【技术实现步骤摘要】
【国外来华专利技术】
本公开内容总体涉及深度神经网络(dnn)，并且更具体地，涉及具有可学习语义网格转换的点网格网络。
技术介绍
1、dnn由于其实现高准确度的能力而被广泛用于包括计算机视觉、话音识别和自然语言处理等的各种人工智能(artificial intelligence，ai)应用。一种类型的dnn是图卷积网络(graph convolutional network，gcn)。gcn是各种ai应用的流行解决方案之一，例如人类姿态提升、基于骨架的人类动作识别、网格重建、交通导航、社交网络分析、推荐系统、科学计算等。
技术实现思路
【技术保护点】
1.一种方法，包括：
2.根据权利要求1所述的方法，其中，所述分配矩阵中的元素的值通过训练所述神经网络的过程来确定。
3.根据权利要求2所述的方法，其中，所述卷积运算对所述网格表示和卷积过滤器执行，并且所述卷积过滤器中的元素的值在训练所述神经网络的过程中被确定。
4.根据权利要求2所述的方法，其中，所述分配矩阵中的元素的值通过以下操作确定：
5.根据权利要求4所述的方法，其中，在训练所述神经网络的过程中训练所述神经网络中的所述可学习矩阵包括：
6.根据权利要求4所述的方法，其中，通过所述离散化操作将所述可学习...
【技术特征摘要】
【国外来华专利技术】
1.一种方法，包括：
2.根据权利要求1所述的方法，其中，所述分配矩阵中的元素的值通过训练所述神经网络的过程来确定。
3.根据权利要求2所述的方法，其中，所述卷积运算对所述网格表示和卷积过滤器执行，并且所述卷积过滤器中的元素的值在训练所述神经网络的过程中被确定。
4.根据权利要求2所述的方法，其中，所述分配矩阵中的元素的值通过以下操作确定：
5.根据权利要求4所述的方法，其中，在训练所述神经网络的过程中训练所述神经网络中的所述可学习矩阵包括：
6.根据权利要求4所述的方法，其中，通过所述离散化操作将所述可学习矩阵转换为所述分配矩阵包括：
7.根据权利要求6所述的方法，其中，所述第一值为1，所述第二值为0。
8.根据权利要求1所述的方法，其中，基于所述网格结构化的特征图确定所述对象的状况包括：
9.根据权利要求1所述的方法，其中，所述图表示是二维图表示，并且基于所述网格结构化的特征图确定所述对象的状况包括：
10.根据权利要求1所述的方法，其中，对所述网格表示执行所述卷积运算包括：
11.一个或多个非暂态计算机可读介质，存储指令，所述指令可执行以执行操作，所述操作包括：
12.根据权利要求11所述的一个或多个非暂态计算机可读介质，其中，所述分配矩阵中的元素的值通过训练所述神经网络的过程来确定。
13.根据权利要求12所述的一个或多个非暂态计算机可读介质，其中，所述卷积运算对所述网格表示和卷积过滤器执行，并且所述卷积过滤器中的元素的值在训练所述神经网络的过程中被确定。...
【专利技术属性】
技术研发人员：蔡东琪，姚安邦，康杨雨轩，王山东，陈玉荣，
申请(专利权)人：英特尔公司，
类型：发明
国别省市：
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。