TW201928789A - 基於類神經網路之兩段式特徵抽取系統及其方法 - Google Patents
基於類神經網路之兩段式特徵抽取系統及其方法 Download PDFInfo
- Publication number
- TW201928789A TW201928789A TW106145750A TW106145750A TW201928789A TW 201928789 A TW201928789 A TW 201928789A TW 106145750 A TW106145750 A TW 106145750A TW 106145750 A TW106145750 A TW 106145750A TW 201928789 A TW201928789 A TW 201928789A
- Authority
- TW
- Taiwan
- Prior art keywords
- neural network
- segment
- feature extraction
- module
- segmentation method
- Prior art date
Links
Landscapes
- Image Analysis (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本發明為一種基於類神經網路之兩段式特徵抽取系統及其方法。該系統包括切割類神經網路裝置、用戶端裝置與伺服器端裝置。切割類神經網路裝置包含儲存類神經網路的儲存模組;利用分割方法產生前段與後段類神經網路的分割模組;及傳送前段與後段類神經網路的傳送模組。用戶端裝置包含取樣與傳送原始資料的採集模組;將原始資料轉換成中繼資料的用戶端抽取模組;及透過網路發送中繼資料的發送模組。伺服器端裝置係包含接收後段類神經網路與中繼資料的接收模組;及利用後段類神經網路將中繼資料轉換成特徵值的伺服器端抽取模組。
Description
本發明係關於一種特徵抽取技術,詳而言之,係關於一種基於類神經網路之兩段式特徵抽取系統及其方法。
由於深度學習及人工智慧技術的興起,使用類神經網路抽取特徵值成為當今的顯學之一。然而現有採取伺服器/用戶(Server/Client)架構之特徵抽取系統,其中的特徵抽取模組無論佈署於用戶端或伺服器端都有其缺點。
具體而言,當現有的特徵抽取模組佈署於用戶端時,由於用戶端設備運算效能普遍不足,往往需降低特徵抽取方法的複雜度而限制了最終特徵的效果。
此外,由於原始資料處理過後並不會傳遞至伺服器端,伺服器無法蒐集原始資料,後續企業將難以精進該特徵抽取模組;然而,當該特徵抽取模組佈署於伺服器端時,面臨了原始資料傳送的問題,客戶不希望具有隱私性的資料流出,企業為避免負擔額外法律責任增加保護成本,亦不希望接收到具個資性的資料。
由上可知,當現有的特徵抽取模組設置於用戶端或伺
服器端時,都將產生上述之問題,因此如何妥善利用類神經網路特性改善特徵抽取模組設置問題,實為目前本技術領域人員急迫解決之技術問題。
鑑於上述習知技術之缺失,本發明係提出一種基於類神經網路之兩段式特徵抽取系統,包括:切割類神經網路裝置,係包含:儲存模組,係儲存一類神經網路;分割模組,係以一分割方法分割該類神經網路,以產生一前段類神經網路與一後段類神經網路;及傳送模組,係接收並傳送該前段類神經網路與該後段類神經網路;用戶端裝置,係包含:採集模組,係取樣與傳送一原始資料;用戶端抽取模組,係接收該前段類神經網路後,將該原始資料轉換成一中繼資料;及發送模組,係接收該中繼資料後,透過網路發送該中繼資料;以及伺服器端裝置,係包含:接收模組,係接收該後段類神經網路與該中繼資料;及伺服器抽取模組,係利用該後段類神經網路將該中繼資料轉換成一特徵值。
本發明復提出一種基於類神經網路之兩段式特徵抽取方法,包括:讀取一類神經網路;以一分割方法分割該類神經網路,以產生前段類神經網路與後段類神經網路,進而傳送該前段類神經網路與後段類神經網路;將該前段類神經網路與後段類神經網路分別佈署至用戶端裝置及伺服器端裝置;於用戶端裝置取樣原始資料;於用戶端裝置使用該前段類神經網路將該原始資料轉換成一中繼資料;
利用網路傳輸該中繼資料;以及於伺服器端裝置使用後段類神經網路將該中繼資料轉換成一特徵值。
前述之基於類神經網路之兩段式特徵抽取系統與方法中,其中,該類神經網路為一多層次結構網路。
前述之基於類神經網路之兩段式特徵抽取系統與方法中,其中,該分割方法為從層與層之間分割該類神經網路。
前述之基於類神經網路之兩段式特徵抽取系統與方法中,其中,該分割方法為從一資訊識別度低於一特定值的位置分割該類神經網路。
前述之基於類神經網路之兩段式特徵抽取系統與方法中,其中,該分割方法為從邊緣資訊量低的位置分割該類神經網路。
前述之基於類神經網路之兩段式特徵抽取系統與方法中,其中,該分割方法為從離具有該原始資料之輸入端較近的位置分割該類神經網路。
前述之基於類神經網路之兩段式特徵抽取系統與方法中,其中,該分割方法為從離具有該特徵值之輸出端較近的位置分割該類神經網路。
前述之基於類神經網路之兩段式特徵抽取系統與方法中,其中,該分割方法為從切割後總執行時間較少的位置分割該類神經網路。
相較於現有技術,本發明所提出之基於類神經網路之兩段式特徵抽取系統與方法,習知關於伺服器端進行特徵
抽取之系統需將原始資料進行傳輸。對於客戶來說,由於原始資料具隱私性,並不希望原始資料流出;對於企業來說,接收具個資需負擔額外法律責任,增加保護成本。本發明於用戶及伺服器間傳輸資料已不可識別,無隱私性/個資問題,無需再花時間與資源做加解密,可有效解決資料敏感的問題。
再者,習知關於客戶端進行特徵抽取之系統,由於原始資料並沒有傳輸至伺服器端,後續企業難以持續精進伺服器端抽取模組。然而使用本發明後,企業仍可藉由蒐集傳輸中繼資料改善伺服器端抽取模組,保有後續精進之可能與空間。
此外,習知之特徵抽取系統往往計算負擔集中於客戶端或伺服器端,若集中於客戶端時硬體問題尤其嚴重。本發明利用兩段式特徵抽取方式,將運算量調配給用戶端和伺服器一同負責,如此可有效減輕設備負擔。
另外,本發明可依不同應用需求(如強調資料隱私性、時間最佳化等),自由調配用戶及伺服器端任務比重,使系統整體效益最佳化,因此本案具有高彈性架構。
1‧‧‧切割類神經網路裝置
10‧‧‧儲存模組
100‧‧‧類神經網路
11‧‧‧分割模組
110‧‧‧前段類神經網路
111‧‧‧後段類神經網路
12‧‧‧傳送模組
2‧‧‧用戶端裝置
21‧‧‧採集模組
210‧‧‧原始資料
22‧‧‧用戶端抽取模組
220‧‧‧中繼資料
23‧‧‧發送模組
3‧‧‧伺服器端裝置
31‧‧‧接收模組
32‧‧‧伺服器端抽取模組
320‧‧‧特徵值
S‧‧‧切割位置
t1‧‧‧用戶端裝置執行時間
t2‧‧‧網路傳輸時間
t3‧‧‧伺服器端裝置執行時間
S1~S8‧‧‧步驟
第1圖係本發明之基於類神經網路之兩段式特徵抽取系統架構圖;第2圖係本發明之分割方法的第一實施例示意圖;第3圖係本發明之分割方法的第二實施例示意圖;第4圖係本發明之分割方法的第三實施例示意圖;
第5圖係本發明之分割方法的第四實施例示意圖;第6圖係本發明之分割方法的第五實施例示意圖;第7圖係本發明之分割方法的第六實施例示意圖;以及第8圖係本發明之基於類神經網路之兩段式特徵抽取方法流程圖。
以下藉由特定的具體實施形態說明本發明之技術內容,熟悉此技藝之人士可由本說明書所揭示之內容輕易地瞭解本發明之優點與功效。然本發明亦可藉由其他不同的具體實施形態加以施行或應用。
請參照第1圖,係為本發明之基於類神經網路之兩段式特徵抽取系統架構圖。如第1圖所示,本發明之基於類神經網路之兩段式特徵抽取系統包括切割類神經網路裝置1、用戶端裝置2與伺服器端裝置3。其中,切割類神經網路裝置1係由儲存模組10、分割模組11及傳送模組12所組成。用戶端裝置2係由採集模組21、用戶端抽取模組22及發送模組23所組成。伺服器端裝置3係由接收模組31與伺服器端抽取模組32所組成。
儲存模組10係儲存一類神經網路100。其中,該類神經網路100為一多層次結構網路。舉例而言,類神經網路100可以為一個事前經過大量已標註人臉圖片訓練而成之類神經網路,類神經網路可採用任何能以有向圖(directed graph)表示之網路架構,包括常見的全連接神經網路(fully
connected network)、卷積神經網路(CNN,convolutional neural network)或循環神經網路(recurrent neural network)等,例如本實施例使用CNN類神經網路架構並採用牛津大學提出之16層VGGNet架構。
分割模組11將該類神經網路100之多層次結構網路利用一分割方法分割以產生一前段類神經網路110與一後段類神經網路111。舉例而言,分割模組11自VGGNet第二個池化(pooling)層位置進行分割,選擇此位置是因為輸出資訊已不再具備可辨識性。經過分割後,第二個池化層以及之前的類神經網路為前段類神經網路110,第二個池化層之後的類神經網路為後段類神經網路111,前/後段類神經網路由傳送模組12接收並儲存後,傳送模組12係傳送該前段類神經網路與該後段類神經網路並適時分別佈署至用戶端裝置2及伺服器端裝置3。
在一些實施例中,該分割模組11係採自動或手動方式,利用該分割方法產生該前段類神經網路110與該後段類神經網路111。換言之,透過使用者的自行設定,可讓本系統採取自動或手動方式,提供更彈性的方式,以利用該分割方法產生該前段類神經網路110與該後段類神經網路111。
在一些實施例中,如第2圖之分割方法的第一實施例所示,該分割方法為從一資訊識別度低於一特定值的位置分割該類神經網路100。舉例而言,當一人臉照片難以辨識,其資訊識別度低於一特定值時,則從該位置進行切割,
如此可減少資料外洩之風險。
在一些實施例中,如第3圖之分割方法的第二實施例所示,該分割方法為從層與層之間分割該類神經網路100。舉例而言,因本發明之類神經網路100為一多層次結構網路,若中間的資料共有5層,則可如第3圖所示,從第二層與第三層之間進行切割動作,如此可簡化設計邏輯。
在一些實施例中,如第4圖之分割方法的第三實施例所示,該分割方法為從邊緣資訊量低的位置分割該類神經網路100。上述之切割方法可減少中繼資料傳輸負擔。
在一些實施例中,如第5圖之分割方法的第四實施例所示,該分割方法為從離具原始資料之輸入端較近的位置分割該類神經網路100。換言之,切割邊緣選擇在離輸入端(原始資料210)較近的位置,以減少用戶端裝置2的設備負擔,以及提高中繼資料內原始資訊210含量,有利於後續模型改進。
在一些實施例中,如第6圖之分割方法的第五實施例所示,該分割方法為從離具特徵值之輸出端較近的位置分割該類神經網路100。上述之切割方法可減少伺服器端裝置3負擔。
在一些實施例中,如第7圖之分割方法的第六實施例所示,該分割方法為從切割後總執行時間較少的位置分割該類神經網路100。舉例而言,如第7圖所示,本發明會根據用戶端裝置2執行時間(t1)加上網路傳輸時間(t2)再加上伺服器端裝置3執行時間(t3)的總執行時間,在(t1+
t2+t3)數值最少的位置進行切割。
之後,用戶端裝置2的採集模組21取樣與傳送一原始資料210。而用戶端抽取模組22接收來自該傳送模組12所佈署的前段類神經網路110,之後將該原始資料210轉換成一中繼資料220。發送模組23接收該中繼資料220後,透過網路發送該中繼資料220,以供後續的伺服器端裝置3的接收模組31進行接受該中繼資料220。舉例而言,採集模組21自用戶端手機裝置上的攝像鏡頭取得經過適當裁切之人臉圖片作為原始資料210,傳遞給用戶端抽取模組22,用戶端抽取模組22利用自該傳送模組12所佈署的前段類神經網路110,將原始資料210(如:人臉圖片)經過前段類神經網路110的層層運算取得第二個池化層運算下的中繼資料220,再交給發送模組23由網路傳遞中繼資料220,中繼資料220在傳遞時並利用壓縮和加密功能來減少資料尺寸及增加資料安全。
伺服器端裝置3的接收模組31利用網路自發送模組23接收中繼資料220後,並將中繼資料220傳遞給伺服器端抽取模組32。伺服器端抽取模組32利用自該傳送模組12所佈署的後段類神經網路111將中繼資料220轉換成特徵值320,以作為系統輸出。舉例而言,接收模組31利用網路自發送模組23接收資料後,於解壓縮和解密操作後得到中繼資料220並傳遞給伺服器端抽取模組32,伺服器端抽取模組32利用自該傳送模組12所佈署的後段類神經網路111,將中繼資料220逐層經過後段類神經網路111的
層層運算,在最後一層全連接層轉換成人臉特徵值320後作為系統輸出。
本發明復提供一種基於類神經網路之兩段式特徵抽取方法,其方法流程圖如第8圖所示。
步驟S1:讀取一類神經網路100,其中,該類神經網路100為一多層次結構網路。
步驟S2:將該類神經網路之多層次結構網路利用一分割方法將類神經網路100之輸入端節點及輸出端節點斷開,以分割而產生前段類神經網路110與後段類神經網路111。
步驟S3:接收並傳送該前段類神經網路110與後段類神經網路111。
步驟S4:將該前段類神經網路110與後段類神經網路111分別佈署至用戶端裝置2及伺服器端裝置3。
步驟S5:於用戶端裝置2取樣原始資料210。
步驟S6:於用戶端裝置2使用該前段類神經網路110將該原始資料210轉換成一中繼資料220。
步驟S7:利用網路傳輸該中繼資料220。
步驟S8:於伺服器端裝置3使用後段類神經網路111將該中繼資料220轉換成一特徵值320以作為系統輸出。
其中,該切割方法可如第2至7圖所示,具有6種實施態樣,方式如上所述,於此不再贅述。
綜上所述,本發明所提出之基於類神經網路之兩段式特徵抽取系統與方法,習知關於伺服器端進行特徵抽取之系統需將原始資料進行傳輸。對於客戶來說,由於原始資
料具隱私性,並不希望原始資料流出;對於企業來說,接收具個資需負擔額外法律責任,增加保護成本。本發明於用戶及伺服器間傳輸資料已不可識別,無隱私性/個資問題,無需再花時間與資源做加解密,可有效解決資料敏感的問題。
再者,習知關於客戶端進行特徵抽取之系統,由於原始資料並沒有傳輸至伺服器端,後續企業難以持續精進特徵伺服器端抽取模組。然而使用本發明後,企業仍可藉由蒐集傳輸中繼資料改善伺服器端抽取模組,保有後續精進之可能與空間。
此外,習知之特徵抽取系統往往計算負擔集中於客戶端或伺服器端,若集中於客戶端時硬體問題尤其嚴重。本發明利用兩段式特徵抽取方式,將運算量調配給用戶端和伺服器一同負責,如此可有效減輕設備負擔。
另外,本發明可依不同應用需求(如強調資料隱私性、時間最佳化等),自由調配用戶及伺服器端任務比重,使系統整體效益最佳化,因此本案具有高彈性架構。
上述實施形態僅例示性說明本發明之原理及其功效,而非用於限制本發明。任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下,對上述實施形態進行修飾與改變。因此,本發明之權利保護範圍,應如後述之申請專利範圍所列。
Claims (16)
- 一種基於類神經網路之兩段式特徵抽取系統,包括:切割類神經網路裝置,係包含:儲存模組,係儲存一類神經網路;分割模組,係以一分割方法分割該類神經網路,以產生一前段類神經網路與一後段類神經網路;及傳送模組,係傳送該前段類神經網路與該後段類神經網路;用戶端裝置,係包含:採集模組,係取樣與傳送一原始資料;用戶端抽取模組,係接收該前段類神經網路後,將該原始資料轉換成一中繼資料;及發送模組,係接收該中繼資料後,透過網路發送該中繼資料;以及伺服器端裝置,係包含:接收模組,係接收該後段類神經網路與該中繼資料;及伺服器抽取模組,係利用該後段類神經網路將該中繼資料轉換成一特徵值。
- 如申請專利範圍第1項所述之基於類神經網路之兩段式特徵抽取系統,其中,該類神經網路為一多層次結構網路。
- 如申請專利範圍第1項所述之基於類神經網路之兩段式特徵抽取系統,其中,該分割方法為從層與層之間分割 該類神經網路。
- 如申請專利範圍第1項所述之基於類神經網路之兩段式特徵抽取系統,其中,該分割方法為從一資訊識別度低於一特定值的位置分割該類神經網路。
- 如申請專利範圍第1項所述之基於類神經網路之兩段式特徵抽取系統,其中,該分割方法為從邊緣資訊量低的位置分割該類神經網路。
- 如申請專利範圍第1項所述之基於類神經網路之兩段式特徵抽取系統,其中,該分割方法為從離具該原始資料之輸入端較近的位置分割該類神經網路。
- 如申請專利範圍第1項所述之基於類神經網路之兩段式特徵抽取系統,其中,該分割方法為從離具該特徵值之輸出端較近的位置分割該類神經網路。
- 如申請專利範圍第1項所述之基於類神經網路之兩段式特徵抽取系統,其中,該分割方法為從切割後總執行時間較少的位置分割該類神經網路。
- 一種基於類神經網路之兩段式特徵抽取方法,包括:讀取一類神經網路;以一分割方法分割該類神經網路,以產生前段類神經網路與後段類神經網路,進而傳送該前段類神經網路與後段類神經網路;將該前段類神經網路與後段類神經網路分別佈署至用戶端裝置及伺服器端裝置;於用戶端裝置取樣原始資料; 於用戶端裝置使用該前段類神經網路將該原始資料轉換成一中繼資料;利用網路傳輸該中繼資料;以及於伺服器端裝置使用該後段類神經網路將該中繼資料轉換成一特徵值。
- 如申請專利範圍第9項所述之基於類神經網路之兩段式特徵抽取方法,其中,該類神經網路為一多層次結構網路。
- 如申請專利範圍第9項所述之基於類神經網路之兩段式特徵抽取方法,其中,該分割方法為從層與層之間分割該類神經網路。
- 如申請專利範圍第9項所述之基於類神經網路之兩段式特徵抽取方法,其中,該分割方法為從一資訊識別度低於一特定值的位置分割該類神經網路。
- 如申請專利範圍第9項所述之基於類神經網路之兩段式特徵抽取方法,其中,該分割方法為從邊緣資訊量低的位置分割該類神經網路。
- 如申請專利範圍第9項所述之基於類神經網路之兩段式特徵抽取方法,其中,該分割方法為從離具該原始資料之輸入端較近的位置分割該類神經網路。
- 如申請專利範圍第9項所述之基於類神經網路之兩段式特徵抽取方法,其中,該分割方法為從離具該特徵值之輸出端較近的位置分割該類神經網路。
- 如申請專利範圍第9項所述之基於類神經網路之兩段式 特徵抽取方法,其中,該分割方法為從切割後總執行時間較少的位置分割該類神經網路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106145750A TWI640933B (zh) | 2017-12-26 | 2017-12-26 | 基於類神經網路之兩段式特徵抽取系統及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106145750A TWI640933B (zh) | 2017-12-26 | 2017-12-26 | 基於類神經網路之兩段式特徵抽取系統及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI640933B TWI640933B (zh) | 2018-11-11 |
TW201928789A true TW201928789A (zh) | 2019-07-16 |
Family
ID=65034547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106145750A TWI640933B (zh) | 2017-12-26 | 2017-12-26 | 基於類神經網路之兩段式特徵抽取系統及其方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI640933B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI779418B (zh) * | 2019-12-11 | 2022-10-01 | 瑞士商Inait公司 | 讀取一人工循環神經網路之輸出之方法及其電腦可讀取儲存媒體 |
US11569978B2 (en) | 2019-03-18 | 2023-01-31 | Inait Sa | Encrypting and decrypting information |
US11580401B2 (en) | 2019-12-11 | 2023-02-14 | Inait Sa | Distance metrics and clustering in recurrent neural networks |
US11615285B2 (en) | 2017-01-06 | 2023-03-28 | Ecole Polytechnique Federale De Lausanne (Epfl) | Generating and identifying functional subnetworks within structural networks |
US11651210B2 (en) | 2019-12-11 | 2023-05-16 | Inait Sa | Interpreting and improving the processing results of recurrent neural networks |
US11652603B2 (en) | 2019-03-18 | 2023-05-16 | Inait Sa | Homomorphic encryption |
US11663478B2 (en) | 2018-06-11 | 2023-05-30 | Inait Sa | Characterizing activity in a recurrent artificial neural network |
US11797827B2 (en) | 2019-12-11 | 2023-10-24 | Inait Sa | Input into a neural network |
US11816553B2 (en) | 2019-12-11 | 2023-11-14 | Inait Sa | Output from a recurrent neural network |
US11893471B2 (en) | 2018-06-11 | 2024-02-06 | Inait Sa | Encoding and decoding information and artificial neural networks |
US11972343B2 (en) | 2018-06-11 | 2024-04-30 | Inait Sa | Encoding and decoding information |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI721464B (zh) * | 2019-06-21 | 2021-03-11 | 鴻齡科技股份有限公司 | 深度學習程式配置方法、裝置、電子設備及存儲介質 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9125133B2 (en) * | 2009-08-12 | 2015-09-01 | Qualcomm Incorporated | Method and apparatus for relay backhaul design in a wireless communication system |
TW201331855A (zh) * | 2012-01-19 | 2013-08-01 | Univ Nat Taipei Technology | 具自由回饋節點的高速硬體倒傳遞及回饋型類神經網路 |
WO2017044153A1 (en) * | 2015-09-11 | 2017-03-16 | Intel IP Corporation | Sliceable radio access network architecture for wireless communications |
US10152879B2 (en) * | 2015-11-10 | 2018-12-11 | Industrial Technology Research Institute | Method, apparatus, and system for monitoring manufacturing equipment |
-
2017
- 2017-12-26 TW TW106145750A patent/TWI640933B/zh active
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11615285B2 (en) | 2017-01-06 | 2023-03-28 | Ecole Polytechnique Federale De Lausanne (Epfl) | Generating and identifying functional subnetworks within structural networks |
US11663478B2 (en) | 2018-06-11 | 2023-05-30 | Inait Sa | Characterizing activity in a recurrent artificial neural network |
US11893471B2 (en) | 2018-06-11 | 2024-02-06 | Inait Sa | Encoding and decoding information and artificial neural networks |
US11972343B2 (en) | 2018-06-11 | 2024-04-30 | Inait Sa | Encoding and decoding information |
US11569978B2 (en) | 2019-03-18 | 2023-01-31 | Inait Sa | Encrypting and decrypting information |
US11652603B2 (en) | 2019-03-18 | 2023-05-16 | Inait Sa | Homomorphic encryption |
TWI779418B (zh) * | 2019-12-11 | 2022-10-01 | 瑞士商Inait公司 | 讀取一人工循環神經網路之輸出之方法及其電腦可讀取儲存媒體 |
US11580401B2 (en) | 2019-12-11 | 2023-02-14 | Inait Sa | Distance metrics and clustering in recurrent neural networks |
US11651210B2 (en) | 2019-12-11 | 2023-05-16 | Inait Sa | Interpreting and improving the processing results of recurrent neural networks |
US11797827B2 (en) | 2019-12-11 | 2023-10-24 | Inait Sa | Input into a neural network |
US11816553B2 (en) | 2019-12-11 | 2023-11-14 | Inait Sa | Output from a recurrent neural network |
US12020157B2 (en) | 2019-12-11 | 2024-06-25 | Inait Sa | Interpreting and improving the processing results of recurrent neural networks |
Also Published As
Publication number | Publication date |
---|---|
TWI640933B (zh) | 2018-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI640933B (zh) | 基於類神經網路之兩段式特徵抽取系統及其方法 | |
US11983909B2 (en) | Responding to machine learning requests from multiple clients | |
US20220053071A1 (en) | Preprocessing sensor data for machine learning | |
EP3901829A1 (en) | Data processing method and device, storage medium, and electronic device | |
US8917913B2 (en) | Searching with face recognition and social networking profiles | |
US11949848B2 (en) | Techniques to capture and edit dynamic depth images | |
US20150189118A1 (en) | Photographing apparatus, photographing system, photographing method, and recording medium recording photographing control program | |
CN111564157A (zh) | 会议记录优化方法、装置、设备及存储介质 | |
US11048745B2 (en) | Cognitively identifying favorable photograph qualities | |
KR20180093449A (ko) | 문서변환장치 및 문서변환방법 | |
US11308133B2 (en) | Entity matching using visual information | |
US11822587B2 (en) | Server and method for classifying entities of a query | |
WO2021051573A1 (zh) | 分渠道采集数据的唇语活体检测方法、系统和计算机设备 | |
CN110019874B (zh) | 索引文件的生成方法、装置及系统 | |
US20140111431A1 (en) | Optimizing photos | |
US9323857B2 (en) | System and method for providing content-related information based on digital watermark and fingerprint | |
CN111415397A (zh) | 一种人脸重构、直播方法、装置、设备及存储介质 | |
US20200057815A1 (en) | Image-based item identifying system and method | |
KR20200009888A (ko) | 다중 메타데이터 분석기반의 관계형 개인화 태그생성 및 추천 방법 | |
US11438466B2 (en) | Generating an automatic virtual photo album | |
US11024067B2 (en) | Methods for dynamic management of format conversion of an electronic image and devices thereof | |
WO2021232708A1 (zh) | 一种图像处理方法及电子设备 | |
WO2022222655A1 (zh) | 图像处理方法、装置、电子设备、芯片、存储介质、程序、及程序产品 | |
EP3652641B1 (en) | Methods and systems for processing imagery | |
KR20240071249A (ko) | 증강 현실 기반의 통신 시스템 및 방법과 이를 수행하기 위한 컴퓨팅 장치 |