Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Aller à Demande

1. WO2020155741 - STRUCTURE ET PROCÉDÉ DE FUSION D'UN RÉSEAU DE NEURONES CONVOLUTIFS ET D'UN RÉSEAU DE NEURONES IMPULSIONNELS

Numéro de publication WO/2020/155741
Date de publication 06.08.2020
N° de la demande internationale PCT/CN2019/117039
Date du dépôt international 11.11.2019
CIB
G06N 3/04 2006.1
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3Systèmes de calculateurs basés sur des modèles biologiques
02utilisant des modèles de réseaux neuronaux
04Architecture, p.ex. topologie d'interconnexion
G06N 3/08 2006.1
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3Systèmes de calculateurs basés sur des modèles biologiques
02utilisant des modèles de réseaux neuronaux
08Méthodes d'apprentissage
G06K 9/62 2006.1
GPHYSIQUE
06CALCUL; COMPTAGE
KRECONNAISSANCE DES DONNÉES; PRÉSENTATION DES DONNÉES; SUPPORTS D'ENREGISTREMENT; MANIPULATION DES SUPPORTS D'ENREGISTREMENT
9Méthodes ou dispositions pour la lecture ou la reconnaissance de caractères imprimés ou écrits ou pour la reconnaissance de formes, p.ex. d'empreintes digitales
62Méthodes ou dispositions pour la reconnaissance utilisant des moyens électroniques
CPC
G06K 9/62
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62Methods or arrangements for recognition using electronic means
G06N 3/04
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
04Architectures, e.g. interconnection topology
G06N 3/08
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
08Learning methods
Déposants
  • 清华大学 TSINGHUA UNIVERSITY [CN]/[CN]
Inventeurs
  • 李兆麟 LI, Zhaolin
  • 王明羽 WANG, Mingyu
Mandataires
  • 北京清亦华知识产权代理事务所(普通合伙) TSINGYIHUA INTELLECTUAL PROPERTY LLC
Données relatives à la priorité
201910087183.829.01.2019CN
Langue de publication chinois (ZH)
Langue de dépôt chinois (ZH)
États désignés
Titre
(EN) FUSION STRUCTURE AND METHOD OF CONVOLUTIONAL NEURAL NETWORK AND PULSE NEURAL NETWORK
(FR) STRUCTURE ET PROCÉDÉ DE FUSION D'UN RÉSEAU DE NEURONES CONVOLUTIFS ET D'UN RÉSEAU DE NEURONES IMPULSIONNELS
(ZH) 卷积神经网络和脉冲神经网络的融合结构及方法
Abrégé
(EN)
A fusion structure (10) and method of a convolutional neural network and a pulse neural network. The structure comprises a convolutional neural network structure (100), a pulse converting and encoding structure (200), and a pulse neural network structure (300), wherein the convolutional neural network structure (100) comprises an input layer, a convolutional layer, and a pooling layer; the pulse converting and encoding structure (200) comprises a pulse conversion neuron and a configurable pulse encoder; and the pulse neural network structure (300) comprises a pulse convolution layer, a pulse pooling layer, and a pulse output layer. The structure (10) can simultaneously consider the advantages of the convolutional neural network and the pulse neural network, uses the advantage that the convolutional neural network has a high recognition rate in the field of image recognition, and at the same time, can give play to the advantages of the pulse neural network in the aspects of sparsity, low power consumption, overfitting alleviation, and the like, so that the structure can be applied to the fields of feature extraction, accurate classification, and the like of high-speed time-varying information.
(FR)
L'invention concerne une structure de fusion (10) et un procédé de fusion d'un réseau de neurones convolutifs et d'un réseau de neurones impulsionnels. La structure comprend une structure de réseau de neurones convolutifs (100), une structure de conversion et de codage d'impulsions (200) et une structure de réseau de neurones impulsionnels (300), la structure de réseau de neurones convolutifs (100) comprenant une couche d'entrée, une couche de convolution et une couche de regroupement ; la structure de conversion et de codage d'impulsions (200) comprenant un neurone de conversion d'impulsions et un codeur d'impulsions configurable ; et la structure de réseau de neurones impulsionnels (300) comprenant une couche de convolution d'impulsions, une couche de regroupement d'impulsions et une couche de sortie d'impulsions. La structure (10) peut considérer simultanément les avantages du réseau de neurones convolutifs et du réseau de neurones impulsionnels, utilise l'avantage du taux de reconnaissance élevé du réseau de neurones convolutifs dans le domaine de la reconnaissance d'image, et en même temps, peut mettre à profit les avantages du réseau de neurones impulsionnels en matière de parcimonie, de faible consommation d'énergie, d'atténuation du surapprentissage et analogues, de telle sorte que la structure peut être appliquée aux domaines de l'extraction de caractéristiques, de la classification précise et analogues d'informations variant dans le temps à grande vitesse.
(ZH)
一种卷积神经网络和脉冲神经网络的融合结构(10)及方法,其中,结构包括:卷积神经网络结构(100)、脉冲转换与编码结构(200)和脉冲神经网络结构(300),其中,卷积神经网络结构(100)包括输入层、卷积层和池化层;脉冲转换与编码结构(200)包括脉冲转换神经元和可配置脉冲编码器;脉冲神经网络结构(300)包括脉冲卷积层、脉冲池化层和脉冲输出层。该结构(10)能够同时兼顾卷积神经网络和脉冲神经网络的优点,利用了卷积神经网络在图像识别领域具有较高识别率的优势,同时能发挥脉冲神经网络在稀疏性、低功耗、缓解过拟合等方面的优势,可以应用于对高速时变信息进行特征提取和准确分类等领域。
Également publié en tant que
Dernières données bibliographiques dont dispose le Bureau international