RU2018110382A - Репродуцирующая аугментация данных изображения - Google Patents
Репродуцирующая аугментация данных изображения Download PDFInfo
- Publication number
- RU2018110382A RU2018110382A RU2018110382A RU2018110382A RU2018110382A RU 2018110382 A RU2018110382 A RU 2018110382A RU 2018110382 A RU2018110382 A RU 2018110382A RU 2018110382 A RU2018110382 A RU 2018110382A RU 2018110382 A RU2018110382 A RU 2018110382A
- Authority
- RU
- Russia
- Prior art keywords
- images
- matrix
- layers
- providing
- layer
- Prior art date
Links
- 230000003416 augmentation Effects 0.000 title claims 2
- 238000000034 method Methods 0.000 claims 14
- 239000011159 matrix material Substances 0.000 claims 12
- 238000010801 machine learning Methods 0.000 claims 7
- 238000004364 calculation method Methods 0.000 claims 3
- 238000010276 construction Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 claims 1
- 238000013434 data augmentation Methods 0.000 claims 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/1914—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries, e.g. user dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/28—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet
- G06V30/287—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet of Kanji, Hiragana or Katakana characters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/28—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet
- G06V30/293—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet of characters other than Kanji, Hiragana or Katakana
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Claims (64)
1. Способ случайной аугментации данных, содержащий этапы:
получение обрабатывающим устройством одного или более первых изображений, ассоциированных с обучающей выборкой изображений для обучения модели машинного обучения в обучении;
предоставление обрабатывающим устройством одного или более первых изображений в качестве первого входа для первого множества слоев вычислительных блоков, где первое множество слоев применяет фильтры изображений;
предоставление первого выхода первого множества слоев вычислительных блоков в качестве второго входа для второго слоя вычислительных блоков, где второй слой применяет для вычислений случайные наборы параметров;
получение параметров искажений от второго слоя вычислительных блоков;
генерация одного или более вторых изображений на основе одного или более первых изображений и параметров искажений;
получение в качестве третьего выхода одного или более вторых изображений; и
добавление одного или более вторых изображений к обучающей выборке изображений для обучения модели машинного обучения.
2. Способ по п. 1, дополнительно содержащий:
предоставление второго выхода второго слоя вычислительных блоков в качестве третьего входа в третий набор слоев вычислительных блоков.
3. Способ по п. 1, отличающийся тем, что модель машинного обучения содержит сверточную нейронную сеть.
4. Способ по п. 1, в котором предоставление первого входа включает:
разделение одного или более первых изображений на множество частей; и
предоставление каждой части из множества частей первому набору слоев вычислительных блоков.
5. Способ по п. 4, в котором получение параметров искажения включает:
получение параметров искажения для каждой части из множества частей одного или более первых изображений.
6. Способ по п. 1, дополнительно содержащий:
генерацию случайной матрицы ядра свертки для второго слоя вычислительных блоков на основе одной или более матриц.
7. Способ по п. 6, в котором одна или более матриц включают одну или более:
первых матриц средних значений, первая матрица инициализируется случайными значениями;
вторых матриц значений стандартного отклонения, вторая матрица инициализируется нулевыми значениями;
третьих матриц значений смещения, третья матрица базируется на количестве фильтров, применяемых ко второму входу; или
четвертых матриц, которые базируются на произвольном значении стандартного отклонения и значении нормального распределения.
8. Способ по п. 7, в котором произвольное значение стандартного отклонения задает грубость искажения изображения.
9. Способ по п. 6, в котором параметры одной или более матриц могут включать по меньшей мере один из параметров: высота фильтра, ширина фильтра, высота изображения, ширина изображения, размер фильтра, число каналов, число фильтров или число изображений.
10. Способ по п. 9, в котором высота изображения и ширина изображения могут содержать произвольные значения.
11. Способ по п. 1, в котором одно или более первых изображений включают одно или более из:
одного или более иероглифов;
одного или более символов китайского-японского-корейского языков;
одну или более арабских строк; или
комбинацию из одного или более других символов.
12. Способ по п. 1, в котором генерация одного или более вторых изображений включает:
генерацию одного или более вторых изображений, соответствующих естественно искаженным изображениям.
13. Способ по п. 1, в котором построение одного или более вторых изображений дополнительно включает выполнение свертки перед передачей одного или более вторых изображений в качестве третьего выхода.
14. Способ по п. 7, в котором первая матрица, вторая матрица и третья матрица содержат обучаемые параметры.
15. Система случайной аугментации данных, содержащая компоненты:
память; и
процессор, взаимосвязанный с указанной памятью, обеспечивающий:
получение одного или более первых изображений, ассоциированных с обучающей выборкой изображений для обучения модели машинного обучения в обучении;
предоставление одного или более первых изображений в качестве первого входа для первого множества слоев вычислительных блоков, где первое множество слоев применяет фильтры изображений;
предоставление первого выхода первого множества слоев вычислительных блоков в качестве второго входа для второго слоя вычислительных блоков, где второй слой применяет для вычислений случайные наборы параметров;
получение параметров искажений от второго слоя вычислительных блоков;
генерация одного или более вторых изображений на основе одного или более первых изображений и параметров искажений;
получение в качестве третьего выхода одного или более вторых изображений; и
добавление одного или более вторых изображений к обучающей выборке изображений для обучения модели машинного обучения.
16. Система по п. 15, отличающаяся тем, что процессор дополнительно обеспечивает:
генерацию случайной матрицы ядра свертки для второго слоя вычислительных блоков на основе одной или более матриц.
17. Система по п. 16, в которой одна или более матриц включают одну или более из:
первых матриц средних значений, где первая матрица инициализируется случайными значениями;
вторых матриц значений стандартного отклонения, где вторая матрица инициализируется нулевыми значениями;
третьих матриц значений смещения, где третья матрица базируется на количестве фильтров, применяемых ко второму входу; или
четвертых матриц, которые базируются на произвольном значении стандартного отклонения и значении нормального распределения.
18. Система по п. 17, в которой произвольное значение стандартного отклонения задает грубость искажений изображения.
19. Постоянный машиночитаемый носитель данных, содержащий исполняемые команды, которые при их исполнении вычислительным устройством побуждают его к:
получению одного или более первых изображений, ассоциированных с обучающей выборкой изображений для обучения модели машинного обучения в обучении;
предоставлению одного или более первых изображений в качестве первого входа для первого множества слоев вычислительных блоков, где первое множество слоев применяет фильтры изображений;
предоставлению первого выхода первого множества слоев вычислительных блоков в качестве второго входа для второго слоя вычислительных блоков, где второй слой применяет для вычислений случайные наборы параметров;
получению параметров искажений от второго слоя вычислительных блоков;
генерации одного или более вторых изображений на основе одного или более первых изображений и параметров искажений;
получению в качестве третьего выхода одного или более вторых изображений; и
добавлению одного или более вторых изображений к обучающей выборке изображений для обучения модели машинного обучения.
20. Носитель по п. 19, в котором для получения первого входа обрабатывающее устройство выполняет:
разделение одного или более первых изображений на множество частей; и
предоставление каждой части из множества частей первому набору слоев вычислительных блоков.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2018110382A RU2716322C2 (ru) | 2018-03-23 | 2018-03-23 | Репродуцирующая аугментация данных изображения |
US15/938,897 US10671920B2 (en) | 2018-03-23 | 2018-03-28 | Generative augmentation of image data |
US16/889,619 US20200334532A1 (en) | 2018-03-23 | 2020-06-01 | Generative augmentation of image data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2018110382A RU2716322C2 (ru) | 2018-03-23 | 2018-03-23 | Репродуцирующая аугментация данных изображения |
Publications (3)
Publication Number | Publication Date |
---|---|
RU2018110382A true RU2018110382A (ru) | 2019-09-23 |
RU2018110382A3 RU2018110382A3 (ru) | 2020-02-05 |
RU2716322C2 RU2716322C2 (ru) | 2020-03-11 |
Family
ID=67985362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2018110382A RU2716322C2 (ru) | 2018-03-23 | 2018-03-23 | Репродуцирующая аугментация данных изображения |
Country Status (2)
Country | Link |
---|---|
US (2) | US10671920B2 (ru) |
RU (1) | RU2716322C2 (ru) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11820289B2 (en) | 2018-07-31 | 2023-11-21 | Sony Semiconductor Solutions Corporation | Solid-state imaging device and electronic device |
WO2020027233A1 (ja) | 2018-07-31 | 2020-02-06 | ソニーセミコンダクタソリューションズ株式会社 | 撮像装置及び車両制御システム |
US10818386B2 (en) * | 2018-11-21 | 2020-10-27 | Enlitic, Inc. | Multi-label heat map generating system |
US11995854B2 (en) * | 2018-12-19 | 2024-05-28 | Nvidia Corporation | Mesh reconstruction using data-driven priors |
US10984311B2 (en) * | 2019-02-27 | 2021-04-20 | Robert Bosch Gmbh | Involved generative machine learning models for functional testing |
US11126895B2 (en) * | 2019-05-22 | 2021-09-21 | Lawrence Livermore National Security, Llc | Mimicking of corruption in images |
US11687778B2 (en) | 2020-01-06 | 2023-06-27 | The Research Foundation For The State University Of New York | Fakecatcher: detection of synthetic portrait videos using biological signals |
US11676406B2 (en) | 2020-05-20 | 2023-06-13 | Applications Mobiles Overview Inc. | System and method of augmenting a three-dimensional objects training dataset |
CN111784580B (zh) * | 2020-06-30 | 2024-08-20 | 北京金山云网络技术有限公司 | 图像的超分辨率方法、装置和服务器 |
US11909482B2 (en) * | 2020-08-18 | 2024-02-20 | Qualcomm Incorporated | Federated learning for client-specific neural network parameter generation for wireless communication |
JP2022049261A (ja) * | 2020-09-16 | 2022-03-29 | キヤノン株式会社 | 情報処理装置及び情報処理方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9916538B2 (en) | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
RU2504006C1 (ru) * | 2012-06-05 | 2014-01-10 | Александр Николаевич Цуриков | Способ обучения искусственной нейронной сети |
US11017311B2 (en) | 2014-06-30 | 2021-05-25 | Hewlett Packard Enterprise Development Lp | Dataset augmentation based on occlusion and inpainting |
RU2566979C1 (ru) * | 2014-12-15 | 2015-10-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Тульский государственный университет" (ТулГУ) | Способ обучения искусственной нейронной сети |
CN115879519A (zh) * | 2014-12-24 | 2023-03-31 | 渊慧科技有限公司 | 增强神经网络以生成附加输出 |
WO2017031356A1 (en) | 2015-08-19 | 2017-02-23 | D-Wave Systems Inc. | Discrete variational auto-encoder systems and methods for machine learning using adiabatic quantum computers |
US9785855B2 (en) * | 2015-12-17 | 2017-10-10 | Conduent Business Services, Llc | Coarse-to-fine cascade adaptations for license plate recognition with convolutional neural networks |
US10373073B2 (en) * | 2016-01-11 | 2019-08-06 | International Business Machines Corporation | Creating deep learning models using feature augmentation |
WO2018006095A2 (en) * | 2016-07-01 | 2018-01-04 | Digimarc Corporation | Image-based pose determination |
US10445569B1 (en) * | 2016-08-30 | 2019-10-15 | A9.Com, Inc. | Combination of heterogeneous recognizer for image-based character recognition |
US10467458B2 (en) * | 2017-07-21 | 2019-11-05 | Altumview Systems Inc. | Joint face-detection and head-pose-angle-estimation using small-scale convolutional neural network (CNN) modules for embedded systems |
US10474988B2 (en) * | 2017-08-07 | 2019-11-12 | Standard Cognition, Corp. | Predicting inventory events using foreground/background processing |
JP7346401B2 (ja) * | 2017-11-10 | 2023-09-19 | エヌビディア コーポレーション | 安全で信頼できる自動運転車両のためのシステム及び方法 |
-
2018
- 2018-03-23 RU RU2018110382A patent/RU2716322C2/ru active
- 2018-03-28 US US15/938,897 patent/US10671920B2/en not_active Expired - Fee Related
-
2020
- 2020-06-01 US US16/889,619 patent/US20200334532A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
RU2018110382A3 (ru) | 2020-02-05 |
US20200334532A1 (en) | 2020-10-22 |
RU2716322C2 (ru) | 2020-03-11 |
US20190294961A1 (en) | 2019-09-26 |
US10671920B2 (en) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2018110382A (ru) | Репродуцирующая аугментация данных изображения | |
US11645529B2 (en) | Sparsifying neural network models | |
WO2019224823A8 (en) | Method and system for imaging and image processing | |
WO2018216207A1 (ja) | 画像処理装置、画像処理方法、および画像処理プログラム | |
CN111542839B (zh) | 一种反卷积神经网络的硬件加速方法、装置和电子设备 | |
CN109410149B (zh) | 一种基于并行特征提取的cnn去噪方法 | |
CN110009573B (zh) | 模型训练、图像处理方法、装置、电子设备及存储介质 | |
CN110569961A (zh) | 一种神经网络训练方法、装置及终端设备 | |
CN113469072B (zh) | 基于GSoP和孪生融合网络的遥感图像变化检测方法及系统 | |
JP2018520531A5 (ru) | ||
CN111368941B (zh) | 一种图像处理方法、装置以及计算机存储介质 | |
CN116310712A (zh) | 一种基于循环生成对抗网络的图像水墨风格迁移方法及系统 | |
KR102537207B1 (ko) | 머신 러닝에 기반한 이미지 처리 방법 및 장치 | |
CN110070503A (zh) | 基于卷积神经网络的尺度校准方法、系统及介质 | |
CN109359542B (zh) | 基于神经网络的车辆损伤级别的确定方法及终端设备 | |
CN109993701A (zh) | 一种基于金字塔结构的深度图超分辨率重建的方法 | |
Guo et al. | VDN: Variant‐depth network for motion deblurring | |
TWI766203B (zh) | 用於實施神經網路應用之卷積塊陣列及其使用方法、和卷積塊電路 | |
CN106663186A (zh) | 用于脸部识别的方法和系统 | |
JP2016064634A5 (ru) | ||
JP2016116108A5 (ja) | 画像処理装置 | |
JPWO2021020339A5 (ru) | ||
CN110992245B (zh) | 一种高光谱图像降维方法及装置 | |
CN103632344B (zh) | Mean边界条件下模糊矩阵与图像矢量乘积的替代计算方法 | |
CN114332567A (zh) | 训练样本的获取方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
QB4A | Licence on use of patent |
Free format text: LICENCE FORMERLY AGREED ON 20201211 Effective date: 20201211 |
|
QC41 | Official registration of the termination of the licence agreement or other agreements on the disposal of an exclusive right |
Free format text: LICENCE FORMERLY AGREED ON 20201211 Effective date: 20220311 |