神经网络模型及其学习方法技术

提供一种可以以高精度处理输入数据的神经网络模型。本发明专利技术包括第一及第二神经网络，第一神经网络包括第一层、第二层及第三层。将第一层所输出的特征图输入到第二层及第二神经网络，将第二神经网络所输出的特征图输入到第三层。在此，以在将第一数据输入到第一神经网络时第一层所输出的特征图为正确的特征图，以在将噪声附加到第一数据而得的第二数据输入到第一神经网络时第一层所输出的特征图为学习特征图，此时第二神经网络进行了学习以使输入学习特征图时输出的特征图与正确的特征图一致。图一致。图一致。

【技术实现步骤摘要】
【国外来华专利技术】神经网络模型及其学习方法


[0001]本专利技术的一个方式涉及一种神经网络模型。另外，本专利技术的一个方式涉及一种神经网络模型的学习方法。

技术介绍

[0002]利用AI(Artificial Intelligence，人工智能)进行图像处理的技术受到瞩目。例如，专利文献1公开了一种技术，即利用神经网络检测出包括在图像中的物体的种类、该物体的区域的分割技术。另外，还开发出利用AI将黑白图像变成彩色、进行深度推测等的技术。
[0003]另外，开发出包括跳跃连接的层的神经网络。在此，跳跃连接是指一种结构，其中将神经网络中的层所输出的特征图不仅输入到下一层而且输入到更靠近输出层的其他层。非专利文献1公开了一种U
‑
Net作为具有跳跃连接的神经网络。在U
‑
Net中，由于跳跃连接，例如容易将输入到神经网络的图像数据所包括的信息反映到输出层附近的层所输出的特征图。由此，可以以高精度进行图像处理。例如，在U
‑
Net中，容易将输入到神经网络的图像数据所包括物体的位置、轮廓等信息反映到输出层附近的本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种神经网络模型，包括：第一神经网络；以及第二神经网络，其中，所述第一神经网络包括第一层、第二层及第三层，将所述第一层所输出的特征图输入到所述第二层及所述第二神经网络，将所述第二神经网络所输出的特征图输入到所述第三层，并且，以在将第一数据输入到所述第一神经网络时所述第一层所输出的特征图为正确的特征图，以在将噪声附加到所述第一数据而得的第二数据输入到所述第一神经网络时所述第一层所输出的特征图为学习特征图，通过第一学习所述第二神经网络进行了学习以使在将所述学习特征图输入到所述第二神经网络时所述第二神经网络所输出的特征图与所述正确的特征图一致。2.根据权利要求1所述的神经网络模型，其中所述第二神经网络的权重系数通过将用于取得初始值的数据输入到所述第一神经网络来取得所述第一神经网络的权重系数的初始值，然后通过所述第一学习来取得。3.根据权利要求2所述的神经网络模型，其中所述第一神经网络的权重系数通过在取得所述第二神经网络的权重系数将所述第二数据输入到所述第一神经网络来进行的第二学习取得。4.根据权利要求1至3中任一项所述的神经网络模型，其中所述第一神经网络包括第四层、第五层及第六层，将所述第四层所输出的特征图输入到所述第五层及与所述第四层跳跃连接的所述第六层，所述第四层比所述第一层靠近所述第一神经网络的输出层，并且所述第三层比所述第六层靠近所述第一神经网络的输出层。5.一种神经网络模型，包括：第一神经网络；以及第二神经网络，其中，所述第一神经网络包括第一层、第二层、第三层及第四层，按所述第四层、所述第三层、所述第二层、所述第一层的顺序靠近所述第一神经网络的输出层，将所述第一层所输出的特征图输入到所述第二层及所述第二神经网络，将所述第三层所输出的特征图及所述第二神经网络所输出的特征图输入到所述第四层，并且，以在将第一数据输入到所述第一神经网络时所述第一层所输出的特征图为正确的特征图，以在将噪声附加到所述第一数据而得的第二数据输入到所述第一神经网络时所述第一层所输出的特征图为学习特征图，通过第一学习所述第二神经网络进行了学习以使在将所述学习特征图输入到所述第二神经网络时所述第二神经网络所输出的特征图与所述正确的特征图一致。6.根据权利要求5所述的神经网络模型，其中所述第二神经网络的权重系...

【专利技术属性】
技术研发人员：幸村雄介，井上弘毅，永嶋文哉，
申请(专利权)人：株式会社半导体能源研究所，
类型：发明
国别省市：