-
公开(公告)号：CN112465147A
公开(公告)日：2021-03-09
申请号：CN202010933868.2
申请日：2020-09-08
Applicant: 罗伯特·博世有限公司
Abstract: 描述了一种训练方法，其中使用数据增强，在于通过以取决于相应变量（s）（例如，受相应变量控制或操纵）的方式修改现有数据实例（x）来从现有数据实例（x）导出新的数据实例。提供条件可逆函数（f）来基于相应的变量（s）为新的数据实例生成不同的预测目标标签（y*）。由此，机器可学习模型不仅可以学习数据实例的类别标签，而且可以学习修改的特性。通过进行训练以学习此类修改的特性，机器可学习模型可以更好地学习数据实例的语义特征，并且由此可以学习更准确地对数据实例进行分类。在推断的时候，条件可逆函数的逆函数（f‑1）可以被用来基于机器学习模型的输出标签（z）来为测试数据实例确定类别标签。
-
公开(公告)号：CN114358276A
公开(公告)日：2022-04-15
申请号：CN202111144023.6
申请日：2021-09-28
Applicant: 罗伯特·博世有限公司
IPC: G06N3/08 , G06N3/04 , G06K9/62 , G06V10/764 , G06V10/774
Abstract: 使用自标准化梯度训练标准化流的设备和方法。用于训练标准化流的计算机实现的方法，其中标准化流被配置为确定表征输入信号的似然性或对数似然性的第一输出信号，其中标准化流包括至少一个第一层，其中训练标准化流包括以下步骤：●确定至少一个训练输入信号；●借助于标准化流针对每个训练输入信号确定训练输出信号；●确定第一损失值，其中第一损失值基于所述至少一个确定的训练输出信号相对于预定义概率分布的似然性或对数似然性；●确定第一层的可训练参数相对于第一损失值的梯度的近似，其中梯度取决于可训练参数的矩阵的逆，并且通过优化逆的近似来实现对梯度的近似的确定；●基于梯度的近似更新第一层的可训练参数。
-
公开(公告)号：CN114359648A
公开(公告)日：2022-04-15
申请号：CN202111144027.4
申请日：2021-09-28
Applicant: 罗伯特·博世有限公司
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06V20/56 , G06K9/62 , G06N3/08 , G06N3/04
Abstract: 提供了基于对数似然性的图像生成模型。本发明涉及一种训练图像生成模型的计算机实现的方法（700）。图像生成模型包括argmax变换，其被配置为计算离散索引特征，该离散索引特征指示具有极值的连续特征向量的特征的索引。使用对数似然性优化来训练图像生成模型。这涉及获得训练图像的索引特征值，根据argmax变换的随机逆变换，给定索引特征值对连续特征向量的值进行采样，以及基于随机逆变换在给定索引特征值的情况下生成连续特征向量的值的概率，确定argmax变换对于对数似然性的似然性贡献。
-
公开(公告)号：CN115081506A
公开(公告)日：2022-09-20
申请号：CN202210184803.1
申请日：2022-02-28
Applicant: 罗伯特·博世有限公司
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06N20/00 , G06V10/774
Abstract: 本发明涉及训练图像分析模型的计算机实现的方法（700）。耦合层从整数值的输入向量确定整数值的输出向量。通过将输入向量划分成不重叠的第一和第二输入部分来应用耦合层；将耦合层的机器可学习子模型应用于第一输入部分，以获得机器可学习子模型的子模型输出；从离散概率分布采样变换向量，其中基于子模型输出将离散概率分布参数化；基于第二输入部分和变换向量确定第二输出部分；以及将第一输入部分和第二输出部分组合以获得输出向量。在反向传播期间，估计变换向量的采样的梯度。
-
公开(公告)号：CN114330737A
公开(公告)日：2022-04-12
申请号：CN202111144072.X
申请日：2021-09-28
Applicant: 罗伯特·博世有限公司
Abstract: 提供了估计控制数据的可靠性。本发明涉及一种估计与环境交互的计算机控制系统的控制数据的可靠性的计算机实现的方法（600）。控制数据是由在训练数据集上训练的机器可学习控制模型从模型输入中推断出来的。模型输入包括至少一个方向向量，所述方向向量从传感器数据提取并且与计算机控制系统的部件或环境中的对象相关联。通过将生成模型的逆应用于模型输入以确定根据生成模型生成的模型输入的似然性，使用被训练以生成表示训练数据集的合成模型输入的生成模型来估计可靠性。生成模型包括耦合层，该耦合层包括圆变换以及无条件旋转和有条件旋转中的一个或多个。
-
Patent Agency Ranking
公开(公告)号：CN114154389A
公开(公告)日：2022-03-08
申请号：CN202111031918.9
申请日：2021-09-03
Applicant: 罗伯特·博世有限公司
IPC: G06F30/27 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06F111/08
Abstract: 用于训练标准化流(70)的计算机实现的方法(1)，其中，该标准化流(70)被配置成基于第一输入图像(x)预测第一密度值，其中，该第一密度值表征第一输入图像出现的可能性，其中，该第一密度值是基于标准化流的第一卷积层的中间输出而预测的，其中，该中间输出是基于第一卷积层的多个权重而确定的，其中，训练的方法包括以下步骤：●确定(101)第二输入图像(xi)；●确定(102)输出()，其中，输出()是通过将第二输入图像(xi)提供给标准化流并且提供标准化流的输出作为输出()而确定的；●基于输出张量并且基于多个权重来确定(103)第二密度值；●确定(104)多个权重相对于第二密度值的自然梯度；●根据该自然梯度适配(105)多个权重。
-
公开(公告)号：CN113723588A
公开(公告)日：2021-11-30
申请号：CN202110561985.5
申请日：2021-05-21
Applicant: 罗伯特·博世有限公司
Abstract: 用于数字信号处理的设备和计算机实现的方法，包括提供（206）第一组数据，将第一组数据映射（208）到第二组数据，以及取决于第二组数据来确定（210）数字信号处理的输出，其中取决于有限级数项的总和来确定第二组数据，其中取决于第一组数据与内核的卷积结果来确定所述级数的至少一个项，并且取决于第一组数据并且独立于内核来确定所述级数的至少一个项。
-
公开(公告)号：CN112529174A
公开(公告)日：2021-03-19
申请号：CN202010985584.8
申请日：2020-09-18
Applicant: 罗伯特·博世有限公司
Inventor： J·皮特斯 , E·胡格布姆 , M·韦林 , M·坎德米尔 , K·S·M·巴尔西姆
Abstract: 公开了用于从经训练神经网络生成压缩网络的设备和方法，其中该方法包括：模型（402）从第一训练数据（304）生成压缩图（412），该压缩图（412）表示模型（402）的模型分量响应于第一训练数据（304）对第一输出数据的影响；通过根据压缩图（412）压缩（604）经训练神经网络来生成压缩网络（606）；经训练神经网络（610）响应于第二训练数据（306）生成经训练网络输出数据（612）；压缩网络（606）响应于第二训练数据（306）生成压缩网络输出数据（608）；通过将经训练网络输出数据（612）与压缩网络输出数据（608）进行比较来训练模型（402）。
-
公开(公告)号：CN115081507A
公开(公告)日：2022-09-20
申请号：CN202210184804.6
申请日：2022-02-28
Applicant: 罗伯特·博世有限公司
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06N20/00 , G06V10/774
Abstract: 本发明涉及一种训练图像分析模型的计算机实现方法。图像分析模型包括从离散值的输入向量确定离散值的输出向量的耦合层。首先，耦合层的机器可学习子模型被训练成从耦合层的第一输入部分预测耦合层的第二输入部分。接下来，训练图像分析模型。这涉及通过将机器可学习子模型应用于第一输入部分来应用耦合层以获得第二输入部分的预测；以及通过将可逆映射应用于由第二输入部分的预测定义的第二输入部分来确定第二输出部分。所述映射将第二输入部分的元素的预测值映射到独立于预测值的固定值。
-
公开(公告)号：CN114997361A
公开(公告)日：2022-09-02
申请号：CN202210141028.1
申请日：2022-02-16
Applicant: 罗伯特·博世有限公司
Abstract: 提供了使用图神经网络的方法和装置。提供了一种计算机实现的方法，其包括：接收或知道（104）包括节点和相关联多维坐标的输入图（g_in），以及通过经训练图神经网络（GNN）传播（104）输入图（g_in），输入图（g_in）被提供为经训练图神经网络（GNN）的输入区段（106）的输入，其中至少部分地基于前一层（I）的节点嵌入（h^I_i，h^I_j）的集合和基于与前一层（I）的节点嵌入（h^I_i，h^I_j）相关联的坐标嵌入（x^I_i，x^I_j），确定经训练图神经网络（GNN）的至少一个隐藏层（I+1）的输出张量（Tout），并且其中在经训练图神经网络（GNN）的输出区段（108）中提供输出图（g_out）。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.024 seconds)
