深度学习系统技术方案

提供了一种机器学习系统来增强机器学习模型的各个方面。在一些方面，访问对象的基本照片般真实三维(3D)图形模型，并生成3D图形模式的训练图像集，生成该训练图像集以用于添加缺陷和降低训练图像的照片般真实质量。提供训练图像集作为训练数据以训练人工神经网络。练图像集作为训练数据以训练人工神经网络。练图像集作为训练数据以训练人工神经网络。

【技术实现步骤摘要】
【国外来华专利技术】深度学习系统
相关申请
[0001]本申请要求2018年5月23日提交的美国临时专利申请No.62/675,601号的权益并且该申请通过引用整体结合于此。


[0002]本公开大体涉及计算机系统领域，并且更具体地涉及机器学习系统。

技术介绍

[0003]计算机视觉和图形的世界正随着增强现实(AR)、虚拟现实(VR)和混合现实(MR)产品的出现而快速收敛，所述产品诸如来自MagicLeap
TM
、Microsoft
TM
、HoloLens
TM
、Oculus
TM Rift
TM
的那些产品，以及诸如来自Valve
TM
和HTC
TM
的那些系统之类的其他VR系统。此类系统中的现任方法是使用并行运行的分开的图形处理单元(GPU)和计算机视觉子系统。这些并行系统可以与计算机视觉流水线并行地从现有的GPU组装，所述计算机视觉流水线实现在运行在处理器和/或可编程硬件加速器的阵列上的软件中。
附图说明<br/>[0004]本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，包括：从存储器访问对象的合成三维(3D)图形模型，其中所述3D图形模型具有照片般真实的分辨率；从所述3D图形模型的视图生成多个不同的训练样本，其中生成多个训练样本以向所述多个训练样本添加缺陷以模拟由真实世界的传感器设备生成的真实世界样本的特性；以及生成包括所述多个训练样本的训练集，其中训练数据是为了训练人工神经网络。2.如权利要求1所述的方法，其特征在于，所述等多个训练样本包括数字图像，并且所述传感器设备包括相机传感器。3.如权利要求1-2中任一项所述的方法，其特征在于，所述多个训练样本包括所述对象的点云表示。4.如权利要求3所述的方法，其特征在于，所述传感器包括LIDAR传感器。5.如权利要求1-4中任一项所述的方法，进一步包括：访问数据以指示所述传感器设备的参数；以及基于所述参数确定要添加到所述多个训练样本中的缺陷。6.如权利要求5所述的方法，其特征在于，所述数据包括所述传感器设备的模型。7.如权利要求1-6中任一项所述的方法，进一步包括：访问数据以指示由所述3D图形模型建模的所述对象的一个或多个表面的特性；以及基于所述特性确定要添加到所述多个训练样本中的缺陷。8.如权利要求7所述的方法，其特征在于，所述3D图形模型包括所述数据。9.如权利要求1-8中任一项所述的方法，其特征在于，所述缺陷包括噪声或炫光中的一个或多个。10.如权利要求1-9中任一项所述的方法，其特征在于，生成所述多个不同的训练样本包括：将不同的照明设置应用于所述3D图形模型，以模拟环境内的照明；确定在应用所述不同的照明设置中的特定一个期间生成的所述多个训练样本的子集的所述缺陷，其中所述多个训练样本的所述子集的所述缺陷基于特定的照明设置。11.如权利要求1-10中任一项所述的方法，其特征在于，生成所述多个不同的训练样本包括：将所述3D图形模型放置在不同的图形环境中，其中所述图形环境对各自的真实世界环境进行建模；当所述3D图形模型被放置在所述不同的图形环境中时，生成所述多个训练样本的子集。12.一种系统，包括用于执行如权利要求1-11中任一项所述的方法的装置。13.如权利要求12所述的系统，其特征在于，所述系统包括一种装置，所述装置包括用于执行权利要求1-11中任一项所述的方法的至少一部分的硬件电路。14.一种存储指令的计算机可读存储介质，所述指令能由处理器执行以执行如权利要求1-11中任一项所述的方法。15.一种方法，包括：在暹罗神经网络处接收主体输入和参考输入，其中所述暹罗神经网络包括第一网络部
分和第二网络部分，所述第一网络部分包括第一多个层并且所述第二网络部分包括第二多个层，所述第一网络部分的权重与所述第二网络部分的权重相同，所述主体输入被提供作为对所述第一网络部分的输入，所述参考输入被提供作为对所述第二网络部分的输入；以及基于所述主体输入和所述参考输入生成所述暹罗神经网络的输出，其中所述暹罗神经网络的所述输出用于指示所述参考输入和所述主体输入之间的相似性。16.如权利要求15所述的方法，其特征在于，生成所述输出包括：确定所述参考输入和所述主体输入之间的差异量；以及确定所述差异量是否满足阈值，其中所述输出标识所述差异量是否满足所述阈值。17.如权利要求16所述的方法，其特征在于，确定所述参考输入和所述主体输入之间的所述差异量包括：接收由所述第一网络部分输出的第一特征向量和由所述第二网络部分输出的第二特征向量；以及基于所述第一特征向量和所述第二特征向量确定差异向量。18.如权利要求15-17中任一项所述的方法，其特征在于，生成所述输出包括一次性分类。19.如权利要求15-18中任一项所述的方法，进一步包括使用一个或多个合成训练样本训练所述暹罗神经网络。20.如权利要求19所述的方法，其特征在于，所述一个或多个合成训练样本是根据权利要求1-11中任一项所述的方法生成的。21.如权利要求15-20中任一项所述的方法，其特征在于，所述参考输入包括合成生成的样本。22.如权利要求21所述的方法，其特征在于，所述合成生成的样本是根据权利要求1-11中任一项所述的方法生成的。23.如权利要求15-22中任一项所述的方法，其特征在于，所述主体输入包括第一数字图像，并且所述参考输入包括第二数字图像。24.如权利要求15-22中任一项所述的方法，其特征在于，所述主体输入包括第一点云表示，并且所述参考输入包括第二点云表示。25.一种系统，包括用于执行如权利要求15-24中任一项所述的方法的装置。26.如权利要求25所述的系统，其特征在于，所述系统包括一种装置，所述装置包括用于执行权利要求15-24中任一项所述的方法的至少一部分的硬件电路。27.如权利要求25所述的系统，其特征在于，所述系统包括机器人、无人机或自主交通工具中的一个。28.一种存储指令的计算机可读存储介质，所述指令能由处理器执行以执行如权利要求15-24中任一项所述的方法。29.一种方法，包括：向暹罗神经网络提供第一输入数据，其中所述第一输入数据包括来自第一姿势的3D空间的第一表示；向所述暹罗神经网络提供第二输入数据，其中所述第二输入数据包括来自第二姿势的
3D空间的第二表示，所述暹罗神经网络包括第一网络部分和第二网络部分，所述第一网络部分包括第一多个层并且所述第二网络部分包括第二多个层，所述第一网络部分的权重与所述第二网络部分的权重相同，所述第一输入数据被提供作为对所述第一网络部分的输入，所述第二输入数据被提供作为对所述第二网络部分的输入；以及生成所述暹罗神经网络的输出，其中所述输出包括所述第一姿势和所述第二姿势之间的相对姿势。30.如权利要求29所述的方法，其特征在于，所述3D空间的所述第一表示包括第一3D点云，并且所述3D空间的所述第二表示包括第二3D点云。31.如权利要求29-30中任一项所述的方法，其特征在于，所述3D空间的所述第一表示包括第一3D点云，并且所述3D空间的所述第二表示包括第二3D点云。32.如权利要求31所述的方法，其特征在于，所述第一点云和所述第二点云各自包括相应的体素化点云表示。33.如权利要求29-32中任一项所述的方法，进一步包括：基于所述相对姿势，从至少所述第一输入数据和所述第二输入数据生成所述3D空间的3D地图构建。34.如权利要求29-32中任一项所述的方法，进一步包括：基于所述相对姿势确定所述第一姿势的观察者在所述3D空间内的位置。35.如权利要求34所述的方法，其特征在于，所述观察者包括自主机器。36.如权利要求35所述的方法，其特征在于，所述自主机器包括机器人、无人机或自主交通工具中的一个。37.一种系统，包括用于执行如权利要求29-36中任一项所述的方法的装置。38.如权利要求37所述的系统，其特征在于，所述系统包括一种装置，所述装置包括用于执行权利要求29-36中任一项所述的方法的至少一部分的硬件电路。39.一种存储指令的计算机可读存储介质，所述指令能由处理器执行以执行如权利要求29-36中任一项...

【专利技术属性】
技术研发人员：D，
申请(专利权)人：莫维迪厄斯有限公司，
类型：发明
国别省市：