【技术实现步骤摘要】
【国外来华专利技术】经由以时间残差连接为特征的机器学习模型对顺序数据的改进处理
[0001]相关申请
[0002]本申请要求2021年1月13日提交的美国临时专利申请号63/136,772的优先权和权益。美国临时专利申请号63/136,772的全部内容通过引用被并入本文。
[0003]本公开总体涉及用于处理顺序数据的机器学习。更具体地说,本公开涉及一种机器学习模型(例如,神经网络,诸如卷积神经网络),其以在模型的不同时间实例化之间传递中间特征数据的一个或多个残差连接为特征。
技术介绍
[0004]各种机器学习任务包括从顺序数据诸如顺序图像数据、音频数据(例如,语音数据)、文本数据、传感器数据等生成预测或推断。作为一个示例,给定来自视频的图像序列,视频理解模型的任务可能是预测帧级或视频级输出,用于诸如动作辨识、对象检测或其他的任务。
[0005]在许多情况下,检测和理解顺序数据本身内的时间依赖性的能力对于生成高质量的预测至关重要。然而,许多典型的现有模型架构并不有助于这种性质的时间理解。
[0006]试图捕捉时间信息的其他模型是低效或低性能的。例如,基于三维卷积的模型通常要求输入是预处理的图像帧的序列,并试图并发处理所有的图像,从而导致大的存储器占用(例如,与输入帧的数量成线性增长)和离线推断。作为另一示例,某些递归模型(例如基于门控递归单元或长短时记忆单元)容易出现训练不稳定和性能低下的情况。
技术实现思路
[0007]本公开的实施例的方面和优点将在以下描述中部分阐述,或者可以从描述中了解 ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种用于对顺序数据的改进的时间处理的计算系统,所述计算系统包括:一个或多个处理器;以及一个或多个非暂时性计算机可读介质,所述一个或多个非暂时性计算机可读介质集中存储:机器学习卷积神经网络,所述机器学习卷积神经网络包括一个或多个时间残差连接,所述一个或多个时间残差连接分别向被应用于处理一个或多个其他顺序输入的机器学习卷积神经网络的一个或多个其他实例化供应从当前顺序输入生成的一个或多个中间特征数据集;以及指令,所述指令当由所述一个或多个处理器执行时,使所述计算系统执行操作,所述操作包括:对于包括在序列中的多个顺序输入中的每一个:利用所述机器学习卷积神经网络的当前实例化的至少一部分来处理所述当前顺序输入,以生成当前中间特征数据集;存储所述当前中间特征数据集,用于提供给被应用于处理所述序列中在所述当前顺序输入后续的一个或多个后续顺序输入的所述机器学习卷积神经网络的一个或多个后续实例化;访问由被应用于处理所述序列中在所述当前顺序输入先前的一个或多个先前顺序输入的所述机器学习卷积神经网络的一个或多个先前实例化生成的一个或多个先前中间特征数据集;以及至少部分地基于所述当前中间特征数据集和所述一个或多个先前中间特征数据集,从所述机器学习卷积神经网络的所述当前实例化生成模型输出。2.根据权利要求1所述的计算系统,其中,所述机器学习卷积神经网络仅由前向传播的时间残差连接组成,所述前向传播的时间残差连接将从所述当前顺序输入生成的所述一个或多个中间特征数据集供应到所述机器学习卷积神经网络的所述后续实例化。3.根据权利要求1所述的计算系统,其中,所述机器学习卷积神经网络包括以下两者:前向传播的时间残差连接,所述前向传播的时间残差连接将从所述当前顺序输入生成的所述一个或多个中间特征数据集供应到所述机器学习卷积神经网络的所述后续实例化;以及后向传播的时间残差连接,所述后向传播的时间残差连接将从所述当前顺序输入生成的所述一个或多个中间特征数据集供应到所述机器学习卷积神经网络的所述先前实例化。4.根据前述权利要求中任一项所述的计算系统,其中,所述一个或多个时间残差连接中的至少一个被配置为将所述一个或多个中间特征数据集供应到所述机器学习卷积神经网络的所述一个或多个其他实例化的相同层。5.根据前述权利要求中任一项所述的计算系统,其中,所述一个或多个时间残差连接中的至少一个被配置为将所述一个或多个中间特征数据集供应到所述机器学习卷积神经网络的所述一个或多个其他实例化的不同层。6.根据前述权利要求中任一项所述的计算系统,其中,所述一个或多个时间残差连接包括存在于所述机器学习卷积神经网络内不同的相应深度的多个时间残差连接。7.根据前述权利要求中任一项所述的计算系统,其中,至少部分地基于所述当前中间
特征数据集和所述一个或多个先前中间特征数据集从所述机器学习卷积神经网络的所述当前实例化生成所述模型输出包括:将所述先前中间特征数据集中的至少一个与至少一个现有的特征数据集相组合以形成组合的特征数据集;以及至少部分地基于所述组合的特征数据集,从所述机器学习卷积神经网络的所述当前实例化生成所述模型输出。8.根据权利要求7所述的计算系统,其中,将所述先前中间特征数据集中的所述至少一个与所述至少一个现有的特征数据集相组合以形成所述组合的特征数据集包括:对所述先前中间特征数据集中的所述至少一个与所述至少一个现有的特征数据集求和。9.根据权利要求7所述的计算系统,其中,将所述先前中间特征数据集中的所述至少一个与所述至少一个现有的特征数据集相组合以形成所述组合的特征数据集包括:将所述先前中间特征数据集中的所述至少一个与所述至少一个现有的特征数据集连结;以及将一个或多个卷积应...
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。