Some content of this application is unavailable at the moment.
If this situation persist, please contact us atFeedback&Contact
1. (WO2019033541) GENERATING LABELED DATA FOR DEEP OBJECT TRACKING
Latest bibliographic data on file with the International BureauSubmit observation

Pub. No.: WO/2019/033541 International Application No.: PCT/CN2017/106893
Publication Date: 21.02.2019 International Filing Date: 19.10.2017
IPC:
G06N 3/02 (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
Applicants:
HUAWEI TECHNOLOGIES CO., LTD. [CN/CN]; Huawei Administration Building Bantian, Longgang District Shenzhen, Guangdong 518129, CN
Inventors:
TAGHAVI, Ehsan; CA
Priority Data:
15/676,68214.08.2017US
Title (EN) GENERATING LABELED DATA FOR DEEP OBJECT TRACKING
(FR) PRODUCTION DE DONNÉES ÉTIQUETÉES POUR SUIVI D'OBJET PROFOND
Abstract:
(EN) Methods and systems for generating an annotated dataset for training a deep tracking neural network, and training of the neural network using the annotated dataset are provided. For each object in each frame of a dataset, one or more likelihood functions are calculated to correlate feature score of the object with respective feature scores each associated with one or more previously assigned target identifiers (IDs) in a selected range of frames. A target ID is assigned to the object by assigning a previously assigned target ID associated with a calculated highest likelihood or assigning a new target ID. Track management is performed according to a predefined track management scheme to assign a track type to the object. This is performed for all objects in all frames of the dataset. The resulting annotated dataset contains target IDs and track types assigned to all objects in all frames.
(FR) L'invention concerne des procédés et des systèmes de production d'un ensemble de données annotées pour entraîner un réseau neuronal de suivi profond, et l'entraînement du réseau neuronal en utilisant l'ensemble de données annotées. Pour chaque objet dans chaque trame d'un ensemble de données, une ou plusieurs fonctions de vraisemblance sont calculées pour corréler un score de caractéristique de l'objet avec des scores de caractéristique respectifs associés chacun à un ou plusieurs identifiants (ID) cibles attribués précédemment dans une plage sélectionnée de trames. Un ID cible est attribué à l'objet en attribuant un ID cible attribué précédemment associé à une vraisemblance la plus élevée calculée ou en attribuant un nouvel ID cible. La gestion de trajectoire est réalisée selon un schéma de gestion de trajectoire prédéfini pour attribuer un type de trajectoire à l'objet. Ceci est réalisé pour tous les objets dans toutes les trames de l'ensemble de données. L'ensemble de données annotées résultant contient des ID cibles et des types de trajectoire attribués à tous les objets dans toutes les trames.
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, DJ, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JO, JP, KE, KG, KH, KN, KP, KR, KW, 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 Organization (AM, AZ, BY, KG, KZ, RU, TJ, TM)
European Patent Office (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)