Some content of this application is unavailable at the moment.
If this situation persist, please contact us atFeedback&Contact
1. (WO2017152990) CONVOLUTIONAL NEURAL NETWORKS, PARTICULARLY FOR IMAGE ANALYSIS
Latest bibliographic data on file with the International Bureau   

Pub. No.: WO/2017/152990 International Application No.: PCT/EP2016/055240
Publication Date: 14.09.2017 International Filing Date: 11.03.2016
IPC:
G06N 3/08 (2006.01) ,G06K 9/00 (2006.01)
G PHYSICS
06
COMPUTING; CALCULATING; COUNTING
N
COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3
Computer systems based on biological models
02
using neural network models
08
Learning methods
G PHYSICS
06
COMPUTING; CALCULATING; COUNTING
K
RECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9
Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
Applicants:
TELECOM ITALIA S.P.A. [IT/IT]; Via Gaetano Negri, 1 I-20123 Milano, IT
Inventors:
FRANCINI, Gianluca; IT
LEPSØY, Skjalg; IT
PORTO BUARQUE DE GUSMÃO, Pedro; IT
Agent:
MACCALLI, Marco; IT
Priority Data:
Title (EN) CONVOLUTIONAL NEURAL NETWORKS, PARTICULARLY FOR IMAGE ANALYSIS
(FR) RÉSEAUX NEURONAUX CONVOLUTIFS, EN PARTICULIER POUR ANALYSE D'IMAGES
Abstract:
(EN) A method is disclosed. Said method comprises implementing a convolutional neural network in a processing circuit. Said convolutional neural network is configured to receive an input data structure comprising a group of values corresponding to signal samples and to generate a corresponding classification output indicative of a selected one among a plurality of predefined classes. Said convolutional neural network comprises an ordered sequence of layers. Each layer of the sequence is configured to receive a corresponding layer input data structure comprising a group of input values, and generate a corresponding layer output data structure comprising a group of output values by convolving said layer input data structure with at least one corresponding filter comprising a corresponding group of weights. The layer input data structure of the first layer of the sequence corresponds to said input data structure. The layer input data structure of a generic layer of the sequence different from the first layer corresponds to the layer output data structure generated by the previous layer in the sequence. The method further comprises training the convolutional neural network to update the weights of the filters of the layers by exploiting a training set of training input data structures belonging to known predefined classes. Said training comprises the following phases a), b), c), d): a) generating a modified convolutional neural network by downscaling, for at least one layer of the sequence of layers of the convolutional neural network, the at least one corresponding filter to obtain a downscaled filter comprising a reduced number of weights; b) downscaling the training input data structures to obtain corresponding downscaled training input data structures comprising a reduced number of values; c) for each downscaled training input data structure of at least a subset of the training set, providing such downscaled training input data structure to the modified convolutional neural network to generate a corresponding classification output, and comparing said classification output with the predefined class the training input data structure corresponding to said downscaled training input data structure belongs to; d) updating the weights of the filters of the layers based on said comparisons.
(FR) L'invention concerne un procédé. Ledit procédé consiste à mettre en œuvre un réseau neuronal convolutif dans un circuit de traitement. Ledit réseau neuronal convolutif est configuré pour recevoir une structure de données d'entrée comprenant un groupe de valeurs correspondant à des échantillons de signal et pour générer une sortie de classification correspondante indicative d'une classe sélectionnée parmi une pluralité de classes prédéfinies. Ledit réseau neuronal convolutif comprend une séquence ordonnée de couches. Chaque couche dans la séquence est configurée pour recevoir une structure de données d'entrée de couche correspondante comprenant un groupe de valeurs d'entrée, et pour générer une structure de données de sortie de couche correspondante comprenant un groupe de valeurs de sortie par convolution de ladite structure de données d'entrée de couche avec au moins un filtre correspondant comprenant un groupe de poids correspondant. La structure de données d'entrée de couche de la première couche de la séquence correspond à ladite structure de données d'entrée. La structure de données d'entrée de couche d'une couche générique de la séquence différente de la première couche correspond à la structure de données de sortie de couche générée par la couche précédente dans la séquence. Le procédé comprend en outre l'apprentissage du réseau neuronal convolutif pour mettre à jour les poids des filtres des couches par exploitation d'un ensemble d'apprentissage de structures de données d'entrée d'apprentissage appartenant aux classes prédéfinies connues. Ledit apprentissage comprend les phases a), b), c), d) suivantes : a) générer un réseau neuronal convolutif modifié par mise à l'échelle inférieure, pour au moins une couche dans une séquence de couches du réseau neuronal convolutif, ledit filtre correspondant étant destiné à obtenir un filtre mis à l'échelle inférieure comprenant un nombre réduit de poids ; b) mettre à l'échelle inférieure les structures de données d'entrée d'apprentissage comprenant un nombre réduit de valeurs ; c) pour chaque structure de données d'entrée d'apprentissage mise à l'échelle inférieure, fournissant une telle structure de données d'entrée d'apprentissage mise à l'échelle inférieure au réseau neuronal convolutif modifié afin de générer une sortie de classification correspondante, et comparer ladite sortie de classification avec la classe prédéfinie à laquelle appartient la structure de données d'entrée d'apprentissage correspondant à ladite structure de données d'entrée d'apprentissage ; d) mettre à jour les poids des filtres des couches sur la base desdites comparaisons.
front page image
Designated States: AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JP, KE, KG, KN, KP, KR, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW
African Regional Intellectual Property Organization (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Eurasian Patent Office (AM, AZ, BY, KG, KZ, RU, TJ, TM)
European Patent Office (EPO) (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
African Intellectual Property Organization (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
Publication Language: English (EN)
Filing Language: English (EN)