生成掩模信息制造技术

本发明专利技术公开了生成掩模信息，具体公开了使用神经模型来注释图像的装置、系统和技术。在至少一个实施例中，神经网络从由一个或更多个其他神经网络识别的一个或更多个图像内的一个或更多个对象的标签来生成掩模信息。个或更多个对象的标签来生成掩模信息。个或更多个对象的标签来生成掩模信息。

【技术实现步骤摘要】
生成掩模信息


[0001]至少一个实施例涉及用于执行和促进人工智能的处理资源。例如，至少一个实施例涉及用于使得神经网络使用本文中描述的各种技术利用分割信息对合成图像数据(synthesized image data)进行注释(annotate)的处理器或计算机系统。

技术介绍

[0002]处理图像数据会使用大量的存储器、时间和计算资源。存储器、时间和计算资源的量可以使用神经模型来改进，但是对训练数据进行注释会使用附加的时间、存储器、以及人类和/或计算资源。通常，获得足够的训练数据以有效地训练神经网络会需要巨大的努力和费用。
附图说明
[0003]图1示出了根据至少一个实施例的示例计算机系统，在该计算机系统中，为图像数据生成分割掩模；
[0004]图2示出了根据至少一个实施例的用于为图像数据生成分割掩模的示例过程；
[0005]图3示出了根据至少一个实施例的示例计算机系统，在该计算机系统中为合成图像数据生成分割掩模；
[0006]图4示出了根据至少一个实施例的用于为合成图像数据生成分割掩模的示例过程；
[0007]图5示出了根据至少一个实施例的示例计算机系统，在该计算机系统中，具有分割掩模的图像数据被用于训练神经网络；
[0008]图6示出了根据至少一个实施例的示例计算机系统，在该计算机系统中，分割掩模被应用于图像数据；
[0009]图7示出了根据至少一个实施例的示例计算机系统，在该计算机系统中，从数据集中提取数据子集；
[0010]图8示出了根据至少一个实施例的示例计算机系统，在该计算机系统中，将分割掩模应用于数据集的子集；
[0011]图9示出了根据至少一个实施例的示例数据流，在其中图像被合成；
[0012]图10示出了根据至少一个实施例的示例数据流，在其中从合成图像中生成分割掩模；
[0013]图11A示出了根据至少一个实施例的逻辑；
[0014]图11B示出了根据至少一个实施例的逻辑；
[0015]图12示出了根据至少一个实施例的神经网络的训练和部署；
[0016]图13示出了根据至少一个实施例的示例数据中心系统；
[0017]图14A示出了根据至少一个实施例的自主车辆的示例；
[0018]图14B示出了根据至少一个实施例的图14A的自主车辆的相机位置和视野的示例；
[0019]图14C是根据至少一个实施例的示出图14A的自主车辆的示例系统架构的框图；
[0020]图14D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14A的自主车辆之间进行通信的系统的图；
[0021]图15是根据至少一个实施例的示出计算机系统的框图；
[0022]图16是根据至少一个实施例的示出计算机系统的框图；
[0023]图17示出了根据至少一个实施例的计算机系统；
[0024]图18示出了根据至少一个实施例的计算机系统；
[0025]图19A示出了根据至少一个实施例的计算机系统；
[0026]图19B示出了根据至少一个实施例的计算机系统；
[0027]图19C示出了根据至少一个实施例的计算机系统；
[0028]图19D示出了根据至少一个实施例的计算机系统；
[0029]图19E和图19F示出了根据至少一个实施例的共享编程模型；
[0030]图20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；
[0031]图21A
‑
图21B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；
[0032]图22A
‑
图22B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；
[0033]图23示出了根据至少一个实施例的计算机系统；
[0034]图24A示出了根据至少一个实施例的并行处理器；
[0035]图24B示出了根据至少一个实施例的分区单元；
[0036]图24C示出了根据至少一个实施例的处理集群；
[0037]图24D示出了根据至少一个实施例的图形多处理器；
[0038]图25示出了根据至少一个实施例的多图形处理单元(GPU)系统；
[0039]图26示出了根据至少一个实施例的图形处理器；
[0040]图27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；
[0041]图28示出了根据至少一个实施例的深度学习应用程序处理器；
[0042]图29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；
[0043]图30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；
[0044]图31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；
[0045]图32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；
[0046]图33是根据至少一个实施例的图形处理器的图形处理引擎的框图；
[0047]图34是根据至少一个实施例的图形处理器核心的至少部分的框图；
[0048]图35A
‑
图35B示出了根据至少一个实施例的线程执行逻辑，其包括图形处理器核心的处理元件的阵列；
[0049]图36示出了根据至少一个实施例的并行处理单元(“PPU”)；
[0050]图37示出了根据至少一个实施例的通用处理集群(“GPC”)；
[0051]图38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；
[0052]图39示出了根据至少一个实施例的流式多处理器；
[0053]图40是根据至少一个实施例的高级计算管线的示例数据流图；
[0054]图41是根据至少一个实施例的用于在高级计算管线中训练、自适应、实例化和部
署机器学习模型的示例系统的系统图；
[0055]图42包括根据至少一个实施例的用于处理成像数据的高级计算管线的示例图示；
[0056]图43A包括根据至少一个实施例的支持超声设备的虚拟仪器的示例数据流图；
[0057]图43B包括根据至少一个实施例的支持CT扫描仪的虚拟仪器的示例数据流图；
[0058]图44A示出了根据至少一个实施例的用于训练机器学习模型的过程的数据流图；以及
[0059]图44B是根据至少一个实施例的利用预训练的注释模型来增强注释工具的客户端
‑
服务器架构的示例图示。
具体实施方式
[0060]图1示出了根据至少一个实施例的示例计算机系统100，在该计算机系统中，为图像数据生成分割掩模。在至少一个实施例中，处理器102实现诸如本文中描述的那些之类的一个或更多个神经网络。在至少一个实施例中，处理器102是诸如本文至少结合图11
‑
图44B所描述的那些之类的处理器。在至少一个实施例中，一个或更多个附加处理器(图1中未示出)是示例计算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种处理器，包括：一个或更多个电路，所述一个或更多个电路用于使用一个或更多个第二神经网络来至少部分地基于由一个或更多个第一神经网络的一个或更多个图像内的一个或更多个对象的一个或更多个标签生成掩模信息。2.如权利要求1所述的处理器，其中所述一个或更多个第二神经网络包括至少一个神经网络，所述至少一个神经网络用于至少部分地基于由所述一个或更多个第一神经网络提供的中间特征信息来生成所述掩模信息。3.如权利要求1所述的处理器，其中所述一个或更多个第一神经网络包括至少一个神经网络，所述至少一个神经网络用于生成所述图像。4.如权利要求1所述的处理器，其中所述一个或更多个图像是由神经网络合成的。5.如权利要求1所述的处理器，其中所述一个或更多个标签包括所述一个或更多个对象的类标签。6.如权利要求1所述的处理器，其中所述掩模信息包括分割掩模。7.如权利要求1所述的处理器，其中一个或更多个第三神经网络至少部分地基于所述掩模信息而被训练。8.如权利要求1所述的处理器，其中所述一个或更多个第一神经网络包括至少一个生成式对抗网络GAN。9.一种计算机实现的方法，包括：使用一个或更多个第二神经网络来至少部分地基于由一个或更多个第一神经网络识别的一个或更多个图像内的一个或更多个对象的一个或更多个标签生成掩模信息。10.如权利要求9所述的计算机实现的方法，其中所述一个或更多个第二神经网络包括至少一个神经网络，所述至少一个神经网络用于至少部分地基于来自所述一个或更多个第一神经网络的特征信息来生成所述掩模信息。11.如权利要求9所述的计算机实现的方法，还包括：由第一神经网络架构的神经网络来生成所述一个或更多个图像；以及所述一个或更多个第一神经网络包括具有不同于所述第一神经网络架构的第二神经网络架构的至少一个神经网络。12.如权利要求9所述的计算机实现的方法，还包括：至少部分地基于所述掩模信息来训练一个或更多个第三神经网络。13.如权利要求9所述的计算机实现的方法，还包括：将由所述一个或更多个第一神经网络生成的高阶特征提供给所述一个或更多个第二神经网络中的至少一个第二神经网络。14.如权利要求9所述的计算机实现的方法，还包括：将由所述一个或更多个第一神经网络生成的中阶特征提供给所述一个或更多个第二神经网络中的至少一个第二神经网络。15.如权利要求9所述的计算机实现的方法，还包括：将由所述一个或更多个第一神经网络生成的低阶特征提供给所述一个或更多个第二神经网络中的至少一个第二神经网络。16.如权利要求9所述的计算机实现的方法，其中所述一个或更多个图像是由所述一个
或更多个第一神经网络中的神经网络至少部分地基于所述一个或更多个标签合成...

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