JP7357697B2 - 完全アテンション型コンピュータビジョン - Google Patents
完全アテンション型コンピュータビジョン Download PDFInfo
- Publication number
- JP7357697B2 JP7357697B2 JP2021569519A JP2021569519A JP7357697B2 JP 7357697 B2 JP7357697 B2 JP 7357697B2 JP 2021569519 A JP2021569519 A JP 2021569519A JP 2021569519 A JP2021569519 A JP 2021569519A JP 7357697 B2 JP7357697 B2 JP 7357697B2
- Authority
- JP
- Japan
- Prior art keywords
- generating
- input
- query
- elements
- vector
- 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
- 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
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Description
本出願は、2019年5月23日に出願した米国特許仮出願第62/852,277号の非仮出願であり、米国特許仮出願第62/852,277号の優先権を主張するものであり、米国特許仮出願第62/852,277号の内容全体は、参照により本明細書に組み込まれる。
qij = WQxij
式中、
kab = WKxab
式中、kabは、それぞれのキーベクトルを表し、
P(a,b,m) = softmaxm((embrow(a) + embcol(b))Tvm)
式中、embrow(a)およびembcol(b)は、プーリングウィンドウに揃えられた行および列の埋め込み(pooling-window aligned row and column embeddings)であり、vmは、混合毎の埋め込みである。層110が複数のアテンションヘッド(attention head)を使用する場合、結果として得られるp(a,b,m)は、層110のすべてのアテンションヘッドで共有される。
qij = WQxij
式中、
kab = WKxab
式中、
102 入力要素
104 メモリブロック
105 コンピュータビジョンのニューラルネットワーク
106 クエリベクトル
108 キーベクトル
110 位置局所自己アテンション層
112 クエリ-キー積
114 位置クエリ-キー積
116 位置情報
118 中間出力
120 位置値ベクトル
122 暫定的な出力要素
300 プロセス
500 プロセス
Claims (18)
入力特徴マップを受け取り、前記入力特徴マップの局所的内容と位置情報との両方を用いて前記入力特徴マップの特徴を特徴付ける出力特徴マップを生成するように構成された位置局所自己アテンション層を含むコンピュータビジョンのニューラルネットワークであって、前記位置局所自己アテンション層が、それぞれの近隣の要素に関して、前記近隣の要素から入力要素までの距離の関数として値を有する相対距離ベクトルを維持するように構成され、前記位置局所自己アテンション層がさらに、
前記入力特徴マップの複数の入力要素の各々に関して、前記出力特徴マップのためのそれぞれの出力要素を生成するように構成され、生成することが、
前記入力要素に関して、前記入力特徴マップの前記入力要素の周りの近隣の入力要素を含むメモリブロックを生成すること、
前記入力要素およびクエリ重み行列を使用してクエリベクトルを生成すること、
前記メモリブロック内のそれぞれの近隣の要素に関して、以下の位置局所自己アテンション動作、すなわち、
前記近隣の要素およびキー重み行列を使用してキーベクトルを生成すること、
前記近隣の要素および1つまたは複数の位置値重み行列を使用して位置値ベクトルを生成することであって、前記1つまたは複数の位置値重み行列が、前記入力要素と前記メモリブロック内の前記入力要素の近隣の入力要素の各々との間の空間的距離を表す、生成すること、
前記クエリベクトル、前記キーベクトル、および前記位置値ベクトルを使用して暫定的な出力要素を生成することであって、前記クエリベクトル、前記キーベクトル、および前記位置値ベクトルを使用して前記暫定的な出力要素を生成することが、
前記クエリベクトルと前記キーベクトルとの内積を取ることによってクエリ-キー積を生成することと、
前記クエリ-キー積に位置情報を足すことによって位置クエリ-キー積を生成することであって、前記クエリ-キー積に位置情報を足すことによって前記位置クエリ-キー積を生成することが、
前記クエリベクトルと前記相対距離ベクトルとの内積を取ることによってクエリ-距離積を生成することと、
前記クエリ-キー積に前記クエリ-距離積を足すことによって前記位置クエリ-キー積を生成することとを含む、ことと、
前記位置クエリ-キー積に対してソフトマックス演算を適用することによって中間出力を生成することと、
前記中間出力と前記位置値ベクトルとの積を計算することによって前記暫定的な出力要素を生成することとを含む、こと
を実行すること、ならびに
前記メモリブロック内の前記近隣の要素の暫定的な出力要素を合計することによって前記それぞれの出力要素を生成することを含む、コンピュータビジョンのニューラルネットワークを実施させる命令を記憶する1つまたは複数のストレージデバイスとを含むシステム。
前記メモリブロック内のそれぞれの近隣の要素に関して、前記近隣の要素および前記1つまたは複数の位置値重み行列を使用して前記位置値ベクトルを生成することが、
対応する1つまたは複数の位置係数を使用して前記1つまたは複数の位置値重み行列の結合として結合された値重み行列を生成することと、
前記近隣の要素および前記結合された値重み行列を使用して前記位置値ベクトルを生成することとを含む請求項1に記載のシステム。
前記入力要素を複数の下位入力要素に分割すること、
各下位入力要素に関して、前記位置局所自己アテンション動作を使用してそれぞれの下位出力要素を生成すること、
すべての下位出力要素を集めることによって前記出力要素を生成することを含む請求項1から3のいずれか一項に記載のシステム。
前記畳み込みニューラルネットワークを規定するデータを入力として受け取るステップと、
前記畳み込みニューラルネットワークの空間的畳み込みニューラルネットワーク層を請求項1に記載の位置局所自己アテンション層によって置き換えるステップとを含む、コンピュータによって実施される方法。
コンピュータビジョンのニューラルネットワークへの入力として画像データを受け取るステップ、
入力画像に基づいて分類出力を生成するために前記コンピュータビジョンのニューラルネットワークを使用して前記画像データを処理するステップを含み、
前記コンピュータビジョンのニューラルネットワークが、入力特徴マップを受け取り、前記入力特徴マップの局所的内容と位置情報との両方を用いて前記入力特徴マップの特徴を特徴付ける出力特徴マップを生成するように構成された位置局所自己アテンション層を含み、前記位置局所自己アテンション層が、それぞれの近隣の要素に関して、前記近隣の要素から入力要素までの距離の関数として値を有する相対距離ベクトルを維持するように構成され、前記位置局所自己アテンション層がさらに、
前記入力特徴マップの複数の入力要素の各々に関して、前記出力特徴マップのためのそれぞれの出力要素を生成するように構成され、生成することが、
前記入力要素に関して、前記入力特徴マップの前記入力要素の周りの近隣の入力要素を含むメモリブロックを生成すること、
前記入力要素およびクエリ重み行列を使用してクエリベクトルを生成すること、
前記メモリブロック内のそれぞれの近隣の要素に関して、以下の位置局所自己アテンション動作、すなわち、
前記近隣の要素およびキー重み行列を使用してキーベクトルを生成すること、
前記近隣の要素および1つまたは複数の位置値重み行列を使用して位置値ベクトルを生成することであって、前記1つまたは複数の位置値重み行列が、前記入力要素と前記メモリブロック内の前記入力要素の近隣の入力要素の各々との間の空間的距離を表す、生成すること、
前記クエリベクトル、前記キーベクトル、および前記位置値ベクトルを使用して暫定的な出力要素を生成することであって、前記クエリベクトル、前記キーベクトル、および前記位置値ベクトルを使用して前記暫定的な出力要素を生成することが、
前記クエリベクトルと前記キーベクトルとの内積を取ることによってクエリ-キー積を生成することと、
前記クエリ-キー積に位置情報を足すことによって位置クエリ-キー積を生成することであって、前記クエリ-キー積に位置情報を足すことによって前記位置クエリ-キー積を生成することが、
前記クエリベクトルと前記相対距離ベクトルとの内積を取ることによってクエリ-距離積を生成することと、
前記クエリ-キー積に前記クエリ-距離積を足すことによって前記位置クエリ-キー積を生成することとを含む、ことと、
前記位置クエリ-キー積に対してソフトマックス演算を適用することによって中間出力を生成することと、
前記中間出力と前記位置値ベクトルとの積を計算することによって前記暫定的な出力要素を生成することとを含む、ことと
を実行すること、ならびに
前記メモリブロック内の前記近隣の要素の暫定的な出力要素を合計することによって前記それぞれの出力要素を生成することを含む、コンピュータによって実施される方法。
前記メモリブロック内のそれぞれの近隣の要素に関して、前記近隣の要素および前記1つまたは複数の位置値重み行列を使用して前記位置値ベクトルを生成することが、
対応する1つまたは複数の位置係数を使用して前記1つまたは複数の位置値重み行列の結合として結合された値重み行列を生成することと、
前記近隣の要素および前記結合された値重み行列を使用して前記位置値ベクトルを生成することとを含む請求項13に記載の方法。
前記入力要素を複数の下位入力要素に分割すること、
各下位入力要素に関して、前記位置局所自己アテンション動作を使用してそれぞれの下位出力要素を生成すること、
すべての下位出力要素を集めることによって前記出力要素を生成することを含む請求項13から15のいずれか一項に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962852277P | 2019-05-23 | 2019-05-23 | |
US62/852,277 | 2019-05-23 | ||
PCT/US2020/034324 WO2020237188A1 (en) | 2019-05-23 | 2020-05-22 | Fully attentional computer vision |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022533265A JP2022533265A (ja) | 2022-07-21 |
JP7357697B2 true JP7357697B2 (ja) | 2023-10-06 |
Family
ID=71083739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021569519A Active JP7357697B2 (ja) | 2019-05-23 | 2020-05-22 | 完全アテンション型コンピュータビジョン |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220215654A1 (ja) |
EP (1) | EP3942480A1 (ja) |
JP (1) | JP7357697B2 (ja) |
CN (1) | CN113826119A (ja) |
WO (1) | WO2020237188A1 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11645538B2 (en) * | 2020-04-17 | 2023-05-09 | Applied Engineering Concepts, Inc. | Physical layer authentication of electronic communication networks |
CN112329801B (zh) * | 2020-12-03 | 2022-06-14 | 中国石油大学(华东) | 一种卷积神经网络非局部信息构建方法 |
CN112883149B (zh) * | 2021-01-20 | 2024-03-26 | 华为技术有限公司 | 一种自然语言处理方法以及装置 |
CN113177562B (zh) * | 2021-04-29 | 2024-02-06 | 京东科技控股股份有限公司 | 基于自注意力机制融合上下文信息的向量确定方法及装置 |
CN113554125B (zh) * | 2021-09-18 | 2021-12-17 | 四川翼飞视科技有限公司 | 结合全局与局部特征的目标检测装置、方法和存储介质 |
CN114220012B (zh) * | 2021-12-16 | 2024-05-31 | 池明旻 | 一种基于深度自注意力网络的纺织品棉麻鉴别方法 |
CN115169530B (zh) * | 2022-06-29 | 2023-09-26 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
CN117058723B (zh) * | 2023-10-11 | 2024-01-19 | 腾讯科技(深圳)有限公司 | 掌纹识别方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180130203A1 (en) | 2016-11-06 | 2018-05-10 | International Business Machines Corporation | Automated skin lesion segmentation using deep side layers |
US20190034761A1 (en) | 2017-07-31 | 2019-01-31 | Industrial Technology Research Institute | Deep neural network with side branches for recognizing and classifying media data and method for using the same |
WO2019053842A1 (ja) | 2017-09-14 | 2019-03-21 | 三菱電機株式会社 | 変状検出装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2021116658A (ru) * | 2017-05-23 | 2021-07-05 | ГУГЛ ЭлЭлСи | Нейронные сети с преобразованием последовательности на основе внимания |
CN118194921A (zh) * | 2017-10-27 | 2024-06-14 | 谷歌有限责任公司 | 基于关注的图像生成神经网络 |
CN108154145B (zh) * | 2018-01-24 | 2020-05-19 | 北京地平线机器人技术研发有限公司 | 检测自然场景图像中的文本的位置的方法和装置 |
CN108269275A (zh) * | 2018-02-23 | 2018-07-10 | 深圳市唯特视科技有限公司 | 一种基于非局部神经网络的非局部建模方法 |
CN108492273A (zh) * | 2018-03-28 | 2018-09-04 | 深圳市唯特视科技有限公司 | 一种基于自注意力模型的图像生成方法 |
CN108897823B (zh) * | 2018-06-21 | 2020-03-17 | 山东大学 | 基于深度学习注意力机制的个性化商品检索方法及装置 |
CN109543714B (zh) * | 2018-10-16 | 2020-03-27 | 北京达佳互联信息技术有限公司 | 数据特征的获取方法、装置、电子设备及存储介质 |
-
2020
- 2020-05-22 CN CN202080036121.5A patent/CN113826119A/zh active Pending
- 2020-05-22 JP JP2021569519A patent/JP7357697B2/ja active Active
- 2020-05-22 WO PCT/US2020/034324 patent/WO2020237188A1/en unknown
- 2020-05-22 US US17/606,976 patent/US20220215654A1/en active Pending
- 2020-05-22 EP EP20732399.9A patent/EP3942480A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180130203A1 (en) | 2016-11-06 | 2018-05-10 | International Business Machines Corporation | Automated skin lesion segmentation using deep side layers |
US20190034761A1 (en) | 2017-07-31 | 2019-01-31 | Industrial Technology Research Institute | Deep neural network with side branches for recognizing and classifying media data and method for using the same |
WO2019053842A1 (ja) | 2017-09-14 | 2019-03-21 | 三菱電機株式会社 | 変状検出装置 |
Non-Patent Citations (1)
Title |
---|
Han Hu et al.,Local Relation Networks for Image Recognition,[online],2019年04月25日,pp.1-10,https://arxiv.org/abs/1904.11491 |
Also Published As
Publication number | Publication date |
---|---|
EP3942480A1 (en) | 2022-01-26 |
CN113826119A (zh) | 2021-12-21 |
WO2020237188A1 (en) | 2020-11-26 |
US20220215654A1 (en) | 2022-07-07 |
JP2022533265A (ja) | 2022-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7357697B2 (ja) | 完全アテンション型コンピュータビジョン | |
US11966839B2 (en) | Auto-regressive neural network systems with a soft attention mechanism using support data patches | |
US20210334605A1 (en) | Image classification neural networks | |
CN109902186B (zh) | 用于生成神经网络的方法和装置 | |
CN109522942B (zh) | 一种图像分类方法、装置、终端设备和存储介质 | |
US11580429B2 (en) | Reinforcement learning using a relational network for generating data encoding relationships between entities in an environment | |
US20190019050A1 (en) | Object detection using neural network systems | |
CN111782838A (zh) | 图像问答方法、装置、计算机设备和介质 | |
CN110929080B (zh) | 基于注意力和生成对抗网络的光学遥感图像检索方法 | |
US10290107B1 (en) | Transform domain regression convolutional neural network for image segmentation | |
JP2023533907A (ja) | 自己注意ベースのニューラルネットワークを使用した画像処理 | |
US11657291B2 (en) | Spatio-temporal embeddings | |
CN111553279B (zh) | 兴趣点的表征学习、识别方法、装置、设备及存储介质 | |
CN114357105A (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
CN114417161B (zh) | 基于异构图的虚拟物品时序推荐方法、装置、介质及设备 | |
CN117576248B (zh) | 基于姿态引导的图像生成方法和装置 | |
CN114781499A (zh) | 一种构建基于ViT模型的密集预测任务适配器的方法 | |
US20220229943A1 (en) | Joint retrieval and mesh deformation | |
CN107016732A (zh) | 使用描述符的3d对象定位 | |
JP2022533264A (ja) | 自己回帰ビデオ生成ニューラルネットワーク | |
CN114417845B (zh) | 一种基于知识图谱的相同实体识别方法和系统 | |
CN117938951B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN113826146B (zh) | 自回归视频生成神经网络 | |
Jain | Development of Surrogate Model for FEM Error Prediction using Deep Learning | |
JP2023527511A (ja) | 少数ショット類似性決定および分類のためのクロストランスフォーマニューラルネットワークシステム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220119 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220119 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230313 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230613 |
|
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: 20230828 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230926 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7357697 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |