-
公开(公告)号：CN115482428A
公开(公告)日：2022-12-16
申请号：CN202210680575.7
申请日：2022-06-16
Applicant: 罗伯特·博世有限公司
Inventor： 林婉怡 , L·博伊特索夫 , A·诺鲁扎德 , J·柯尔特 , F·J·卡布里塔孔德萨
IPC: G06V10/774 , G06V10/82 , G06V20/52 , G06V10/764 , G06N20/00 , G06N3/04
Abstract: 提供了针对对抗性攻击为预训练模型预置鲁棒器的系统和方法。一种用于训练机器学习网络的计算机实现的方法。所述方法包括：从传感器接收输入数据，其中输入数据指示图像、雷达、声纳或声音信息；利用输入数据生成输入数据集，其中输入数据集包括扰动数据；将输入数据集发送给鲁棒器，其中鲁棒器被配置为通过移除与输入数据集相关联的扰动来清理输入数据集，以创建修改的输入数据集；将修改的输入数据集发送到预训练机器学习任务；利用修改的输入数据集训练鲁棒器以获得经训练的鲁棒器；以及响应于经训练的鲁棒器收敛到第一阈值，输出经训练的鲁棒器。
-
公开(公告)号：CN112990249A
公开(公告)日：2021-06-18
申请号：CN202011444557.6
申请日：2020-12-11
Applicant: 罗伯特·博世有限公司
Inventor： F·J·卡布里塔孔德萨 , J·Z·科尔特
IPC: G06K9/62
Abstract: 提供了往复式生成模型。对于将传感器数据分类成K个类的K个生成模型的集合中的每个生成模型，从训练数据中采样如被分类为属于生成模型的类的分布内样本，并且从训练数据中采样如被分类为不属于生成模型的类的分布外样本。还从往复式生成模型集合中除生成模型之外的每个剩余的互逆生成模型生成分布外样本，以提供被分类为不属于生成模型的类的附加样本。生成模型的参数被更新以最小化损失函数，从而最大化样本属于该类的似然性，并且关于采样的分布外样本和生成的分布外样本二者最大化损失函数，从而最小化样本不属于该类的似然性。
-
公开(公告)号：CN114254732A
公开(公告)日：2022-03-29
申请号：CN202111098350.2
申请日：2021-09-18
Applicant: 罗伯特·博世有限公司
Inventor： F·J·卡布里塔孔德萨 , 林婉怡 , K·杨 , M·普拉蒂姆
Abstract: 在多模态环境中利用扰动的系统和方法。一种用于训练机器学习网络的计算机实现的方法。该方法可以包括接收输入数据，从输入数据选择一个或多个批次样本，将扰动对象应用到一个或多个批次样本上以创建扰动样本，运行扰动样本通过机器学习网络，响应于运行扰动样本响应于函数更新扰动对象，以及响应于超过收敛阈值输出扰动对象。
-
公开(公告)号：CN113011454A
公开(公告)日：2021-06-22
申请号：CN202011509171.9
申请日：2020-12-18
Applicant: 罗伯特·博世有限公司
Inventor： R·达斯 , F·J·卡布里塔孔德萨 , J·Z·科尔特
Abstract: 公开了一种用于使用来自另一个域或应用的有噪声的被标记的数据集、在标记预算约束和有噪声的预言（即，由注释器提供的有噪声的标记）的情况下标记未标记的数据集的系统和方法。该系统和方法将主动学习与有噪声的标记进行组合，并且将主动学习与域适配进行组合以增强分类性能。
-
公开(公告)号：CN117236372A
公开(公告)日：2023-12-15
申请号：CN202310713375.1
申请日：2023-06-15
Applicant: 罗伯特·博世有限公司
IPC: G06N3/04 , G06N3/08 , G06N20/00 , G06F18/214
Abstract: 估计神经网络在分布外数据上的准确度的方法和系统。确定用分布内数据训练的多个机器学习模型的分布内准确度。多个机器学习模型包括第一模型和剩余模型。确定(i)用分布内数据集执行的第一机器学习模型的输出和(ii)用分布内数据集执行的剩余多个机器学习模型的输出之间的分布内一致性。还用未标记的分布外数据集来执行机器学习模型，并且确定分布外一致性。将分布内一致性与分布外一致性进行比较。基于在阈值内的比较结果，基于(i)分布内准确度、(ii)分布内一致性和(iii)分布外一致性来估计第一机器学习模型在未标记的分布外数据集上的准确度。
-
Patent Agency Ranking
公开(公告)号：CN115482442A
公开(公告)日：2022-12-16
申请号：CN202210681146.1
申请日：2022-06-16
Applicant: 罗伯特·博世有限公司
Inventor： K·杨 , 林婉怡 , M·普拉提姆 , F·J·卡布里塔孔德萨 , J·柯尔特
Abstract: 一种用于自主车辆的多模态感知系统包括第一传感器和控制器，所述第一传感器是视频、RADAR、LIDAR或超声传感器中的一种。该控制器可以被配置为：从第一传感器接收第一信号，从第二传感器接收第二信号，并且从第三传感器接收第三信号，从第一信号提取第一特征向量，从第二信号提取第二特征向量，从第三信号提取第三特征向量，基于不一致的模态预测经由机器学习网络的剔除异常项网络从第一、第二和第三特征向量确定剔除异常项向量，将第一、第二和第三特征向量以及剔除异常项向量融合成融合特征向量，输出融合特征向量，并且基于融合特征向量控制自主车辆。
-
公开(公告)号：CN117250914A
公开(公告)日：2023-12-19
申请号：CN202310713383.6
申请日：2023-06-15
Applicant: 罗伯特·博世有限公司
IPC: G05B19/418
Abstract: 用在制造过程期间捕获的测量数据训练机器学习模型的方法和系统。接收关于多个制造零件的物理特性的测量数据，所述物理特性由各个制造站处的多个传感器测量。时间序列动力学机器学习模型将测量数据编码到具有多个节点的潜在空间中。每个节点与制造站之一处的制造零件之一的测量数据相关联。可以构建一批测量数据，所述批包括第一节点和经由第一边直接连接到第一节点并且在时间上早于第一节点被测量的第一多个节点。预测机器学习模型可以基于所述批的节点的潜在空间来预测第一制造零件的测量。
-
公开(公告)号：CN116894799A
公开(公告)日：2023-10-17
申请号：CN202310376448.2
申请日：2023-04-10
Applicant: 罗伯特·博世有限公司
Abstract: 提供了用于域泛化的数据增强。公开了用于生成机器学习模型的训练数据以获得该模型的更好性能的方法和系统。从图像数据库中选择源图像连同目标图像。利用图像分割器以源图像来生成具有前景区域和背景区域的源图像分割掩模。对目标图像执行相同的操作，以生成具有前景区域和背景区域的目标图像分割掩模。基于掩模确定源图像和目标图像的前景和背景。从目标图像中移除目标图像前景，并将源图像前景插入到目标图像中以创建具有源图像前景和目标图像背景的增强图像。更新机器学习模型的训练数据以包括该增强图像。
-
公开(公告)号：CN116258865A
公开(公告)日：2023-06-13
申请号：CN202211571376.9
申请日：2022-12-08
Applicant: 罗伯特·博世有限公司
Inventor： M·S·诺鲁扎德 , R·A·罗哈斯葛迈兹 , A·阮 , F·J·卡布里塔孔德萨
Abstract: 公开了使用机器学习来量化图像的方法和系统。从传感器（例如，相机）接收多个输入图像，其中每个输入图像包括多个像素。利用图像到图像机器学习模型，每个像素被分配一个新的像素颜色。利用混合器机器学习模型，每个新的像素颜色被转换成固定数量的颜色之一，以产生多个量化图像，其中每个量化图像对应于输入图像之一。经由预训练参考机器学习模型，基于每个输入图像与其对应的量化图像的对准来确定损失函数。基于损失函数更新图像到图像机器学习模型和混合器模型的一个或多个参数。该过程重复，其中每次迭代更新图像到图像机器学习模型和混合器模型的参数，直到收敛为止，从而产生经训练的模型。
-
公开(公告)号：CN114764571A
公开(公告)日：2022-07-19
申请号：CN202111651977.6
申请日：2021-12-31
Applicant: 罗伯特·博世有限公司
Inventor： J·J·麦考斯基 , S·达斯 , F·J·卡布里塔孔德萨
Abstract: 经由信号到信号转换进行感测。一种用于测量第一物理参数的系统，包括被配置为基于第一物理参数操作的机械设备，以及与机械设备耦合并被配置为输出基于第二物理参数和正向映射函数的指示第一物理参数的信号的源传感器，其中正向映射函数在系统训练阶段期间被学习，在该系统训练阶段中，来自第一物理参数传感器的成对第一物理参数数据从来自源传感器的第二物理参数数据被正向映射。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.024 seconds)
