【技术实现步骤摘要】
【国外来华专利技术】使用一个神经网络来训练另一个神经网络本PCT申请要求享有于2016年5月31日提交的序列号为15,168,750的美国专利申请、以及于2016年5月31日提交的序列号为15,169,063的美国专利申请的申请日权益,通过引用的方式将上述每个申请的完整内容并入本文。
概括地说,本公开内容涉及用于解决机器学习中的技术挑战的计算机技术。更具体地说,本公开内容涉及使用一个神经网络来训练另一个神经网络。
技术介绍
互联网的兴起已使得数字图像的使用增加,在所述数字图像中传达了人们的各个方面。数码照片的一个常见用途是在社交网络上创建简档。社交网络越来越普遍地被用于从事专业而不是个人的通信和研究。例如,某些社交网络成员通常以与简历类似的方式创建列出他们的专业成就的简档,以及指导、邀请或至少使潜在雇主可以访问社交网络简档。成员将他们自己的一些照片放在这样的成员简档上正变得越来越普遍。以这样的专业能力使用照片时出现的问题是:成员可能容易在其成员简档页面上使用不具有最高质量的照片,或者因为拍摄该照片所涉及的摄影技术不是具有最高质量的(例如,光线不好、主体构图不佳、阴影不佳等),或者因为主题本身在某些方面的缺乏(例如,头部的角度不寻常、所穿的衣服太随意、背景场景太随意等等)。这些问题通常是由于以下事实而导致的:现今许多数码照片是非专业人员(例如,拍摄自拍照的成员,或者快速拍摄的朋友)使用非专业相机设备(例如,智能手机)拍摄的。虽然可以对照片的某些技术细节进行量化以识别“图像质量”,但是难以将图像质量扩展到图像的“专业度”的更模糊的概念。例如,照片可能确实是完美拍摄的,具有完美的光 ...
【技术保护点】
1.一种训练和使用深度卷积神经网络(DCNN)的计算机化的方法,所述方法包括:通过向第一DCNN输入多个样本文档来训练所述第一DCNN以输出第一度量的值,所述样本文档中的每个样本文档已经利用所述第一度量的值进行了标注;将第一输入文档的多个可能变换馈送到所述第一DCNN,获得所述多个可能变换中的每个可能变换的所述第一度量的值;基于所述多个可能变换中的每个可能变换的所述第一度量的所述值,从所述多个可能变换中选择第一变换;通过将所选择的第一变换和所述第一度量的相应值输入到第二DCNN来训练所述第二DCNN以输出文档的变换;以及将第二输入文档馈送到所述第二DCNN,获得所述第二输入文档的第二变换。
【技术特征摘要】
【国外来华专利技术】2016.05.31 US 15/168,750;2016.05.31 US 15/169,0631.一种训练和使用深度卷积神经网络(DCNN)的计算机化的方法,所述方法包括:通过向第一DCNN输入多个样本文档来训练所述第一DCNN以输出第一度量的值,所述样本文档中的每个样本文档已经利用所述第一度量的值进行了标注;将第一输入文档的多个可能变换馈送到所述第一DCNN,获得所述多个可能变换中的每个可能变换的所述第一度量的值;基于所述多个可能变换中的每个可能变换的所述第一度量的所述值,从所述多个可能变换中选择第一变换;通过将所选择的第一变换和所述第一度量的相应值输入到第二DCNN来训练所述第二DCNN以输出文档的变换;以及将第二输入文档馈送到所述第二DCNN,获得所述第二输入文档的第二变换。2.根据权利要求1所述的方法,其中,所述样本文档以及所述第一输入文档和所述第二输入文档是图像。3.根据权利要求1所述的方法,其中,向所述第一DCNN输入所述多个样本文档包括:针对每个样本文档:将所述样本文档传递给所述第一DCNN的卷积层,所述卷积层包括具有动态可调整权重的一个或多个过滤器,所述一个或多个过滤器被配置为对所述图像进行过滤以产生相应样本文档的输出容积,所述输出容积包括用于所述一个或多个过滤器中的每个过滤器的不同特征映射;将来自所述卷积层的所述输出容积传递通过非线性层,所述非线性层将非线性函数应用于来自所述卷积层的所述输出容积;将来自所述非线性层的所述输出容积传递通过池化层,所述池化层降低来自所述非线性层的所述输出容积的空间纬度;将来自所述池化层的所述输出容积传递通过分类层,所述分类层包括具有过滤器的专用卷积层,所述过滤器被设计为基于来自所述池化层的所述输出容积来输出所述样本文档的专业度得分;以及将所述图像传递通过损失层,所述损失层向所述样本文档应用损失函数,从而得到对与来自所述样本文档的所述标注的所述专业度得分相比较的、来自所述分类层的所述样本文档的所述专业度得分的误差水平的指示;确定所述多个样本文档的所述误差水平的组合是否超过预设门限;以及响应于确定所述误差水平的所述组合超过预设门限,更新所述第一DCNN的所述卷积层中的所述一个或多个过滤器的权重以减小所述误差水平的所述组合,并且使用不同的多个样本文档和经更新的权重来重复对所述第一DCNN的所述训练。4.根据权利要求3所述的方法,其中,将所述第一输入文档的多个可能变换馈送到所述第一DCNN包括:针对所述多个可能变换中的每个可能变换:将所述变换传递给所述卷积层,生成输出;将来自所述卷积层的所述输出传递给所述非线性层,生成输出;将来自所述非线性层的所述输出传递给所述池化层,生成输出;以及将来自所述非线性层的输出传递给所述分类层,生成所述变换的专业度得分。5.根据权利要求1所述的方法,其中,所述多个可能变换是对图像的不同裁剪。6.根据权利要求1所述的方法,还包括:将第一输入文档的第二多个可能变换馈送到所述第一DCNN,获得所述第二多个可能变换中的每个可能变换的所述第一度量的值,所述第二多个可能变换具有与所述多个可能变换不同的变换类型;基于所述第二多个可能变换中的每个可能变换的所述第一度量的所述值,从所述第二多个可能变换中选择第三变换;通过将所选择的第三变换输入到所述第二DCNN来训练第三DCNN以输出文档的另一个变换;以及将所述第二输入文档馈送到所述第三DCNN,获得所述第二输入文档的第四变换。7.根据权利要求1所述的方法,其中,所述第二DCNN包括多个阶段,每个阶段包括不同的卷积层、非线性层和池化层。8.一种系统,包括:一种计算机可读介质,其上存储有指令,所述指令当由处理器执行时,使所述系统:通过向第一DCNN输入多个样本文档来训练所述第一DCNN以输出第一度量的值,所述样本文档中的每个样本文档已经利用所述第一度量的值进行了标注;将第一输入文档的多个可能变换馈送到所述第一DCNN,获得所述多个可能变换中的每个可能变换的所述第一度量的值;基于所述多个可能变换中的每个可能变换的所述第一度量的所述值,从所述多个可能变换中选择第一变换;通过将所选择的第一变换和所述第一度量的相应值输入到第二DCNN来训练所述第二DCNN以输出文档的变换;以及将第二输入文档馈送到所述第二DCNN,获得所述第二输入文档的第二变换。9.根据权利要求8所述的系统,其中,所述样本文档以及所述第一输入文档和所述第二输入文档是图像。10.根据权利要求8所述的系统,其中,向所述第一DCNN输入所述多个样本文档包括:针对每个样本文档:将所述样本文档传递给所述第一DCNN的卷积层,所述卷积层包括具有动态可调整权重的一个或多个过滤器,所述一个或多个过滤器被配置为对所述图像进行过滤以产生相应样本文档的输出容积,所述输出容积包括用于所述一个或多个过滤器中的每个过滤器的不同特征映射;将来自所述卷积层的所述输出容积传递通过非线性层,所述非线性层将非线性函数应用于来自所述卷积层的所述输出容积;将来自所述非线性层的所述输出容积传递通过池化层,所述池化层降低来自所述非线性层的所述输出容积的空间纬度;将来自所述池化层的所述输出容积传递通过分类层,所述分类层包括具有过滤器的专用卷积层,所述过滤器被设计为基于来自所述池化层的所述输出容积来输出所述样本文档的专业度得分;以及将所述图像传递通过损失层,所述损失层向所述样本文档应用损失函数,从而得到对与来自所述样本文档的所述标注的所述专业度得分相比较的、来自所述分类层的所述样本文档的所述专业度得分的误差水平的指示;确定所述多个样本文档的所述误差水平的组合是否超过预设门限;以及响应于确定所述误差水平的所述组合超过预设门限,更新所述第一DCNN的所述卷积层中的所述一个或多个过滤器的权重以减小所述误差水平的所述组合,并且使用不同的多个样本文档和经更新的权重来重复对所述第一DCNN的所述训练。11.根据权利要求10所述的系统,其中,将所述第一输入文档的多个可能变换馈送到所述第一DCNN包括:针对所述多个可能变换中的每个可能变换:将所述变换传递给所述卷积层,生成输出;将来自所述卷积层的所述输出传递给所述非线性层,生成输出;将来自所述非线性层的所述输出传递给所述池化层,生成输出;以及将来自所述非线性层的输出传递给所述分类层,生成所述变换的专业度得分。12.根据权利要求8所述的系统,其中,所述多个可能变换是对图像的不同裁剪。13.根据权利要求8所述的系统,其中,所述指令还使所述系统:将第一输入文档的第二多个可能变换馈送到所述第一DCNN,获得所述第二多个可能变换中的每个可能变换的所述第一度量的值,所述第二多个可能变换具有与所述多个可能变换不同的变换类型;基于所述第二多个可能变换中的每个可能变换的所述第一度量的所述值,从所述第二多个可能变换中选择第三变换;通过将所选择的第三变换输入到所述第二DCNN来训练第三DCNN以输出文档的另一个变换;以及将所述第二输入文档馈送到所述第三DCNN,获得所述第二输入文档的第四变换。14.根据权利要求8所述的系统,其中,所述第二DCNN包括多个阶段,每个阶段包括不同的卷积层、非线性层和池化层。15.一种包括指令的非暂时性机器可读存储介质,所述指令当由一个或多个机器执行时,使所述一个或多个机器执行包括以下各项的操作:通过向第一DCNN输入多个样本文档来训练所述第一DCNN以输出第一度量的值,所述样本文档中的每个样本文档已经利用所述第一度量的值进行了标注;将第一输入文档的多个可能变换馈送到所述第一DCNN,获得所述多个可能变换中的每个可能变换的所述第一度量的值;基于所述多个可能变换中的每个可能变换的所述第一度量的所述值,从所述多个可能变换中选择第一变换;通过将所选择的第一变换和所述第一度量的相应值输入到第二DCNN来训练所述第二DCNN以输出文档的变换;以及将第二输入文档馈送到所述第二DCNN,获得所述第二输入文档的第二变换。16.根据权利要求15所述的非暂时性机器可读存储介质,其中,所述样本文档以及所述第一输入文档和所述第二输入文档是图像。17.根据权利要求15所述的非暂时性机器可读存储介质,其中,向所述第一DCNN输入所述多个样本文档包括:针对每个样本文档:将所述样本文档传递给所述第一DCNN的卷积层,所述卷积层包括具有动态可调整权重的一个或多个过滤器,所述一个或多个过滤器被配置为对所述图像进行过滤以产生相应样本文档的输出容积,所述输出容积包括用于所述一个或多个过滤器中的每个过滤器的不同特征映射;将来自所述卷积层的所述输出容积传递通过非线性层,所述非线性层将非线性函数应用于来自所述卷积层的所述输出容积;将来自所述非线性层的所述输出容积传递通过池化层,所述池化层降低来自所述非线性层的所述输出容积的空间纬度;将来自所述池化层的所述输出容积传递通过分类层,所述分类层包括具有过滤器的专用卷积层,所述过滤器被设计为基于来自所述池化层的所述输出容积来输出所述样本文档的专业度得分;以及将所述图像传递通过损失层,所述损失层向所述样本文档应用损失函数,从而...
【专利技术属性】
技术研发人员:U·梅尔哈夫,D·沙查姆,
申请(专利权)人:微软技术许可有限责任公司,
类型:发明
国别省市:美国,US
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。