Certains contenus de cette application ne sont pas disponibles pour le moment.
Si cette situation persiste, veuillez nous contacter àObservations et contact
1. (WO2018161775) PROCÉDÉ D'APPRENTISSAGE DE MODÈLE DE RÉSEAU NEURONAL, DISPOSITIF ET SUPPORT DE STOCKAGE POUR TRAITEMENT D'IMAGE
Dernières données bibliographiques dont dispose le Bureau international    Formuler une observation

N° de publication : WO/2018/161775 N° de la demande internationale : PCT/CN2018/075958
Date de publication : 13.09.2018 Date de dépôt international : 09.02.2018
CIB :
G06K 9/00 (2006.01)
G PHYSIQUE
06
CALCUL; COMPTAGE
K
RECONNAISSANCE DES DONNÉES; PRÉSENTATION DES DONNÉES; SUPPORTS D'ENREGISTREMENT; MANIPULATION DES SUPPORTS D'ENREGISTREMENT
9
Méthodes ou dispositions pour la lecture ou la reconnaissance de caractères imprimés ou écrits ou pour la reconnaissance de formes, p.ex. d'empreintes digitales
Déposants :
腾讯科技(深圳)有限公司 TENCENT TECHNOLOGY (SHENZHEN) COMPANY LIMITED [CN/CN]; 中国广东省深圳市 南山区高新区科技中一路腾讯大厦35层 35/F, Tencent Building, Kejizhongyi Road Midwest District of Hi-Tech Park, Nanshan District Shenzhen, Guangdong 518057, CN
Inventeurs :
黄浩智 HUANG, Haozhi; CN
王浩 WANG, Hao; CN
罗文寒 LUO, Wenhan; CN
马林 MA, Lin; CN
杨鹏 YANG, Peng; CN
姜文浩 JIANG, Wenhao; CN
朱晓龙 ZHU, Xiaolong; CN
刘威 LIU, Wei; CN
Mandataire :
北京德琦知识产权代理有限公司 DEQI INTELLECTUAL PROPERTY LAW CORPORATION; 中国北京市 海淀区知春路1号学院国际大厦7层 7/F, Xueyuan International Tower Haidian District, No. 1 Zhichun Road Beijing 100083, CN
Données relatives à la priorité :
201710136471.908.03.2017CN
Titre (EN) NEURAL NETWORK MODEL TRAINING METHOD, DEVICE AND STORAGE MEDIUM FOR IMAGE PROCESSING
(FR) PROCÉDÉ D'APPRENTISSAGE DE MODÈLE DE RÉSEAU NEURONAL, DISPOSITIF ET SUPPORT DE STOCKAGE POUR TRAITEMENT D'IMAGE
(ZH) 一种用于图像处理的神经网络模型的训练方法、装置和存储介质
Abrégé :
(EN) Disclosed are a neural network model training method, device and storage medium for image processing, the method comprising: acquiring multiple temporally adjacent video frames (S202); respectively subjecting the multiple video frames to processing by a neural network model so as to enable the neural network model to output a corresponding intermediate image (S204); acquiring, from the multiple temporally adjacent video frames, optical flow information from which a video frame of an earlier time position is changed to a video frame of a later time position (S206); acquiring an image of the intermediate image corresponding to the video frame of an earlier time position changed according to the optical flow information (S208); acquiring a time loss between an intermediate image corresponding to the video frame of a later time position and a changed image (S210); acquiring a feature loss between intermediate images corresponding to the multiple temporally adjacent video frames and a target feature image (S212); and adjusting the neural network model according to the time loss and the feature loss, returning to the step of acquiring multiple temporally adjacent video frames and continuing with training until the neural network model satisfies a training ending condition (S214).
(FR) L'invention concerne un procédé d'apprentissage de modèle de réseau neuronal, un dispositif et un support de stockage pour un traitement d'image, le procédé consistant à : acquérir de multiples trames vidéo temporellement adjacentes (S202) ; soumettre respectivement les multiples trames vidéo à un traitement par un modèle de réseau neuronal de façon à permettre au modèle de réseau neuronal de délivrer en sortie une image intermédiaire correspondante (S204) ; acquérir, à partir des multiples trames vidéo temporellement adjacentes, des informations de flux optique à partir desquelles une trame vidéo d'une position temporelle antérieure est changée en une trame vidéo d'une position temporelle ultérieure (S206) ; acquérir une image de l'image intermédiaire correspondant à la trame vidéo d'une position de temps antérieure modifiée en fonction des informations de flux optique (S208) ; acquérir une perte de temps entre une image intermédiaire correspondant à la trame vidéo d'une position temporelle ultérieure et une image modifiée (S210) ; acquérir une perte de caractéristiques entre des images intermédiaires correspondant aux multiples trames vidéo temporellement adjacentes et une image de caractéristique cible (S212) ; et régler le modèle de réseau neuronal en fonction de la perte de temps et de la perte de caractéristique, revenir à l'étape d'acquisition de multiples trames vidéo temporellement adjacentes et poursuivre l'apprentissage jusqu'à ce que le modèle de réseau neuronal satisfasse à une condition de fin d'apprentissage (S214).
(ZH) 一种用于图像处理的神经网络模型的训练方法、装置和存储介质,所述方法包括:获取多个时间相邻的视频帧(S202);将所述多个视频帧分别经过神经网络模型处理以使神经网络模型输出相对应的中间图像(S204);获取多个时间相邻的视频帧中时序靠前的视频帧变化至时序靠后的视频帧的光流信息(S206);获取时序靠前的视频帧所对应的中间图像按所述光流信息变化后的图像(S208);获取时序靠后的视频帧所对应的中间图像与变化后的图像间的时间损耗(S210);获取所述多个时间相邻的视频帧对应的中间图像与目标特征图像间的特征损耗(S212);根据所述时间损耗和所述特征损耗调整所述神经网络模型,返回所述获取多个时间相邻的视频帧的步骤继续训练,直至所述神经网络模型满足训练结束条件(S214)。
front page image
États désignés : 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
Organisation régionale africaine de la propriété intellectuelle (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Office eurasien des brevets (OEAB) (AM, AZ, BY, KG, KZ, RU, TJ, TM)
Office européen des brevets (OEB (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)
Organisation africaine de la propriété intellectuelle (OAPI) (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
Langue de publication : chinois (ZH)
Langue de dépôt : chinois (ZH)