【技术实现步骤摘要】
【国外来华专利技术】生成或者处理图像序列的循环单元
[0001]本说明书涉及一种用于神经网络的循环单元。
技术介绍
[0002]神经网络是采用一个或多个非线性单元层来针对接收到的输入预测输出的机器学习模型。除了输出层之外,一些神经网络还包括一个或多个隐藏层。每个隐藏层的输出被用作网络中的下一层,即下一隐藏层或输出层,的输入。网络的每个层依照相应参数集的当前值从接收到的输入生成输出。
[0003]一些神经网络是循环神经网络。循环神经网络是接收输入序列并且从该输入序列生成输出序列的神经网络。特别地,循环神经网络能够在计算当前时间步的输出时使用来自前一时间步的网络的状态中的一些或全部。循环神经网络的示例是包括一个或多个长短期(LSTM)记忆块的LSTM神经网络。每个LSTM记忆块能够包括一个或多个单元,每个单元包括输入门、遗忘门和输出门,这些门允许单元存储该单元的先前状态,例如,用于在生成当前激活时使用或者被提供给LSTM神经网络的其他组件。
技术实现思路
[0004]本说明书通常描述一种实现为在一个或多个位置中的一个或多个计算机上的计算机程序的系统,该系统实现用于自适应系统的循环单元。该循环单元生成输出,并且在循环更新期间翘曲输出。如在下面进一步描述的,循环单元可以是循环神经网络的层,或者是循环神经网络的层的一部分。
[0005]能够采用循环单元作为较大自适应系统的组件,其中循环单元的输出是自适应系统的隐藏状态(即不是由自适应系统输出的数据)。在一种情况下,自适应系统可以包括循环神经网络。循环单元可以例如对应 ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种循环单元,所述循环单元被布置成在时间步系列的每个时间步接收对应的输入向量并且为二维像素阵列的每个像素生成具有至少一个相应值的输出,所述循环单元在所述时间步系列的除了第一个时间步之外的每个时间步被配置成:接收所述循环单元在前一时间步的输出,对所述循环单元在所述前一时间步的所述输出应用取决于在所述时间步的所述输入向量并且取决于所述循环单元在所述前一时间步的所述输出的至少一个卷积,以为所述阵列的每个像素生成具有至少一个分量的翘曲数据集,以及基于所述翘曲数据集和所述输入向量来生成在所述时间步的所述输出。2.根据权利要求1所述的循环单元,其中所述循环单元能够操作为通过针对每个像素以相应方式对所述循环单元在所述前一时间步的所述输出进行卷积来为所述阵列的每个像素生成所述翘曲数据集的所述至少一个分量。3.根据权利要求2所述的循环单元,其被配置成使用所述输入向量来为所述阵列的每个像素生成相应核,并且基于对应核来为每个像素生成所述翘曲数据集的所述至少一个分量。4.根据权利要求2或权利要求3所述的循环单元,其被配置成:生成所述翘曲数据集的所述至少一个分量作为所述循环单元在所述前一时间步的所述输出的对应分量与各自取决于所述输入向量和所述循环单元在所述前一时间步的所述输出的相应多个核的卷积的加权和,所述加权和的权重对所述阵列的不同的所述像素来说是不同的。5.根据任一前述权利要求所述的循环单元,其被配置成生成在每个时间步的所述输出作为以下各项的和:(i)所述翘曲数据集与融合向量的逐分量乘积,以及(ii)与所述融合向量相反地变化的向量和由所述循环单元的整流线性单元生成的精化向量的逐分量乘积。6.根据权利要求5所述的循环单元,其被配置成通过对以下项应用函数来生成所述融合向量的每个元素:第一权重向量与所述网络在所述前一时间步的所述输出和所述输入向量的级联的逐分量乘积的相应分量加上相应第一偏移值。7.根据权利要求5所述的循环单元,其被配置成通过对以下项应用函数来生成所述融合向量的每个元素:第一权重向量与所述翘曲数据集和所述输入向量的级联的逐分量乘积的相应分量加上相应第一偏移值。8.根据权利要求5至7中的任一项所述的循环单元,其中,所述整流线性单元被配置成通过对以下项应用整流线性函数来生成所述精化向量的每个元素:第二权重向量与所述网络在所述前一时间步的所述输出和所述输入向量的级联的逐分量乘积的相应分量加上相应第二偏移值。9.根据权利要求5至7中的任一项所述的循环单元,其中,所述整流线性单元被配置成通过对以下项应用整流线性函数来生成所述精化向量的每个元素:第二权重向量与所述翘曲数据集的所述输出和所述输入向量的级联的逐分量乘积的相应分量加上相应第二偏移值。10.一种用于生成表示时间进展并且由二维像素阵列的每个像素的值组成的图像序列的生成器网络,所述生成器网络包括根据任一前述权利要求所述的循环单元,所述生成器网络被配置成基于所述循环单元在所述时间步的相应一个中的相应输出来生成所述图像
序列的每个图像。11.一种用于在图像序列内标识具有一个或多个特性的每个图像的一部分的分段网络,所述分段网络包括根据权利要求1至9中的任一项所述的循环单元,所述循环单元被布置成在时间步系列的每个时间步接收包括所述图像序列的对应图像的输入向量,所述分段网络被配置成在每个时间步中从所述循环单元在对应时间步中的所述输出生成标识所述对应图像的一部分的数据。12.一种用于生成将图像序列分类为位于类的集合中的一个或多个类中的数据的分类网络,所述分类网络包括根据权利要求1至9中的任一项所述的循环单元,所述循环单元被布置成在时间步系列的每个时间步接收包括所述图像序列的对应图像的输入向量,所述分类网络被配置成从所述循环单元在相应时间步系列的每个时间步的所述输出生成标识所述类中的一个或多个类的数据。13.一种用于增加图像序列的空间分辨率和/或时间分辨率的自适应系统,所述自适应系统包括根据权利要求1至9中的任一项所述的循环单元,所述循环单元被布置成在时间步系列的每个时间步接收包括第一图像序列的一个图像的输入向量,所述自适应系统被配置成生成具有与所述第一图像序列的图像比更高的空间分辨率和/或时间分辨率的图像序列。14.一种联合地训练根据权利要求10所述的生成器网络和鉴别器网络的计算机实现的方法,所述鉴别器网络用于区分由所述生成器网络生成的图像序列和不是由所述生成器网络生成的图像序列,所述方法包括:接收表示时间进展的一个或多个第一图像序列;以及重复地执行以下各项的迭代步骤:由...
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。