * | 2018-09-27 | 2024-01-09 | Google Llc | Data compression using integer neural networks |
US11947668B2 (en) * | 2018-10-12 | 2024-04-02 | Sophos Limited | Methods and apparatus for preserving information between layers within a neural network |
KR20200051278A (ko) | 2018-11-05 | 2020-05-13 | 삼성전자주식회사 | 인공 신경망에서의 작업 관리 방법 및 이를 포함하는 시스템 |
US11687761B2 (en) * | 2018-12-11 | 2023-06-27 | Amazon Technologies, Inc. | Improper neural network input detection and handling |
US10789510B2 (en) * | 2019-01-11 | 2020-09-29 | Google Llc | Dynamic minibatch sizes |
US10325185B1 (en) * | 2019-01-23 | 2019-06-18 | StradVision, Inc. | Method and device for online batch normalization, on-device learning, and continual learning applicable to mobile devices or IOT devices additionally referring to one or more previous batches to be used for military purpose, drone or robot, and testing method and testing device using the same |
US11574052B2 (en) | 2019-01-31 | 2023-02-07 | Sophos Limited | Methods and apparatus for using machine learning to detect potentially malicious obfuscated scripts |
JP2020135011A (ja) | 2019-02-13 | 2020-08-31 | キオクシア株式会社 | 情報処理装置及び方法 |
CN109886392B (zh) * | 2019-02-25 | 2021-04-27 | 深圳市商汤科技有限公司 | 数据处理方法和装置、电子设备和存储介质 |
KR102046113B1 (ko) | 2019-03-19 | 2019-11-18 | 주식회사 루닛 | 신경망 학습 방법 및 그 장치 |
KR102046133B1 (ko) * | 2019-03-20 | 2019-11-18 | 주식회사 루닛 | 특징 데이터 리캘리브레이션 방법 및 그 장치 |
DE102019204136A1 (de) * | 2019-03-26 | 2020-10-01 | Robert Bosch Gmbh | Verfahren und Vorrichtung für Training und Herstellung eines künstlichen neuronalen Netzes |
KR102037483B1 (ko) | 2019-04-02 | 2019-11-15 | 주식회사 루닛 | 신경망 데이터 정규화 방법 및 그 장치 |
US11853890B2 (en) * | 2019-05-02 | 2023-12-26 | Macronix International Co., Ltd. | Memory device and operation method thereof |
US11361218B2 (en) * | 2019-05-31 | 2022-06-14 | International Business Machines Corporation | Noise and signal management for RPU array |
CN111967570B (zh) * | 2019-07-01 | 2024-04-05 | 北京砥脊科技有限公司 | 可视化神经网络系统的实现方法、装置和机器设备 |
KR102461732B1 (ko) * | 2019-07-16 | 2022-11-01 | 한국전자통신연구원 | 강화 학습 방법 및 장치 |
KR20190098106A (ko) * | 2019-08-02 | 2019-08-21 | 엘지전자 주식회사 | 배치 정규화 레이어 트레이닝 방법 |
CN110598852A (zh) * | 2019-08-29 | 2019-12-20 | 北京小米移动软件有限公司 | 子网络采样方法、构建超网络拓扑结构的方法及装置 |
DE102019213898A1 (de) * | 2019-09-11 | 2021-03-11 | Robert Bosch Gmbh | Robustes und besser trainierbares künstliches neuronales Netzwerk |
US11568259B2 (en) * | 2019-10-15 | 2023-01-31 | Zoox, Inc. | Cross batch normalization |
KR102127913B1 (ko) | 2019-10-29 | 2020-06-29 | 주식회사 루닛 | 신경망 학습 방법 및 그 장치 |
US11868855B2 (en) * | 2019-11-04 | 2024-01-09 | Hewlett Packard Enterprise Development Lp | Resiliency for machine learning workloads |
KR102143192B1 (ko) | 2019-11-12 | 2020-08-10 | 주식회사 루닛 | 신경망 학습 방법 및 그 장치 |
KR102143191B1 (ko) * | 2019-11-12 | 2020-08-10 | 주식회사 루닛 | 특징 데이터 리캘리브레이션 방법 및 그 장치 |
CN111144556B (zh) * | 2019-12-31 | 2023-07-07 | 中国人民解放军国防科技大学 | 面向深度神经网络训练和推理的范围批处理归一化算法的硬件电路 |
US11610303B2 (en) | 2020-03-03 | 2023-03-21 | The University Court Of The University Of Edinburgh | Data processing apparatus and method |
JP7297705B2 (ja) | 2020-03-18 | 2023-06-26 | 株式会社東芝 | 処理装置、処理方法、学習装置およびプログラム |
US11915419B1 (en) | 2020-06-25 | 2024-02-27 | Verily Life Sciences Llc | Auto-normalization for machine learning |
EP4193304A4 (en) * | 2020-09-08 | 2023-07-26 | Huawei Technologies Co., Ltd. | NORMALIZATION IN DEEP CONVOLUTIONAL NEURAL NETWORKS |
KR102441442B1 (ko) * | 2021-01-11 | 2022-09-08 | 성균관대학교산학협력단 | 그래프 컨볼루션 네트워크 학습 방법 및 장치 |
WO2022259566A1 (ja) | 2021-06-09 | 2022-12-15 | コニカミノルタ株式会社 | ニューラル・ネットワーク・システム |
US20230119791A1 (en) * | 2021-10-04 | 2023-04-20 | Qualcomm Incorporated | Relaxed instance frequency normalization for neural-network-based audio processing |
WO2023085852A1 (ko) * | 2021-11-11 | 2023-05-19 | 서울대학교산학협력단 | 통계 기반 정규화를 시행하는 딥 뉴럴 네트워크 학습 장치 및 그 방법 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013069132A (ja) | 2011-09-22 | 2013-04-18 | Fuji Xerox Co Ltd | 画像処理装置及び画像処理プログラム |
Family Cites Families (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1991014226A1 (en) | 1990-03-12 | 1991-09-19 | Fujitsu Limited | Neuro-fuzzy fusion data processing system |
JPH05346915A (ja) * | 1992-01-30 | 1993-12-27 | Ricoh Co Ltd | 学習機械並びにニューラルネットワークおよびデータ分析装置並びにデータ分析方法 |
JPH0785280B2 (ja) * | 1992-08-04 | 1995-09-13 | タカタ株式会社 | 神経回路網による衝突予測判定システム |
US5729662A (en) * | 1995-06-07 | 1998-03-17 | Rozmus; J. Michael | Neural network for classification of patterns with improved method and apparatus for ordering vectors |
US5790758A (en) * | 1995-07-07 | 1998-08-04 | The United States Of America As Represented By The Secretary Of The Navy | Neural network architecture for gaussian components of a mixture density function |
US6134537A (en) * | 1995-09-29 | 2000-10-17 | Ai Ware, Inc. | Visualization and self organization of multidimensional data through equalized orthogonal mapping |
US6539267B1 (en) * | 1996-03-28 | 2003-03-25 | Rosemount Inc. | Device in a process system for determining statistical parameter |
US6650779B2 (en) * | 1999-03-26 | 2003-11-18 | Georgia Tech Research Corp. | Method and apparatus for analyzing an image to detect and identify patterns |
US6418378B1 (en) * | 2000-06-26 | 2002-07-09 | Westerngeco, L.L.C. | Neural net prediction of seismic streamer shape |
US7305370B2 (en) * | 2000-11-30 | 2007-12-04 | Yang Ming Pok | Neural cortex |
US7107207B2 (en) | 2002-06-19 | 2006-09-12 | Microsoft Corporation | Training machine learning by sequential conditional generalized iterative scaling |
US7082394B2 (en) * | 2002-06-25 | 2006-07-25 | Microsoft Corporation | Noise-robust feature extraction using multi-layer principal component analysis |
US7496546B2 (en) | 2003-03-24 | 2009-02-24 | Riken | Interconnecting neural network system, interconnecting neural network structure construction method, self-organizing neural network structure construction method, and construction programs therefor |
US7219085B2 (en) | 2003-12-09 | 2007-05-15 | Microsoft Corporation | System and method for accelerating and optimizing the processing of machine learning techniques using a graphics processing unit |
JP2005352900A (ja) | 2004-06-11 | 2005-12-22 | Canon Inc | 情報処理装置、情報処理方法、パターン認識装置、及びパターン認識方法 |
US7747070B2 (en) | 2005-08-31 | 2010-06-29 | Microsoft Corporation | Training convolutional neural networks on graphics processing units |
CN100367300C (zh) | 2006-07-07 | 2008-02-06 | 华中科技大学 | 一种基于人工神经网络的特征选择方法 |
US7606777B2 (en) | 2006-09-01 | 2009-10-20 | Massachusetts Institute Of Technology | High-performance vision system exploiting key features of visual cortex |
EP2345984B1 (en) * | 2010-01-19 | 2012-03-14 | Honda Research Institute Europe GmbH | Online learning of grounded categories using adaptive feature spaces |
US10127475B1 (en) | 2013-05-31 | 2018-11-13 | Google Llc | Classifying images |
US9892238B2 (en) | 2013-06-07 | 2018-02-13 | Scientific Design Company, Inc. | System and method for monitoring a process |
CN103824055B (zh) * | 2014-02-17 | 2018-03-02 | 北京旷视科技有限公司 | 一种基于级联神经网络的人脸识别方法 |
US9058517B1 (en) | 2014-04-16 | 2015-06-16 | I.R.I.S. | Pattern recognition system and method using Gabor functions |
EP3029606A3 (en) | 2014-11-14 | 2016-09-14 | Thomson Licensing | Method and apparatus for image classification with joint feature adaptation and classifier learning |
EP3251059B1 (en) | 2015-01-28 | 2018-12-05 | Google LLC | Batch normalization layers |
US11151449B2 (en) * | 2018-01-24 | 2021-10-19 | International Business Machines Corporation | Adaptation of a trained neural network |
KR102046113B1 (ko) * | 2019-03-19 | 2019-11-18 | 주식회사 루닛 | 신경망 학습 방법 및 그 장치 |
US11367163B2 (en) * | 2019-05-31 | 2022-06-21 | Apple Inc. | Enhanced image processing techniques for deep neural networks |
US11568259B2 (en) * | 2019-10-15 | 2023-01-31 | Zoox, Inc. | Cross batch normalization |
US20210150306A1 (en) * | 2019-11-14 | 2021-05-20 | Qualcomm Incorporated | Phase selective convolution with dynamic weight selection |
-
2016
- 2016-01-28 EP EP16704121.9A patent/EP3251059B1/en active Active
- 2016-01-28 MX MX2017009879A patent/MX2017009879A/es unknown
- 2016-01-28 TR TR2019/02908T patent/TR201902908T4/tr unknown
- 2016-01-28 ES ES16704121T patent/ES2714152T3/es active Active
- 2016-01-28 DK DK16704121.9T patent/DK3251059T3/en active
- 2016-01-28 CN CN201680012517.XA patent/CN107278310A/zh active Pending
- 2016-01-28 US US15/009,647 patent/US10417562B2/en active Active
- 2016-01-28 PL PL16704121T patent/PL3251059T3/pl unknown
- 2016-01-28 DE DE112016000509.1T patent/DE112016000509T5/de active Pending
- 2016-01-28 KR KR1020177023719A patent/KR102055355B1/ko active IP Right Grant
- 2016-01-28 JP JP2017539561A patent/JP6453477B2/ja active Active
- 2016-01-28 SG SG11201706127RA patent/SG11201706127RA/en unknown
- 2016-01-28 WO PCT/US2016/015476 patent/WO2016123409A1/en active Application Filing
- 2016-01-28 EP EP21161358.3A patent/EP3872716A1/en active Pending
- 2016-01-28 AU AU2016211333A patent/AU2016211333B2/en active Active
- 2016-01-28 EP EP18207898.0A patent/EP3483795B1/en active Active
- 2016-01-28 CA CA2975251A patent/CA2975251C/en active Active
- 2016-01-28 KR KR1020197036115A patent/KR102204286B1/ko active IP Right Grant
- 2016-01-28 RU RU2017130151A patent/RU2666308C1/ru active
-
2017
- 2017-07-26 IL IL253676A patent/IL253676A0/en active IP Right Grant
-
2018
- 2018-12-12 JP JP2018232445A patent/JP6710745B2/ja active Active
- 2018-12-19 US US16/226,483 patent/US10628710B2/en active Active
-
2019
- 2019-01-17 AU AU2019200309A patent/AU2019200309B2/en active Active
- 2019-09-16 US US16/572,454 patent/US10902319B2/en active Active
-
2020
- 2020-04-01 US US16/837,959 patent/US11308394B2/en active Active
- 2020-05-27 JP JP2020092300A patent/JP6935542B2/ja active Active
- 2020-10-09 AU AU2020250312A patent/AU2020250312B2/en active Active
-
2021
- 2021-01-22 US US17/156,464 patent/US20210216870A1/en active Pending
- 2021-01-22 US US17/156,453 patent/US11893485B2/en active Active
- 2021-07-30 US US17/390,768 patent/US11281973B2/en active Active
- 2021-08-25 JP JP2021137180A patent/JP7179935B2/ja active Active
-
2022
- 2022-03-16 AU AU2022201819A patent/AU2022201819B2/en active Active
- 2022-04-18 US US17/723,007 patent/US11853885B2/en active Active
- 2022-11-16 JP JP2022183459A patent/JP2023029845A/ja active Pending
-
2023
- 2023-12-22 AU AU2023285952A patent/AU2023285952A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013069132A (ja) | 2011-09-22 | 2013-04-18 | Fuji Xerox Co Ltd | 画像処理装置及び画像処理プログラム |
Non-Patent Citations (1)
Title |
---|
Caglar Gulcehre et al.,"Knowledge Matters: Importance of Prior Information for Optimization",arXiv.org [online],arXiv:1301.4083v6,米国,Cornell University,2013年07月,pp.1-37,[2022年10月7日 検索], インターネット:<URL: https://arxiv.org/abs/1301.4083v6> |
Also Published As
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7179935B2 (ja) | バッチ正規化レイヤ | |
US11887004B2 (en) | Batch renormalization layers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210922 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220909 |
|
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: 20221017 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221116 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7179935 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |