利用机器学习从图像确定对象取向制造技术

用于确定图像中对象的取向的装置、系统和技术。在至少一个实施例中，使用被训练以确定对象的取向的神经网络来处理图像。对象的取向的神经网络来处理图像。对象的取向的神经网络来处理图像。

【技术实现步骤摘要】
【国外来华专利技术】利用机器学习从图像确定对象取向
[0001]相关申请的交叉引用
[0002]本申请要求2019年10月29日提交的名称为“利用机器学习从图像确定对象取向(DETERMINING OBJECT ORIENTATION FROM AN IMAGE WITH MACHINE LEARNING)”的美国专利申请第16/667,708号的优先权，其全部内容通过引用整体并入本文并用于所有目的。


[0003]至少一个实施例涉及用于从图像确定对象的取向的处理资源。例如，至少一个实施例涉及用于训练估计对象的取向的神经网络的处理器或计算系统。

技术介绍

[0004]至少一个实施例涉及用于从图像确定对象的取向的处理资源。例如，至少一个实施例涉及用于训练估计对象的取向的神经网络的处理器或计算系统。
附图说明
[0005]图1示出了根据至少一个实施例的训练神经网络以使用图像鉴别器估计对象的姿态的系统的示例；
[0006]图2示出了根据至少一个实施例的具有不同对称度的各种对象的示例；
[0007]图3示出了根据至少一个实施例的训练鉴别器的过程的示例；
[0008]图4示出了根据至少一个实施例的训练生成性网络的过程的示例；
[0009]图5示出了根据至少一个实施例的、姿态为20度角的对象的图像的鉴别器输出与姿态的示例；
[0010]图6示出了根据至少一个实施例的、姿态为70度角的对象的图像的鉴别器输出与姿态的示例；
[0011]图7示出了根据至少一个实施例的由生成器产生的图像的示例；
[0012]图8示出了根据至少一个实施例的为图7中所示的对象产生的生成器和鉴别器输出的示例；
[0013]图9示出了根据至少一个实施例的由生成器产生的图像的示例；
[0014]图10示出了根据至少一个实施例的为图9中所示的对象产生的生成器和鉴别器输出的示例；
[0015]图11示出了根据至少一个实施例的由生成器产生的图像的示例；
[0016]图12示出了根据至少一个实施例的为图11中所示的对象产生的生成器和鉴别器输出的示例；
[0017]图13示出了根据至少一个实施例的由生成器产生的图像的示例；
[0018]图14示出了根据至少一个实施例为图13中所示的对象产生的生成器和鉴别器输出的示例；
[0019]图15示出了根据至少一个实施例的不同模型如何对具有三轴对称性的对象的旋
转作出反应的示例；
[0020]图16示出了根据至少一个实施例的不同模型如何对半对称对象的旋转作出反应的示例；
[0021]图17示出了根据至少一个实施例的不同模型如何对一组半对称对象的旋转作出反应的示例；
[0022]图18示出了根据至少一个实施例的不同模型如何对具有两轴对称性的对象的旋转作出反应的示例；
[0023]图19示出了根据至少一个实施例的图像对上的鉴别器输出的可视化示例；
[0024]图20
‑
28示出了根据至少一个实施例的T
‑
LESS数据集上的视点预测器的定性结果的示例；
[0025]图29A示出了根据至少一个实施例的推理和/或训练逻辑；
[0026]图29B示出了根据至少一个实施例的推理和/或训练逻辑；
[0027]图30示出了根据至少一个实施例的神经网络的训练和部署；
[0028]图31示出了根据至少一个实施例的示例数据中心系统；
[0029]图32A示出了根据至少一个实施例的自主车辆的示例；
[0030]图32B示出了根据至少一个实施例的图32A的自主车辆的相机位置和视野的示例；
[0031]图32C是根据至少一个实施例的示出图32A的自主车辆的示例系统架构的框图；
[0032]图32D是根据至少一个实施例的示出用于一个或更多个基于云的服务器与图32A的自主车辆之间进行通信的系统的图；
[0033]图33是根据至少一个实施例的示出计算机系统的框图；
[0034]图34是根据至少一个实施例的示出计算机系统的框图；
[0035]图35示出了根据至少一个实施例的计算机系统；
[0036]图36示出了根据至少一个实施例的计算机系统；
[0037]图37A示出了根据至少一个实施例的计算机系统；
[0038]图37B示出了根据至少一个实施例的计算机系统；
[0039]图37C示出了根据至少一个实施例的计算机系统；
[0040]图37D示出了根据至少一个实施例的计算机系统；
[0041]图37E和图37F示出了根据至少一个实施例的共享编程模型；
[0042]图38示出了根据至少一个实施例的示例性集成电路和相关的图形处理器。
[0043]图39A和图39B示出了根据至少一个实施例的示例性集成电路和相关联的图形处理器。
[0044]图40A和图40B示出了根据至少一个实施例的附加的示例性图形处理器逻辑；
[0045]图41示出了根据至少一个实施例的计算机系统；
[0046]图42A示出了根据至少一个实施例的并行处理器；
[0047]图42B示出了根据至少一个实施例的分区单元；
[0048]图42C示出了根据至少一个实施例的处理集群；
[0049]图42D示出了根据至少一个实施例的图形多处理器；
[0050]图43示出了根据至少一个实施例的多图形处理单元(GPU)系统；
[0051]图44示出了根据至少一个实施例的图形处理器；
[0052]图45是根据至少一个实施例的示出用于处理器的处理器微架构的框图；
[0053]图46示出了根据至少一个实施例的深度学习应用程序处理器；
[0054]图47是根据至少一个实施例的示出了示例神经形态处理器的框图；
[0055]图48示出了根据一个或更多个实施例的图形处理器的至少部分；
[0056]图49示出了根据一个或更多个实施例的图形处理器的至少部分；
[0057]图50示出了根据一个或更多个实施例的图形处理器的至少部分；
[0058]图51是根据至少一个实施例的示出了图形处理器的图形处理引擎5110的框图；
[0059]图52是根据至少一个实施例的示出了图形处理器核心的至少部分的框图；
[0060]图53A和图53B示出了根据至少一个实施例的线程执行逻辑5300，其包括图形处理器核心的处理元件的阵列。
[0061]图54示出了根据至少一个实施例的并行处理单元(“PPU”)；
[0062]图55示出了根据至少一个实施例的通用处理集群(“GPC”)；
[0063]图56示出了根据至少一个实施例的并行处理单元(“PPU”)的存储器分区单元；以及
[0064]图57示出了根据至少一个实施例的流式多处理器。
具体实施方式
[0065]至少一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种处理器，包括一个或更多个电路，用于响应于接收到一个或更多个图像，至少部分地基于被训练以最小化两个或更多个图像内的第一对象的取向的差异的一个或更多个神经网络来确定所述一个或更多个图像中的一个或更多个对象的取向。2.如权利要求1所述的处理器，其中：所述两个或更多个图像包括所述一个或更多个图像；所述两个或更多个图像包括从处于由所述一个或更多个神经网络确定的取向的所述一个或更多个对象的数学模型生成的所述一个或更多个对象的图像；以及所述一个或更多个神经网络使用奖励来训练，所述奖励至少部分地基于附加神经网络产生的值，所述附加神经网络产生所述两个或更多个图像之间的差异的测量结果。3.如权利要求2所述的处理器，其中从所述数学模型生成的所述一个或更多个对象的图像由不可微渲染器生成。4.如权利要求1所述的处理器，其中所述一个或更多个对象包括无纹理对称对象。5.如权利要求2所述的处理器，其中通过向产生所述两个或更多个图像之间的差异的测量结果的所述附加神经网络提供图像和所述图像的扰动版本来训练所述附加神经网络。6.如权利要求2所述的处理器，其中所述一个或更多个神经网络被调整为最大程度地混淆所述附加神经网络。7.如权利要求2所述的处理器，其中从所述数学模型产生的所述一个或更多个对象的图像是根据一个或更多个数据增强生成的。8.如权利要求7所述的处理器，其中所述一个或更多个数据增强包括所述图像中的所述一个或更多个对象的光位置、照明强度或镜面反射。9.一种处理器，包括一个或更多个电路，用于帮助至少部分地基于具有第二取向的对象的第一图像来生成具有第一取向的所述对象的第二图像，并调整所述第一取向，直到它明显等同于所述第二取向。10.如权利要求9所述的处理器，其中：所述第一取向由第一神经网络使用所述第一图像来确定；至少部分地基于所述第一图像和第二图像之间的差异来调整所述第一取向；以及所述第二图像是使用处于所述第一取向的所述对象的数学模型生成的。11.如权利要求10所述的处理器，其中所述第二图像是使用不可微渲染器生成的。12.如权利要求10所述的处理器，其中所述第一图像和所述第二图像之间的差异是使用第二神经网络确定的。13.如权利要求12所述的处理器，其中通过向所述第二神经网络提供第三图像和...

【专利技术属性】
技术研发人员：J，
申请(专利权)人：辉达公司，
类型：发明
国别省市：