-
公开(公告)号：CN119026634A
公开(公告)日：2024-11-26
申请号：CN202410652158.0
申请日：2024-05-24
Applicant: 罗伯特·博世有限公司
Inventor： J·E·M·梅纳特
Abstract: 一种用于利用神经网络(1)来处理输入数据x的方法(100)，所述神经网络包含神经元(11‑19)的集合N，所述方法具有如下步骤：根据指定的负度量(2)，确定(110)神经元(11‑19)的能够省略其使用而不会过度损害所述神经网络(1)的性能的那个子集#imgabs0#根据指定的正度量(3)，从子集N\P中确定(120)在处理具体的输入数据x时起关键作用的那些神经元(11‑19)的子集#imgabs1#为了处理所述具体的输入数据x，选择(130)神经元(11‑19)的子集#imgabs2#所述子集是所述集合A的超集#imgabs3#在使用所述集合D的神经元(11‑19)的情况下，将所述输入数据x处理(140)成输出数据y。
-
公开(公告)号：CN111868641A
公开(公告)日：2020-10-30
申请号：CN201980019585.2
申请日：2019-03-07
Applicant: 罗伯特·博世有限公司
Inventor： J·E·M·梅纳特
Abstract: 提供一种用于产生用于训练人工智能模块KI模块(1)的训练数据集的方法。该方法设置，首先提供图像序列(5)，在该图像序列中检测机器人的周围环境(6)。然后，确定能够布置在所检测的机器人的周围环境(6)中的至少一个轨迹(14a‑14e)。此外设置，生成至少一个未来的图像序列，该至少一个未来的图像序列延伸到相对于序列结束时刻(t0)而言未来的时间区段(t0+n)上，并且基于至少一个所确定的轨迹(14a‑14e)包括针对以下情况的对图像的预测：在未来的时间区段(t0+n)期间将遵循所确定的轨迹(14a‑14e)。如果通过遵循轨迹(14a‑14e)预测的运动对应于有效的运动状况，则将包含在所生成的图像序列中的所确定的轨迹(14a‑14e)的至少一个子区段评估为正面，或者如果通过遵循轨迹(14a‑14e)预测的运动对应于无效的运动状况，则将其评估为负面，并且将所生成的未来的图像序列与分配给该图像序列的轨迹(14a‑14e)评估相结合来产生用于KI模块(1)的训练数据集(2)。由此能够通过行驶模拟器来训练KI模块(1)，该行驶模拟器基于所记录的以及切合实际的图像序列(5)结合能够以相对较低的计算开销实现的预测。
-
公开(公告)号：CN110832505A
公开(公告)日：2020-02-21
申请号：CN201880044907.4
申请日：2018-06-11
Applicant: 罗伯特·博世有限公司
Abstract: 用于识别在输入图像(2)中的特征(21)或对象(22)的系统(1)，其包括至少一个构造为KI模块的预处理模块(3)，所述预处理模块构造用于借助参数化的内部的处理链(31)由所述输入图像(2)产生至少一个中间图像(4，4a，4b)，以及所述系统包括至少一个分析处理模块(5，a，5b)，所述分析处理模块构造用于识别(51，51a，51b)在所述中间图像(4)中的所期望的特征(21)或对象(22)。用于训练根据权利要求1至12中任一项所述的系统(1)的方法(100)，其具有以下的步骤：*将多个学习输入图像(9，2)输送(110)给所述系统(1)，*将由所述分析处理模块(5)对所述每个学习输入图像(9，2)所提供的结果(10，51)与用于所述结果(10，51)的学习值(11)比较(120)；将所述结果(10)与所述学习值(11)的偏差(12)反馈(130)到所述预处理模块(3)的输入端(32)中，和/或借助减小(150)所述偏差(12)的目标来调整(140)所述预处理模块(3)的内部的处理链(31)的参数。所属的计算机程序产品。
-
公开(公告)号：CN119692398A
公开(公告)日：2025-03-25
申请号：CN202411325377.4
申请日：2024-09-23
Applicant: 罗伯特·博世有限公司
IPC: G06N3/0464 , G06N3/082 , G06V10/764 , G06V10/82 , G06F18/241
Abstract: 一种高效计算卷积运算的计算机实现的方法包括以下步骤：接收输入数据的张量#imgabs0#和至少一个过滤器#imgabs1##imgabs2#以及初始化局部敏感哈希函数。然后对所述张量中的多个补丁重复以下步骤：将当前接受域切成一系列(cin)矩阵(k+b×k+b)。将局部敏感哈希应用于每个所述矩阵以确定每个矩阵的哈希表示。将具有基本相同哈希表示的矩阵合并为新矩阵。通过将合并的矩阵按顺序布置来创建简化张量(cin，reduced×k+b×k+b)。按照与合并所述矩阵相同的顺序合并过滤器系数以及将简化子张量与合并的过滤器进行卷积。
-
公开(公告)号：CN115860092A
公开(公告)日：2023-03-28
申请号：CN202211156508.1
申请日：2022-09-22
Applicant: 罗伯特·博世有限公司
IPC: G06N3/082 , G06N3/0464
Abstract: 本发明涉及用于处理与例如人工的例如深度的神经网络（例如卷积神经网络CNN）相关联的数据的方法，例如计算机实现的方法，具有：基于至少一个过滤器字典（例如Filter Dictionary）来表示所述神经网络的至少一个过滤器，并且可选地，使用所述至少一个过滤器处理输入数据和/或可从输入数据导出或从输入数据导出的数据。
-
Patent Agency Ranking
公开(公告)号：CN115605921A
公开(公告)日：2023-01-13
申请号：CN202180039864.2
申请日：2021-06-02
Applicant: 罗伯特·博世有限公司(DE)
Inventor： J·E·M·梅纳特
Abstract: 用于对图像数据（2）进行分类的设备（1），其包括：•可训练的预处理单元（11，11a‑11d），该可训练的预处理单元（11，11a‑11d）构造成，依据图像数据（2），从经过训练的关联中，检索（111）至少一个在要将图像数据（2）的粒化程度减小到何种程度方面的预先规定（3），并根据所述预先规定（3）减少（112）图像数据（2）的粒化程度；以及•可训练的分类器（12），所述可训练的分类器（12）构造成，将经过细节减少的图像数据（4）映射到至预先规定的分类的一个或者多个类别的分配关系（5）上。用于训练该设备（1）的方法（100），其中表征可训练的预处理单元（11，11a‑11d）的特性的参数（11*）被优化（130）到如下目标：该设备（1）将学习图像数据（2a）映射到学习分配关系（5a）上，并且同时预处理单元（11，11a‑11d）对学习图像数据（2a）所进行的粒化程度减少平均对应于预先规定（3a）。
-
公开(公告)号：CN112639812A
公开(公告)日：2021-04-09
申请号：CN201980057805.0
申请日：2019-09-03
Applicant: 罗伯特·博世有限公司
Inventor： J·E·M·梅纳特
Abstract: 本发明涉及用于传感器数据中的改善的对象标记的方法和系统(100)，由此能够至少部分自动化地对所记录的数据集中的对象或对象类别进行注释。用于传感器数据中的对象标记的方法设置，通过至少一个传感器(140，150)检测第一状态中的场景(170)。然后，在包含所述第一状态中的场景的第一数据集(190)中，将第一对象标记(195)分配给包含在所述场景中的至少一个对象(180)。然后，通过所述至少一个传感器(140，150)检测不同于所述第一状态的第二状态中的、类似的或至少基本一致的场景(170‘)，对于在所述场景(170‘)的第二状态中所识别出的对象(180)，至少部分地采纳包含在所述第一数据集(190)中的所述第一对象标记(195)作为第二数据集(190‘)中的第二对象标记(195‘)。
-
公开(公告)号：CN109633684B
公开(公告)日：2024-07-19
申请号：CN201811167463.1
申请日：2018-10-08
Applicant: 罗伯特·博世有限公司
Inventor： J·E·M·梅纳特
IPC: G01S17/931
Abstract: 本发明涉及一种用于对对象进行分类的方法，包括以下步骤：接收对象的至少一个基于由发送装置发送的第一发送电磁信号和由接收装置接收的第一接收电磁信号的距离信息；接收对象的至少一个基于由发送装置发送的第二发送电磁信号和由接收装置接收的第二接收电磁信号的振动信息，所述振动信息代表对象的至少一个部分区域的固体振动；基于接收的信息对对象进行分类。本发明还涉及相应的用于对对象进行分类的装置、机器学习系统以及机器可读存储介质。
-
公开(公告)号：CN116670691A
公开(公告)日：2023-08-29
申请号：CN202180083293.2
申请日：2021-12-09
Applicant: 罗伯特·博世有限公司
Inventor： J·E·M·梅纳特
Abstract: 一种用于优化人工神经网络的网络架构的方法(100)，所述方法具有步骤：根据目标硬件确定(101)所述人工神经网络的所述网络架构的资源需求；对所述网络架构进行修剪(102)以得到经修剪的网络架构，其中所述经修剪的网络架构的资源需求小于所述网络架构的资源需求；将连接添加(103)到所述经修剪的网络架构以获得经扩展的网络架构。
-
公开(公告)号：CN115668227A
公开(公告)日：2023-01-31
申请号：CN202180039912.8
申请日：2021-06-02
Applicant: 罗伯特·博世有限公司
Inventor： J·E·M·梅纳特
IPC: G06N3/08
Abstract: 一种用于借助于学习数据集（2）来训练人工神经网络KNN（1）的方法（100），所述KNN将一个或多个输入参量（11）转化成一个或多个输出参量（13），所述学习数据集包括具有测量数据的学习输入参量值（11a）和相关的学习输出参量值（13a），所述方法具有如下步骤：来自至少一个学习数据集（2）的学习输入参量值（11a）由所述KNN（1）映射（110）到输出参量值（13）；所述输出参量值（13）与相应的学习输出参量值（13a）的偏差根据成本函数（14）被处理（120）成所述KNN（1）在处理所述学习输入参量值（11a）时的误差（14a）的量度；从所述误差（14a），通过反向传播来确定（130）对所述参数（12）的如下更改，在通过所述KNN（1）来进一步处理学习输入参量值（11a）时，对所述更改的执行预计会改善通过所述成本函数（14）对在此所获得的输出参量值（13）的评估，而且将所述更改应用（140）于所述KNN（1）；其中所述输出参量值（13）的一部分（13*）至少在反向传播（130）中被排除（131）。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.018 seconds)
