-
公开(公告)号：CN117441174A
公开(公告)日：2024-01-23
申请号：CN202180098842.3
申请日：2021-05-31
Applicant: 罗伯特·博世有限公司 , 清华大学
IPC: G06N3/094 , G06N3/0475
Abstract: 本公开内容提供了一种用于训练用于模仿演示者的行为的神经网络(NN)模型的方法。该方法包括：获得表示演示者的用于执行任务的行为的演示数据，演示数据包括状态数据、动作数据和选项数据，其中，状态数据对应于用于执行任务的条件，选项数据对应于任务的子任务，并且动作数据对应于演示者的针对任务执行的动作；基于当前学习的策略来对表示NN模型的用于执行任务的行为的学习者数据进行采样，学习者数据包括状态数据、动作数据和选项数据，其中，状态数据对应于用于执行任务的条件，选项数据对应于任务的子任务，并且动作数据对应于NN模型的针对任务执行的动作，策略由用于确定当前选项的高级策略部分和用于确定当前动作的低级策略部分组成；以及基于演示数据和学习者数据，通过使用生成对抗性模仿学习(GAIL)过程来更新策略。
-
公开(公告)号：CN117223033A
公开(公告)日：2023-12-12
申请号：CN202180095178.7
申请日：2021-03-03
Applicant: 罗伯特·博世有限公司 , 清华大学
Abstract: 本公开内容提供了一种用于视觉推理的方法。该方法包括：向网络提供输入集合和输出集合，其中输入集合中的每一输入集合基于该输入集合上的视觉信息来映射到与该输入集合相对应的输出集合中的一个输出，以及其中，网络包括概率生成模型(PGM)和模块集合；基于所提供的输入集合和输出集合，通过PGM来确定模块集合中的一个或多个模块的组合上的后验分布；以及将领域知识作为一个或多个后验正则化约束，应用于所确定的后验分布。
-
公开(公告)号：CN116615734A
公开(公告)日：2023-08-18
申请号：CN202080107898.6
申请日：2020-12-15
Applicant: 罗伯特·博世有限公司
IPC: G06N3/09 , G06N3/0464 , G06T5/00
Abstract: 提供了一种基于单幅图像的处理方法。该方法包括接收单幅图像，所述单幅图像至少示出了雨痕或雪痕；将所述单幅图像输入第一卷积神经网络以对所述单幅图像执行基于计算机视觉的处理，所述第一卷积神经网络是根据第一图像和第二图像训练获得的，其中，所述第一图像至少示出了雨痕或雪痕，并且所述第二图像是通过对所述第一图像进行风格化处理得到的。由此，针对包括雨痕或雪痕的图像，改进了基于计算机视觉的处理/感知的鲁棒性和准确性，同时能够实现实时的处理/感知。
-
公开(公告)号：CN119816841A
公开(公告)日：2025-04-11
申请号：CN202280099603.4
申请日：2022-08-30
Applicant: 罗伯特·博世有限公司 , 清华大学
IPC: G06N3/084 , G06N3/048 , G06N3/0464
Abstract: 本公开内容提供了一种用于优化对象的结构的计算机实现的方法。该方法包括：通过硬约束神经网络(NN)框架接收结构量，其中，该结构量用于描述该对象的边界，其中，该硬约束NN框架包括至少一个主NN、至少一个辅NN和组合单元，其中，偏微分方程(PDE)被公式化为用该对象的物理量表征与该对象相关的物理系统；通过该至少一个主NN生成经重新公式化的PDE的解的第一预测；通过至少使用该至少一个辅NN来生成该经重新公式化的PDE的边界条件(BC)的解的第二预测；通过由该组合单元组合解的该第一预测和解的该第二预测来获得该经重新公式化的PDE的解的最终预测；以及基于最终预测的物理量来更新表示该对象的边界的结构量。
-
公开(公告)号：CN119631114A
公开(公告)日：2025-03-14
申请号：CN202280098308.7
申请日：2022-08-29
Applicant: 罗伯特·博世有限公司 , 清华大学
IPC: G06V20/52
Abstract: 本公开内容涉及一种用于密集预测的计算机实现的网络，该网络包括:多个子网络，其中多个子网络被级联在一起，并且多个子网络中的每个子网络包括用于多尺度特征提取的自下而上的子主干和用于多尺度特征融合的自上而下的反馈路径；子网络中的自下而上的子主干中和自上而下的反馈路径中的对应特征级别处的特征图之间的横向跳跃连接；以及跨相邻子网络的横向跳跃连接。
-
Patent Agency Ranking
公开(公告)号：CN117940936A
公开(公告)日：2024-04-26
申请号：CN202180101286.0
申请日：2021-08-18
Applicant: 罗伯特·博世有限公司 , 清华大学
IPC: G06N3/094 , G06N3/0985 , G06N3/084 , G06N3/0442
Abstract: 本公开内容提供了一种用于评估对抗鲁棒性的方法。该方法包括：基于一组学习型防御模型集和训练数据，学习由递归神经网络(RNN)参数化的优化器，以最大限度地降低该组学习型防御模型的性能；以及通过使用所学习的优化器攻击至少一个目标防御模型，来评估该至少一个目标防御模型在目标数据集或数据点上的对抗鲁棒性。
-
公开(公告)号：CN115700569A
公开(公告)日：2023-02-07
申请号：CN202110849962.4
申请日：2021-07-27
Applicant: 罗伯特·博世有限公司
IPC: G06F30/20 , G06Q10/0639 , G01M17/007 , G01M13/00 , G01M7/08
Abstract: 本发明涉及车辆用辅助约束装置的安全测试领域。本发明涉及一种用于乘客约束装置的参数自动标定的方法，所述方法包括以下步骤：S1：针对所使用的触发响应算法，提供潜在影响乘客约束装置的触发有效性的待标定参数组的推荐取值；S2：在使用推荐取值的情况下对乘客约束装置进行仿真碰撞测试；S3：借助评估指标在触发有效性方面评估仿真结果；以及，S4：根据评估结果预测待标定参数组的能够使触发有效性最大化的新推荐取值。本发明还涉及一种用于乘客约束装置的参数自动标定的设备和一种计算机程序产品。本发明旨在通过自动参数推荐机制替代传统的人工迭代调参，由此在加快标定进程的同时提高参数取值选择的准确性。
-
公开(公告)号：CN117836777A
公开(公告)日：2024-04-05
申请号：CN202180101340.1
申请日：2021-08-16
Applicant: 罗伯特·博世有限公司 , 清华大学
Abstract: 公开了一种用于机器学习的方法。所述方法包括：在至少一个轨迹上训练第一神经网络(NN)模型；将在收敛之前在训练过程的中间采样的至少一个中间训练的第一NN模型的输出提供给第二NN模型，其中，所述第一NN模型和所述第二NN模型具有相同的输出标签集合，并且其中，所述第一NN模型具有与所述第二NN模型相比更多的参数；以及部分地基于所述至少一个中间训练的第一NN模型的所述输出来训练所述第二NN模型。提供了众多其它方面。
-
公开(公告)号：CN117441168A
公开(公告)日：2024-01-23
申请号：CN202180098787.8
申请日：2021-05-31
Applicant: 罗伯特·博世有限公司 , 清华大学
IPC: G06N3/02
Abstract: 本发明公开了一种用于深度强化学习中的对抗性攻击的方法。该方法包括：确定至少具有对抗噪声水平的对抗性攻击的函数空间；基于攻击目标来确定用于欺骗深度强化学习中的智能体的欺骗策略；通过使经攻击策略与欺骗策略之间的差异最小化来从函数空间中获得对抗函数；以及基于所获得的对抗函数来扰动由深度强化学习中的智能体观察到的环境的状态。
-
公开(公告)号：CN115147634A
公开(公告)日：2022-10-04
申请号：CN202110279607.8
申请日：2021-03-16
Applicant: 罗伯特·博世有限公司
IPC: G06V10/764 , G06V10/774 , G06V10/26
Abstract: 本说明书的实施例提供一种模型训练方法及模型训练装置。在该模型训练方法中，基于图像分类模型所关注目标物的尺寸特征来对原始训练图像进行图像分割得到局部图像块，随后对局部图像块打乱重排得到各个重排训练图像。然后，使用各个原始训练图像和各个重排训练图像来进行图像分类模型训练。按照上述模型训练方法，由于基于所关注目标物的尺寸特征来对原始训练图像进行图像分割，使得图像分割出的局部图像块能够反映原始训练图像的局部特征，从而使得所训练出的图像分类模型考虑原始训练图像的全局特征和局部特征，由此提升所训练出的图像分类模型的图像分类预测精确率。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.023 seconds)
