[go: up one dir, main page]

CN115699018A - 计算机实现或硬件实现的实体识别方法、计算机程序产品以及用于实体识别的装置 - Google Patents

计算机实现或硬件实现的实体识别方法、计算机程序产品以及用于实体识别的装置 Download PDF

Info

Publication number
CN115699018A
CN115699018A CN202180042523.0A CN202180042523A CN115699018A CN 115699018 A CN115699018 A CN 115699018A CN 202180042523 A CN202180042523 A CN 202180042523A CN 115699018 A CN115699018 A CN 115699018A
Authority
CN
China
Prior art keywords
activity level
sensors
input
implemented
nodes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180042523.0A
Other languages
English (en)
Inventor
乌达亚·龙贾拉
亨利克·约恩泰尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Intuit Inc
Original Assignee
Intuit Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Intuit Inc filed Critical Intuit Inc
Publication of CN115699018A publication Critical patent/CN115699018A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • G01L5/22—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring the force applied to control members, e.g. control members of vehicles, triggers
    • G01L5/226—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring the force applied to control members, e.g. control members of vehicles, triggers to manipulators, e.g. the force due to gripping
    • G01L5/228—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring the force applied to control members, e.g. control members of vehicles, triggers to manipulators, e.g. the force due to gripping using tactile array force sensors
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/695—Control of camera direction for changing a field of view, e.g. pan, tilt or based on tracking of objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
    • G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
    • G06F3/0414—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means using force sensing means to determine a position
    • G06F3/04144—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means using force sensing means to determine a position using an array of force sensing means
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/18—Artificial neural networks; Connectionist approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Neurology (AREA)
  • User Interface Of Digital Computer (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本公开内容涉及计算机实现或硬件实现的实体识别方法(100)，包括：a)向节点网络提供(110)来自多个传感器的输入；b)由网络的每个节点基于来自多个传感器的输入生成(120)活动水平；c)将每个节点的活动水平与阈值水平进行比较(130)；d)基于该比较，针对每个节点，将活动水平设置(140)为预设值或者保持所生成的活动水平；e)将总活动水平计算(150)为网络的节点的所有活动水平的总和；f)对a)至e)进行迭代(160)，直到达到总活动水平的局部最小值；以及g)当达到总活动水平的局部最小值时，利用(170)局部最小值处的活动水平的分布来识别实体的可测量特性。本公开内容还涉及计算机程序产品和用于实体识别的装置(300)。

Description

计算机实现或硬件实现的实体识别方法、计算机程序产品以 及用于实体识别的装置
技术领域
本公开内容涉及计算机实现或硬件实现的实体识别方法、计算机程序产品以及用于实体识别的装置。更具体地，本公开内容涉及如权利要求1、权利要求9和权利要求10的导言部分中限定的计算机实现或硬件实现的实体识别方法、计算机程序产品以及用于实体识别的装置。
背景技术
从现有技术中已知实体识别。用于执行实体识别的一种技术是神经网络。可以用于实体识别的神经网络的一种类型是Hopfield网络。Hopfield网络是递归人工神经网络的形式。Hopfield网络用作具有二进制阈值节点的内容可寻址(“相关联”)存储器系统。
然而，现有的神经网络解决方案具有差的性能和/或低的可靠性。此外，现有的解决方案需要大量的时间来训练，并且因此可能需要大量的计算机能力和/或能量，尤其是用于训练。此外，现有的神经网络解决方案可能需要大量的存储空间。
因此，需要替选的实体识别的方法。优选地，这样的方法提供或实现改进的性能、较高的可靠性、增加的效率、较快的训练、使用较少的计算机能力、使用较少的训练数据、使用较少的存储空间和/或使用较少的能量中的一项或更多项。
发明内容
本公开内容的目的是寻求减轻、缓解或消除现有技术中的上面指定的缺陷和缺点中的一个或更多个，并解决至少上面提到的问题。根据第一方面，提供了计算机实现或硬件实现的实体识别方法，包括：a)向节点网络提供来自多个传感器的输入；b)由网络的每个节点基于来自多个传感器的输入生成活动水平；c)将每个节点的活动水平与阈值水平进行比较；d)基于该比较，针对每个节点，将活动水平设置为预设值或者保持所生成的活动水平；e)将总活动水平计算为网络的节点的所有活动水平的总和；f)对a)至e)进行迭代，直到达到总活动水平的局部最小值；以及g)当达到总活动水平的局部最小值时，利用局部最小值处的活动水平的分布来识别实体的可测量特性。第一方面具有如下优点：网络的有效结构可以动态地改变，这使得例如每单元/节点能够识别较大数目的实体。
根据一些实施方式，输入随时间动态变化，并跟随传感器输入轨迹。其一个优点是该方法对噪声不太敏感。另一优点是识别更快。又一优点是这使得实现更准确的识别。
根据一些实施方式，多个传感器监测传感器之间的相关性。这具有该方法对噪声不太敏感的优点。
根据一些实施方式，当在比用户可定义的时间阈值长的时间段内以比用户可定义的偏差阈值小的偏差跟随传感器输入轨迹时，已经达到总活动水平的局部最小值。
根据一些实施方式，每个节点的活动水平被用作至所有其他节点的输入，每个输入使用权重进行加权，并且其中，至少一个加权输入为负，以及/或者其中，至少一个加权输入为正，以及/或者其中，所有保持的生成的活动水平为正标量。
根据一些实施方式，网络由激活能量X激活，激活能量X影响总活动水平的局部最小值的所在。
根据一些实施方式，来自多个传感器的输入是由摄像机捕获的图像的像素值，诸如强度，并且其中，进一步利用跨所有节点的活动水平的分布以通过摄像机的旋转移动和/或平移移动来控制摄像机的定位，从而控制传感器输入轨迹，并且其中，所识别的实体是存在于所捕获的图像的至少一个图像中的对象或对象的特征。其一个优点是该方法对噪声不太敏感。另一优点是识别独立于绝对时间量，例如，每个静态摄像机图像所花费的绝对时间量、以及随着摄像机定位改变在不同的这样的静态摄像机图像之间所花费的绝对时间量。
根据一些实施方式，多个传感器是触摸传感器，并且来自多个传感器中的每一个的输入是具有力相关的值的触摸事件信号，并且其中，跨所有节点的活动水平的分布被用来将传感器输入轨迹识别为新的接触事件、接触事件的结束、姿势或者识别为施加的压力。
根据一些实施方式，多个传感器中的每个传感器与音频信号的不同频带相关联，其中，每个传感器报告相关联的频带中存在的能量，并且其中，来自多个这样的传感器的组合输入跟随传感器输入轨迹，并且其中，跨所有节点的活动水平的分布被用于识别说话者和/或音频信号中存在的说出的字母、音节、单词、短语或音素。
根据第二方面，提供了包括非暂态计算机可读介质的计算机程序产品，在该非暂态计算机可读介质上具有包括程序指令的计算机程序，计算机程序能够被加载到数据处理单元中并且被配置成当计算机程序由数据处理单元运行时使得执行以上提及的实施方式中的任何实施方式或方法。
根据第三方面，提供了用于实体识别的装置，该装置包括控制电路系统，该控制电路系统被配置成使得：a)向节点网络提供来自多个传感器的输入；b)由网络的每个节点基于来自多个传感器的输入生成活动水平；c)将每个节点的活动水平与阈值水平进行比较；d)基于该比较，针对每个节点，将活动水平设置为预设值或者保持所生成的活动水平；e)将总活动水平计算为网络的节点的所有活动水平的总和；f)对a)至e)进行迭代，直到达到总活动水平的局部最小值；以及g)当达到总活动水平的局部最小值时，利用局部最小值处的活动水平的分布来识别实体的可测量特性。
第二方面和第三方面的效果和特征在很大程度上类似于上面结合第一方面描述的那些效果和特征，以及第一方面的效果和特征在很大程度上类似于上面结合第二方面和第三方面描述的那些效果和特征。关于第一方面提到的实施方式在很大程度上与第二方面和第三方面兼容，以及关于第二方面和第三方面提到的实施方式在很大程度上与第一方面兼容。
一些实施方式的优点在于提供了实体识别的替选方法。
一些实施方式的优点在于实现了实体识别的改进的性能。
一些实施方式的另一优点在于提供了更可靠的实体识别。
一些实施方式的又一优点在于对该装置的训练更快，例如这是因为该装置由于例如改进的动态性能而更通用或更一般化。
一些实施方式的又一优点在于对处理元件的训练更快，例如这是因为只需要小的训练数据集合。
又一优点在于，该装置能够进行自我训练，即，有限的初始训练数据量在该装置中被渗透，使得其表示以新的组合通过网络被馈送，这实现了某种“数据增强”，但在这种情况下，向该装置重放的是传感信息的内部表示，而不是调整后的传感器数据，从而提供了比由数据增强提供的自我训练更有效的自我训练。
一些实施方式的又一优点在于提供了有效或更有效的识别实体的方法。
一些实施方式的又一优点在于提供了能量有效的识别实体的方法，例如这是因为该方法节省了计算机能力和/或存储空间。
一些实施方式的又一优点在于提供了识别信息片段的带宽有效的方法，例如这是因为该方法节省了传输数据所需的带宽。
根据下面给出的详细描述，本公开内容将变得明显。详细描述和特定示例仅通过说明的方式公开了本公开内容的优选实施方式。本领域技术人员从详细描述的指导中理解到，可以在本公开内容的范围内进行改变和修改。
因此，应当理解的是，本文中公开的公开内容不限于所描述的装置的特定组成部分或所描述的方法的步骤，因为这样的装置和方法可以变化。还应当理解的是，本文中所使用的术语仅用于描述特定实施方式的目的，而不意在进行限制。应当注意的是，当在说明书和所附权利要求中使用时，除非上下文中另有明确规定，否则冠词“一”，“一种”、“该”和“所述”意在表示存在元件中的一个或更多个。因此，例如，对“单元”或“该单元”的引用可以包括若干个装置等。此外，词语“包括”、“包含”、“含有”和类似用语不排除其他元件或步骤。
术语——术语“可测量的”应被解释为可以被测量或检测的事物，即是可检测的。术语“测量”和“感测”应被解释为同义词。术语“实体”应被解释为诸如物理实体的实体、或更抽象的实体诸如金融实体，例如一个或更多个金融数据集。术语“物理实体”应被解释为具有物理存在的实体，例如对象、(对象的)特征、姿势、施加的压力、说话者、说出的字母、音节、音素、单词或短语。术语“节点”可以是(神经网络的)神经元或另一处理元件。
附图说明
本公开内容的上述目的以及其他目的、特征和优点将通过参考在结合附图进行时的本公开内容的示例实施方式的以下说明性且非限制性的详细描述而得到更充分地理解。
图1是示出根据本公开内容的一些实施方式的示例方法步骤的流程图；
图2是示出根据一些实施方式的示例计算机可读介质的示意图；
图3是示出根据一些实施方式的示例装置的示意性框图；
图4是根据一些实施方式的使用具有多个传感器和多个处理元件的示例来说明装置的操作原理的示意图；
图5是根据一些实施方式的使用具有多个传感器和多个处理元件的示例来说明装置的操作原理的示意图；
图6是根据一些实施方式的使用具有多个处理元件的示例来说明装置的操作原理的示意图；
图7是根据一些实施方式的使用具有多个传感器和多个处理元件的示例来说明装置的操作原理的示意图；
图8A至图8H是根据一些实施方式的使用具有多个触觉传感器的示例来说明装置的操作原理的示意图；
图9是根据一些实施方式的使用具有摄像机的示例来说明装置的操作原理的示意图；
图10A至图10C是示出关于感测音频信号的不同传感器的频率和功率的图表；以及
图11是传感轨迹的图表。
具体实施方式
现在将参照附图描述本公开内容，在附图中示出了本公开内容的优选示例实施方式。然而，本公开内容可以以其他形式实施，并且不应被解释为限于本文公开的实施方式。提供所公开的实施方式以向技术人员充分传达本公开内容的范围。
在下文中，将描述实施方式，其中图1是示出根据本公开内容的实施方式的示例方法步骤的流程图。图1示出了计算机实现或硬件实现的实体识别方法100。因此，该方法可以以硬件、软件或这两者的任意组合来实现。该方法包括向节点522、524、526、528的网络520(如图5所示)提供110来自多个传感器的输入502、504、506、508。网络520可以是递归网络，例如递归神经网络。传感器可以是任何合适的传感器；例如图像传感器(例如像素)、音频传感器(例如麦克风)或触觉传感器(例如压力传感器阵列或生物启发的触觉传感器)。此外，输入可以被现场生成，即传感器被直接连接至网络520。可替选地，输入首先被生成以及被记录/存储，然后被馈送至网络520。此外，输入可能已经被预处理。预处理输入的一种方式是通过组合(例如，通过信号的平均或相加)或重新组合多个传感器信号，并将这样的信号的组合或重新组合用作至网络520的一个或更多个输入。在任一情况下，输入数据可能随着时间的推移而不断变化和演变。此外，该方法包括由网络520的每个节点522、524、526、528基于来自多个传感器的输入生成120活动水平。因此，每个节点522、524、526、528具有与其相关联的活动水平。节点的活动水平代表该节点的状态，例如内部状态。此外，活动水平的集合即每个节点的活动水平代表网络520的内部状态。网络520的内部状态可以用作至一个或更多个致动器的反馈信号，其直接或间接地控制输入，从而控制传感器输入轨迹。此外，该方法包括将每个节点522、524、526、528的活动水平与阈值水平(即活动水平阈值)进行比较130。阈值水平可以是任何合适的值。该方法包括：基于比较130，针对每个节点522、524、526、528，将活动水平设置140为预设值或者保持所生成的活动水平。在一些实施方式中，如果生成的活动水平高于阈值水平，则保持所生成的活动水平，而如果生成的活动水平等于或低于阈值水平，则将活动水平设置为预设值。活动水平可以被设置为预设值零或设置为任何其他合适的值。此外，该方法包括将总活动水平计算150为网络520的节点522、524、526、528的所有活动水平的总和。对于计算，可以一起使用设置值与任何保持的生成值。如果预设值为零，则总活动水平可以被计算为仅所有保持的生成值的总和，从而忽略所有零值并因此提供较快的计算。此外，该方法包括对先前描述的步骤110、120、130、140、150进行迭代160，直到达到总活动水平的局部最小值。使用不断演变的输入信号来执行迭代，例如，每个输入是来自传感器的连续信号。当达到最低可能的总活动水平时，达到局部最小值。当总活动水平在多次迭代中低于总活动阈值时，可以认为达到了最低可能的总活动水平。迭代次数可以是任何合适的次数，例如两次。当已经达到总活动水平的局部最小值时，利用170局部最小值处的活动水平的分布来识别实体的可测量特性(或多个可测量特性)。可测量特性可以是对象的特征、特征的一部分、位置的轨迹、施加的压力的轨迹、或者某个说话者在说出某个字母、音节、音素、单词或短语时的频率签名。这样的可测量特性然后可以被映射到实体。例如，对象的特征可以被映射到对象，特征的一部分可以被映射到(对象的)特征，位置的轨迹可以被映射到姿势，施加的压力的轨迹可以被映射到(最大)施加的压力，某个说话者的频率签名可以被映射到该说话者，并且说出的字母、音节、音素、单词或短语可以被映射到实际的字母、音节、音素、单词或短语。这样的映射可以简单地是在存储器、查找表或数据库中的查找。该查找可以基于找到多个物理实体中具有最接近所识别的可测量特性的特性的实体。从这样的查找中，可以识别实际的实体。当达到局部最小值时，网络520在用户可定义的时间量内跟随局部最小值轨迹。识别的精度取决于跟随该局部最小值轨迹所花费的总时间量。
在一些实施方式中，输入随时间动态变化，并跟随(时间上的)传感器输入轨迹或传感轨迹。在一些实施方式中，多个传感器监测传感器之间的相关性。这样的相关性可能是由于如下事实：传感器位于同一底层基板的不同部分，例如传感器被定位成彼此靠近，并因此测量彼此相关或依赖的不同信号方面。可替选地，传感器测量的量可能由于管理由传感器监测的世界的法则而具有相关性。例如，当视觉世界(通过摄像机)被映射到第一图像的一组传感器像素时，两个相邻的传感器/像素可能在其强度方面具有高对比度，但是并非所有相邻的传感器/像素都会在它们之间具有高的强度对比度，这是因为视觉世界不是这样构成的。因此，在视觉世界中可能存在一定程度的可预测性或相关性，这意味着如果在中心像素与第一像素(例如中心像素左边的像素)之间存在高的强度对比度，但是在中心像素与其他相邻像素(例如中心像素右边的像素、中心像素上面的像素和中心像素下面的像素)之间存在低得多的强度对比度，那么这种关系也可以反映在其他图像例如第二图像中，即同样在第二图像中，在中心像素与第一像素之间可能存在高的强度对比度，而在中心像素与其他相邻像素之间可能存在低得多的强度对比度。
在一些实施方式中，当在比用户可定义的时间阈值长的时间段内以比用户可定义的偏差阈值小的偏差跟随传感器输入轨迹时，已经达到总活动水平的局部最小值。换言之，当内部轨迹在足够时间量内足够好地跟随传感器输入轨迹时，已经达到总活动水平的局部最小值，该内部轨迹是由节点522、524、526、528跟随的轨迹。因此，在一些实施方式中，传感器输入轨迹由内部轨迹复制或表示。此外，当达到最低可能的总活动水平时，即当(网络520的)总活动水平相对于由来自多个传感器的输入提供至网络520的活动的总和尽可能低时，达到局部最小值。由于偏差阈值和时间阈值是用户可定义的，所以用户可以选择合适的精度。此外，由于偏差阈值和时间阈值是用户可定义的，所以不必达到或找到实际的局部最小值，而是，根据设定的偏差阈值和设定的时间阈值，总活动水平在局部最小值附近或接近局部最小值就足够了，从而允许偏离内部轨迹。此外，如果总活动水平不在设定的偏差阈值和设定的时间阈值内，则该方法可选地包括报告没有实体能够以合适的精度/确定性被识别的步骤。
根据一些实施方式，计算机程序产品包括非暂态计算机可读介质200，诸如例如通用串行总线(USB)存储器、插入式卡、嵌入式驱动器、数字通用光盘(DVD)或只读存储器(ROM)。图2示出了光盘(CD)ROM 200形式的示例计算机可读介质。计算机可读介质在其上存储有包括程序指令的计算机程序。计算机程序可加载到数据处理器(PROC)220中，该数据处理器例如可以包含在计算机或计算设备210中。当计算机程序被加载到数据处理单元中时，该计算机程序可以存储在与数据处理单元相关联或包含在数据处理单元中的存储器(MEM)230中。根据一些实施方式，计算机程序在被加载到数据处理单元中并由数据处理单元运行时可以导致根据例如本文中描述的图1所示的方法的方法步骤的执行。
图3是示出根据一些实施方式的示例装置的示意性框图。图3示出了用于实体识别的装置300。装置300可以被配置成导致如图1所示或本文中以其他方式描述的方法步骤中的一个或更多个的执行(例如，装置300可以被配置成执行如图1所示或本文中以其他方式描述的方法步骤中的一个或更多个)。装置300包括控制电路系统310。控制电路310被配置成：使得向节点522、524、526、528的网络520提供来自多个传感器的输入(与图1的步骤110相比)；使得由网络520的每个节点522、524、526、528基于来自多个传感器的输入生成活动水平(与图1的步骤120相比)；使得将每个节点522、524、526、528的活动水平与阈值水平进行比较(与图1的步骤130相比)；使得基于该比较，针对每个节点522、524、526、528，将活动水平设置为预设值或者保持所生成的活动水平(与图1的步骤140相比)；使得将总活动水平计算为网络520的节点522、524、526、528的所有活动水平的总和(与图1的步骤150相比)；使得对提供、生成、比较、设置/保持和计算进行迭代，直到达到总活动水平的局部最小值(与图1的步骤160相比)；以及使得当达到总活动水平的局部最小值时，利用局部最小值处的活动水平的分布来识别实体的可测量特性(与图1的步骤170相比)。
控制电路系统310可以包括以下项或以其他方式与以下项相关联：提供者(例如，提供电路系统或提供模块)312，该提供者可以被配置成向节点的网络提供来自多个传感器的输入；生成器(例如，生成电路系统或生成模块)314，该生成器可以被配置成通过网络的每个节点基于来自多个传感器的输入生成活动水平；比较器(例如，比较电路系统或比较模块)316，该比较器可以被配置成将每个节点的活动水平与阈值水平进行比较；设置器/保持器(例如，设置/保持电路系统或设置/保持模块)318，该设置器/保持器可以被配置成：基于该比较，针对每个节点，将活动水平设置为预设值或保持所生成的活动水平；计算器(例如，计算电路系统或计算模块)320，该计算器可以被配置成将总活动水平计算为网络的节点的所有活动水平的总和；迭代器(例如，迭代电路系统或迭代模块)322，该迭代器可以被配置成对提供、生成、比较、设置/保持和计算进行迭代直到达到总活动水平的局部最小值；以及利用器(例如，利用电路系统或利用模块)324，该利用器可以被配置成：当达到总活动水平的局部最小值时，利用局部最小值处的活动水平的分布来识别实体的可测量特性。
图4根据一些实施方式使用具有多个传感器和多个节点/处理元件的示例来说明装置的操作原理。在图4中的1处，包括节点i1、i2、i3和i4的网络420被激活能量X激活。在一些示例中，如图4示意性示出的，节点i1、i2、i3、i4的网络表现出非线性吸引子动力学。更具体地，节点的网络是吸引子网络。此外，通过基于每个节点的活动水平与阈值水平的比较130将活动水平设置为预设值来引入非线性。网络420的内部状态等同于跨节点i1至i4的活动的分布。内部状态根据网络420的结构随着时间的推移不断演变。在图4中的2处，网络420的内部状态被用于触发生成传感器激活的移动或者仅对传感器数据执行矩阵运算。在一些示例中，如图4所示，网络420生成导致传感器激活的异步数据。在图4中的3处，由传感器网络430中的传感器j1至j4测量周围世界的外部状态，所述周围世界在图4中以示例的方式示意性地示出为由多个传感器(例如生物触摸传感器)感测的对象。在一些实施方式中，例如，如果网络420的内部状态被用来触发生成传感器激活的移动(致动器激活通过内部状态引起的传感器激活的变化)，则传感器与外部世界之间的关系可以被改变。在图4中的4处，传感器网络430被示出为生成例如异步数据，该异步数据被馈送至网络420。传感器网络430的传感器j1至j4对于视觉信号或音频信号在机械上以及/或者由于外部世界的物理特性而总是相关的，并且它们的相关性可以与具有状态相关的权重的网络相比较。激活能量X将影响总活动水平的局部最小值的所在。此外，激活能量X还可以驱动从i1至i4到j1至j4(或致动器)的输出(跨所有节点的活动水平的分布)。因此，激活能量X对于使传感器输入轨迹成为内部状态的函数(例如内部轨迹的函数)是有用的。激活能量X可以是对特定实体的初始猜测即期望，或者激活能量X可以是对给定感测条件下的特定信息片段/实体的请求，已知其由许多实体的组合组成。
图5根据一些实施方式利用多个传感器和多个处理元件或节点来说明装置的操作原理。更具体地，图5示出了节点522、524、526、528的网络520的每个节点具有来自相应传感器(未示出)的相应输入502、504、506、508。
图6是根据一些实施方式的利用多个互连的节点或处理元件来说明装置的操作原理的示意图。图6示出了节点522、524、526、528的网络520，每个节点522、524、526、528被连接至所有其他节点522、524、526、528。如果所有节点522、524、526、528被连接至所有其他节点522、524、526、528，则可以获得具有最大潜在差异的系统/方法。因此，实现了潜在的、最大的表现丰富性。在该方案中，每个添加的节点可以使得增加表现的丰富性。为了实现这一点，节点之间的连接/权重的精确分布成为了重要的许可因素。
图7是根据一些实施方式的使用具有多个传感器和多个节点/处理元件的示例来说明装置的操作原理的示意图。图7示出了节点522、524、526、528的网络520，每个节点522、524、526、528经由连接而被连接至所有其他节点522、524、526、528。此外，每个节点522、524、526、528被提供有来自多个传感器的至少一个输入，例如输入512、514。在一些实施方式中，每个节点522、524、526、528的活动水平被用作经由连接而至所有其他节点522、524、526、528的输入，每个输入使用权重(输入权重，例如突触权重)进行加权。至少一个加权输入为负。实现这一点的一种方式是通过利用至少一个负权重。可替选地或另外地，至少一个加权输入为正。实现这一点的一种方式是通过利用至少一个正权重。在一个实施方式中，节点522、524中的一些节点通过具有从0至+1的值的权重来影响所有其他节点，而其他节点526、528通过具有从-1至0的值的权重来影响所有其他节点。可替选地或另外地，所有保持的生成的活动水平都是正标量。通过将负权重的利用与所有保持的生成的活动水平为正标量的情况相结合，并将负权重的利用与用于设置所有其他活动水平的预设值为例如零的情况相结合，在任何时间点处，一些节点(这些节点在前一时间点处不低于阈值水平)可以低于用于生成输出的阈值水平，这意味着网络的有效结构在识别过程期间可以动态变化。在该实施方式中，该方法与利用Hopfield网的方法不同，不仅在于对每个节点的活动水平应用阈值，还在于该实施方式的节点仅具有正标量输出但是可以生成负输入。此外，如果所有节点/神经元都是互连的，并且来自传感器的所有输入都以网络的所有节点/神经元为目标，则可以实现最大的表现丰富性。在这种情况下，来自传感器的输入将在网络中引发不同的状态，这取决于传感器输入的确切时空模式(以及该模式的时间演变)。
此外，如以上结合图1所说明的，当达到最低可能的总活动水平时，即当(网络520的)总活动水平相对于由来自多个传感器的输入提供至网络520的活动的总和尽可能低时，达到局部最小值。然而，如果来自多个传感器的输入是网络520的节点522、524、526、528的活动的乘积(并且网络的节点522、524、526、528由激活能量X驱动)，则简单地将所有输入权重设置为零的最有效的解决方案将不起作用。事实上，该网络520的节点522、524、526、528中的每一个也具有主动避免所有输入权重变为零的驱动方式。更具体地，在一些实施方式中，网络520的节点522、524、526、528中的每一个具有防止所有其输入权重变为零的手段/机制。此外，在一些实施方式中，网络520具有防止所有传感输入权重为零的另外的手段/机制。
图8是利用多个触觉传感器来说明装置的操作原理的示意图。更具体地，图8示出了定义一个动态特征的相同类型的传感器相关性可以如何在两种不同的感测条件——即抵靠刚性表面的接触或伸展以及抵靠顺应性表面的接触或伸展——下发生。在一些实施方式中，多个传感器是触摸传感器或触觉传感器。触觉传感器可以是例如压力传感器阵列或生物启发的触觉传感器。例如阵列中的触觉传感器中的每一个将感测表面是否被例如手指、笔或另一对象触摸或伸展，并且通过触摸/伸展被激活。触觉传感器位于手指、笔或其他对象处。如果触觉传感器被激活，则该触觉传感器将输出触摸事件信号，例如+1。如果触觉传感器未被激活，则该触觉传感器将输出无触摸事件信号，例如0。可替选地，如果触觉传感器感测到表面被触摸，则该触觉传感器将输出具有力相关的值的触摸事件信号，例如0与+1之间的值，而如果触觉传感器没有感测到表面被触摸，则该触觉传感器将输出无触摸事件信号，例如0。将触觉传感器的输出作为输入提供至节点522、524、526、528的网络520。因此，来自多个传感器中的每一个的输入是触摸事件(例如，具有力相关的值)或者是无触摸事件。在一些实施方式中，被触摸/伸展的表面是刚性(非顺应性)表面。如图8A所示，当例如手指开始触摸表面时，阵列中仅一个或几个触觉传感器可以将此感测为触摸事件。随后，如图8B至图8D所示，当顺应的手指以恒定的力在表面上被推动时，这导致接触涉及较大的表面区域，由此更多的传感器感测到触摸事件。如图8A至图8D所示，如果阈值水平(利用结合图1描述的方法)被选择成使得只有具有来自接收最高剪切力的触觉传感器的输入的节点522、524、526、528的活动水平，则仅这些保持所生成的活动水平的传感器是在由图8A至图8D中的圆的边缘/周界表示的中间区域中的传感器。因此，当以恒定的力抵靠表面推动手指时，接触涉及逐渐变大的表面区域，由此保持的生成的活动水平随着时间的推移可以被描述为径向向外行进的波，即跟随的传感器输入轨迹是径向向外行进的波，该径向向外行进的波涉及可预测的传感器激活的序列。随着手指被抬起并因此越来越少地接触表面，跟随的传感器输入轨迹是跨皮肤传感器群的径向向内行进的波。轨迹可以用于识别新的接触事件和/或接触事件的结束。轨迹还可以用于例如通过将轨迹与已知接触事件的轨迹进行比较来在不同类型的接触事件之间进行区分。可替选地，这两者可以跟随相同的总体轨迹，但是添加了一些相邻的轨迹路径/轨迹分量，这些轨迹路径/轨迹分量可能被系统发现或者可能不被系统发现，这取决于用于识别的阈值。通过利用用于识别的轨迹，新的接触事件(或接触事件的结束)可以被识别为相同类型的时空序列或定性事件，而不管所施加的手指力的量以及所产生的剪切力的绝对水平如何，即不管手指被施加到表面的快慢程度如何(其中手指移动的速度例如也可以取决于上述激活能量X)。此外，识别独立于一个或几个传感器是否有故障/噪声，因此导致稳健的识别。
在一些实施方式中，触觉传感器或触觉传感器阵列抵靠顺应性表面接触/伸展。在顺应性表面的情况下，中间区域而是将如图8E至图8H所示增长，并且中间区域将变宽。然而，总体传感器激活关系(传感器输入轨迹)保持不变，并且假如阈值水平被设置为足够允许/低的水平，该方法就将以总的系统活动的相同局部最小值结束，并且接触开启特征(新的接触事件和/或接触事件的结束)正在被识别。可替选地，跨所有节点的活动水平的分布可以用于将传感器输入轨迹识别为姿势。刚性表面可以用于识别例如姿势，而顺应性表面可以用于识别例如施加在某个区间内的最大剪切力。
图9是示出装置与摄像机一起的操作原理的示意图。在一些实施方式中，来自多个传感器的输入是像素值。像素值可以是强度值。可替选地或另外地，像素值可以是表示颜色——例如红色、绿色和蓝色；或者青色、品红色、黄色和黑色——的一个或更多个分量强度。像素值可以是由诸如数字摄像机的摄像机910(如图9所示)捕获的图像的一部分。此外，图像可以是按序列捕获的图像。可替选地，图像可以是被捕获的图像的子集，例如序列中的每隔一个的图像。利用结合图1描述的方法同时利用跨所有节点522、524、526、528的活动水平的分布以通过摄像机910的旋转移动和/或平移移动来控制摄像机910的定位，可以控制传感器输入轨迹。旋转移动和/或平移移动可以通过致动器912(诸如一个或更多个马达)来执行，该致动器被配置成使摄像机旋转/成一定角度以及/或者使摄像机前后或左右移动。因此，跨所有节点522、524、526、528的活动水平的分布被用作至致动器912的反馈信号。在图9中，摄像机912使对象920在其聚焦场内。因此，对象920将出现在被捕获的图像中的一个或更多个图像中。对象920可以是人、树、房子或任何其他合适的对象。通过控制摄像机的角度或定位，影响/改变来自多个像素的输入。然后，传感器信号即像素成为跨所有节点522、524、526、528的活动水平的分布的函数，并因此成为其自身内部状态的函数。摄像机912的主动移动生成传感器输入的随时间演变的流。因此，输入随时间动态变化，并跟随传感器输入轨迹。传感器输入轨迹通过摄像机912的移动来控制，并且当已经达到总活动水平的局部最小值时，局部最小值处的活动水平的分布被用来识别实体的可测量特性诸如对象的特征或(对象的)特征的一部分，如果可测量特性是对象的特征，则实体是该对象，以及如果可测量特性是特征的一部分，则实体是该特征。特征可以是生物特征，例如两个生物特征点之间的距离，例如人的双眼之间的距离。可替选地，特征可以是对象的宽度或高度，例如树的宽度或高度。在一些实施方式中，当对象920与摄像机912之间的距离增加时，用作输入的像素的数量可以减少，而当对象920与摄像机912之间的距离减小时，用作输入的像素的数量可以增加，从而确保对象或同一对象的特征被识别为同一实体。例如，如果对象920与摄像机912之间的距离加倍，则在较短距离处被用作输入的像素中的仅四分之一像素——即在较长距离处覆盖对象的像素——被用作较长距离处的输入。因此，不管距离如何，对象/实体都可以被识别为相同的对象/实体，这是因为即使被占用的传感器/像素的数量在对象位于更远处时将较少，传感器相关性在摄像机扫过对象时也将能够被识别为在性质上相同。在另一示例中，要识别的特征是白色区域与黑色区域之间的垂直对比线。如果摄像机912扫过垂直对比线(例如，从左至右)，则4个传感器将发现与16个或64个传感器相同的特征(即，垂直对比线)。因此，存在成为特定类型的传感器激活相关性的中心特征要素，该中心特征要素在摄像机移动时跨传感器行进。此外，还可以控制摄像机移动的速度。当摄像机912以增加的速度移动时，用作输入的像素可以来自较少的图像，例如来自每隔一个的图像，而当摄像机912以减小的速度移动时，用作输入的像素可以来自较多的图像，从而确保对象或对象的特征独立于速度被识别为相同实体。此外，实体识别和/或实体的可测量特性的识别可以与接受阈值相关联，即，当将实体和/或实体的可测量特性与已知的物理实体或已知的物理实体的特性进行比较、将物理实体或物理实体的特性与存储器、查找表或数据库中的实际物理实体或实际物理实体的特性进行匹配(借助于找到的局部最小值处的活动水平的分布)时，可以利用接受阈值来决定是否存在匹配。接受阈值可以由用户设置，即是用户可定义的。接受阈值的利用确保了即使跨传感器的活动分布并不完全相同，特征或对象也可以相同。由于跨传感器的活动分布不必完全相同以决定是否存在匹配，所以即使一个或几个传感器/像素具有故障或具有噪声也可以达到正确的识别，即，对噪声具有相对鲁棒性。因此，可以在近/短距离处识别特征或对象，但也可以在较大的距离处识别相同的特征，即可以独立于距离来识别特征或对象。同样的推理适用于相同距离处的两个不同大小但具有相同特征的对象。在这两种情况下，总的传感器活动改变，但它们激活的的总体时空关系仍然可以被识别。
图10A至图10C示出了感测音频信号的不同传感器的频率和功率。如从图10A中可以看出，音频信号的频谱可以划分成不同的频带。不同频带中的功率或能量可以由传感器感测(和报告)。图10B示出了由传感器1和传感器2感测的频带中的功率。如从该图中可以看出，每个传感器感测不同的频带。图10C示出了随着时间的推移基于由传感器1和传感器2感测到的功率的传感轨迹。音频信号可以包括来自语音的声音(以及可能的其他声音)，该声音包含跨几个频带的功率或能量的动态变化。因此，对于每个说出的音节，可以基于特定的动态签名将语音识别为属于(一组个体中的)一个特定个体。动态签名包括每个频带中的功率水平或能量水平在一定时间段内的具体变化。因此，通过将频谱划分为频带，并使传感器感测每个频带中的功率或能量或多个频带中的每一个中的功率或能量(针对每个频带使用一个或更多个传感器)，动态签名将创建特定的传感器输入轨迹。因此，来自多个这样的传感器的组合输入跟随传感器输入轨迹。在一些实施方式中，多个传感器中的每个传感器与音频信号的频带相关联。优选地，每个传感器与不同的频带相关联。每个传感器感测(并报告)一定时间段内在与该传感器相关联的频带中存在的功率或能量。利用结合图1描述的方法并达到局部最小值，局部最小值处跨所有节点522、524、526、528的活动水平的分布被用来识别说话者。可替选地或另外地，跨所有节点522、524、526、528的活动水平可以用于识别音频信号中存在的所说的字母、音节、音素、单词或短语。例如，通过将找到的局部最小值处跨所有节点522、524、526、528的活动水平的分布与存储的与已知音节相关联的活动水平的分布进行比较来识别音节。同样地，通过将找到的局部最小值处跨所有节点522、524、526、528的活动水平的分布与存储的与已知说话者相关联的活动水平的分布进行比较来识别说话者。结合图9所描述的接受阈值也可以用于决定是否存在匹配(对于音节或说话者)。此外，当对于识别来说轨迹被跟随并且达到局部最小值时，该识别与声音信号的速度以及音量无关。
图11是另一传感器输入轨迹的图表。图11示出了随着时间的推移基于三个传感器(传感器1、传感器2和传感器3)的传感器输入轨迹。如图11所见，传感器1随时间的测量值被用作三维空间的笛卡尔坐标系的X坐标，而传感器2随时间的测量值被用作Y坐标，以及传感器3随时间的测量值被用作Z坐标。在一个实施方式中，传感器测量音频信号的不同频带。在另一实施方式中，传感器测量是否存在触摸事件。在又一实施方式中，传感器测量像素的强度值。图11中的绘制的坐标一起构成了传感轨迹。
本领域技术人员认识到，本公开内容不限于上述优选实施方式。本领域技术人员还认识到，在所附权利要求的范围内可以进行修改和变化。例如，可以识别诸如香味或味道的其他实体。另外，根据对附图、公开内容和所附权利要求书的研究，本领域技术人员在实践所要求保护的本公开内容时可以理解和实现所公开的实施方式的变型。

Claims (11)

1.一种计算机实现或硬件实现的实体识别方法(100)，包括：
a)向节点网络提供(110)来自多个传感器的输入；
b)由所述网络的每个节点基于来自所述多个传感器的输入生成(120)活动水平；
c)将每个节点的活动水平与阈值水平进行比较(130)；
d)基于所述比较，针对每个节点，将所述活动水平设置(140)为预设值或者保持所生成的活动水平；
e)将总活动水平计算(150)为所述网络的节点的所有活动水平的总和；
f)对a)至e)进行迭代(160)，直到达到所述总活动水平的局部最小值；以及
g)当达到所述总活动水平的局部最小值时，利用(170)所述局部最小值处的活动水平的分布来识别所述实体的可测量特性。
2.根据权利要求1所述的计算机实现或硬件实现的方法，其中，所述输入随时间动态变化，并且跟随传感器输入轨迹。
3.根据权利要求2所述的计算机实现或硬件实现的方法，其中，所述多个传感器监测传感器之间的相关性。
4.根据权利要求2至3中任一项所述的计算机实现或硬件实现的方法，其中，当在比用户能够定义的时间阈值长的时间段内以比用户能够定义的偏差阈值小的偏差跟随传感器输入轨迹时，已经达到所述总活动水平的局部最小值。
5.根据权利要求1至4中任一项所述的计算机实现或硬件实现的方法，其中，每个节点的活动水平被用作至所有其他节点的输入，每个输入使用权重进行加权，并且其中，至少一个加权输入为负，以及/或者其中，至少一个加权输入为正，以及/或者其中，所有保持的生成的活动水平为正标量。
6.根据权利要求1至5中任一项所述的计算机实现或硬件实现的方法，其中，所述网络由激活能量X激活，所述激活能量X影响所述总活动水平的局部最小值的所在。
7.根据权利要求2至6中任一项所述的计算机实现或硬件实现的方法，其中，来自所述多个传感器的输入是由摄像机捕获的图像的像素值，诸如强度，并且其中，进一步利用跨所有节点的活动水平的分布以通过所述摄像机的旋转移动和/或平移移动来控制所述摄像机的定位，从而控制所述传感器输入轨迹，并且其中，所识别的实体是存在于所捕获的图像的至少一个图像中的对象或对象的特征。
8.根据权利要求2至6中任一项所述的计算机实现或硬件实现的方法，其中，所述多个传感器是触摸传感器，并且来自所述多个传感器中的每一个的输入是具有力相关的值的触摸事件信号，并且其中，跨所有节点的活动水平的分布被用于将所述传感器输入轨迹识别为新的接触事件、接触事件的结束、姿势或识别为施加的压力。
9.根据权利要求2至6中任一项所述的计算机实现或硬件实现的方法，其中，所述多个传感器中的每个传感器与音频信号的不同频带相关联，其中，每个传感器报告相关联的频带中存在的能量，并且其中，来自多个这样的传感器的组合输入跟随传感器输入轨迹，并且其中，跨所有节点的活动水平的分布被用于识别说话者和/或所述音频信号中存在的说出的字母、音节、音素、单词或短语。
10.一种包括非暂态计算机可读介质(200)的计算机程序产品，在所述非暂态计算机可读介质上具有包括程序指令的计算机程序，所述计算机程序能够被加载到数据处理单元(220)中并且被配置成当所述计算机程序由所述数据处理单元(220)运行时使得执行根据权利要求1至8中任一项所述的方法。
11.一种用于实体识别的装置(300)，所述装置包括控制电路系统(310)，所述控制电路系统被配置成使得：
a)向节点网络提供来自多个传感器的输入；
b)由所述网络的每个节点基于来自所述多个传感器的输入生成活动水平；
c)将每个节点的活动水平与阈值水平进行比较；
d)基于所述比较，针对每个节点，将所述活动水平设置为预设值或者保持所生成的活动水平；
e)将总活动水平计算为所述网络的节点的所有活动水平的总和；
f)对a)至e)进行迭代，直到达到所述总活动水平的局部最小值；以及
g)当达到所述总活动水平的局部最小值时，利用所述局部最小值处的活动水平的分布来识别所述实体的可测量特性。
CN202180042523.0A 2020-06-16 2021-06-16 计算机实现或硬件实现的实体识别方法、计算机程序产品以及用于实体识别的装置 Pending CN115699018A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
SE2030199-0 2020-06-16
SE2030199 2020-06-16
SE2051375-0 2020-11-25
SE2051375A SE544261C2 (en) 2020-06-16 2020-11-25 A computer-implemented or hardware-implemented method of entity identification, a computer program product and an apparatus for entity identification
PCT/SE2021/050589 WO2021256981A1 (en) 2020-06-16 2021-06-16 A computer-implemented or hardware-implemented method of entity identification, a computer program product and an apparatus for entity identification

Publications (1)

Publication Number Publication Date
CN115699018A true CN115699018A (zh) 2023-02-03

Family

ID=79268143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180042523.0A Pending CN115699018A (zh) 2020-06-16 2021-06-16 计算机实现或硬件实现的实体识别方法、计算机程序产品以及用于实体识别的装置

Country Status (9)

Country Link
US (3) US11507805B2 (zh)
EP (1) EP4165558A4 (zh)
JP (1) JP2023531412A (zh)
KR (1) KR20230025430A (zh)
CN (1) CN115699018A (zh)
AU (1) AU2021293079A1 (zh)
CA (1) CA3181240A1 (zh)
SE (1) SE544261C2 (zh)
WO (1) WO2021256981A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE544261C2 (en) 2020-06-16 2022-03-15 IntuiCell AB A computer-implemented or hardware-implemented method of entity identification, a computer program product and an apparatus for entity identification
WO2025196083A1 (en) 2024-03-18 2025-09-25 IntuiCell AB A self-learning artificial neural network and related aspects

Family Cites Families (54)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0359757A (ja) 1989-07-28 1991-03-14 Toshiba Corp 神経回路網処理方式
JPH0927036A (ja) * 1995-07-13 1997-01-28 Olympus Optical Co Ltd ３次元形状認識装置
US7152051B1 (en) 2002-09-30 2006-12-19 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
JP4687199B2 (ja) * 2005-03-31 2011-05-25 Ｋｄｄｉ株式会社 連想記憶装置とそのソフトウェア
US7904398B1 (en) 2005-10-26 2011-03-08 Dominic John Repici Artificial synapse component using multiple distinct learning means with distinct predetermined learning acquisition times
US7958071B2 (en) 2007-04-19 2011-06-07 Hewlett-Packard Development Company, L.P. Computational nodes and computational-node networks that include dynamical-nanodevice connections
US7814038B1 (en) 2007-12-06 2010-10-12 Dominic John Repici Feedback-tolerant method and device producing weight-adjustment factors for pre-synaptic neurons in artificial neural networks
JP5393589B2 (ja) 2010-05-17 2014-01-22 本田技研工業株式会社 電子回路
US9015093B1 (en) 2010-10-26 2015-04-21 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
US9552206B2 (en) 2010-11-18 2017-01-24 Texas Instruments Incorporated Integrated circuit with control node circuitry and processing circuitry
US8928769B2 (en) 2011-03-31 2015-01-06 Drs Sustainment Systems, Inc. Method for image processing of high-bit depth sensors
US10248675B2 (en) 2013-10-16 2019-04-02 University Of Tennessee Research Foundation Method and apparatus for providing real-time monitoring of an artifical neural network
US20150112909A1 (en) 2013-10-17 2015-04-23 Qualcomm Incorporated Congestion avoidance in networks of spiking neurons
US9460382B2 (en) 2013-12-23 2016-10-04 Qualcomm Incorporated Neural watchdog
US9171445B2 (en) * 2013-12-24 2015-10-27 H Keith Nishihara Activity level monitoring participant station network
US9558442B2 (en) 2014-01-23 2017-01-31 Qualcomm Incorporated Monitoring neural networks with shadow networks
CA2941250A1 (en) * 2014-03-19 2015-09-24 Neurala, Inc. Methods and apparatus for autonomous robotic control
US20150269481A1 (en) 2014-03-24 2015-09-24 Qualcomm Incorporated Differential encoding in neural networks
US20150278680A1 (en) 2014-03-26 2015-10-01 Qualcomm Incorporated Training, recognition, and generation in a spiking deep belief network (dbn)
WO2015157670A1 (en) * 2014-04-10 2015-10-15 Medelius Pedro J Wearable environmental interaction unit
US11232466B2 (en) * 2015-01-29 2022-01-25 Affectomatics Ltd. Recommendation for experiences based on measurements of affective response that are backed by assurances
WO2017148536A1 (en) * 2016-03-04 2017-09-08 VON MÜLLER, Albrecht Electronic devices, artificial evolutionary neural networks, methods and computer programs for implementing evolutionary search and optimisation
US10671912B2 (en) 2016-09-13 2020-06-02 Sap Se Spatio-temporal spiking neural networks in neuromorphic hardware systems
CN109952581A (zh) 2016-09-28 2019-06-28 D5A1有限责任公司 用于机器学习系统的学习教练
US10713558B2 (en) 2016-12-30 2020-07-14 Intel Corporation Neural network with reconfigurable sparse connectivity and online learning
US10198655B2 (en) * 2017-01-24 2019-02-05 Ford Global Technologies, Llc Object detection using recurrent neural network and concatenated feature map
US10171084B2 (en) * 2017-04-24 2019-01-01 The Regents Of The University Of Michigan Sparse coding with Memristor networks
GB2562529B (en) * 2017-05-18 2019-12-11 Samsung Electronics Co Ltd Method and apparatus for stabilising 360 degree video
US11138724B2 (en) 2017-06-01 2021-10-05 International Business Machines Corporation Neural network classification
US10628699B2 (en) 2017-06-13 2020-04-21 Samsung Electronics Co., Ltd. Event-based image feature extraction
JP6689239B2 (ja) * 2017-08-25 2020-04-28 株式会社東芝 検出システムおよび検出方法
WO2019074532A1 (en) 2017-10-09 2019-04-18 Intel Corporation METHOD, APPARATUS AND SYSTEM FOR PERFORMING ACTION RECOGNITION USING AN IMPULSE NEURAL NETWORK
US11599776B2 (en) 2018-02-02 2023-03-07 The George Washington University Identifying mirror symmetry density with delay in spiking neural networks
US11568221B2 (en) 2018-03-09 2023-01-31 Arizona Board Of Regents On Behalf Of Northern Arizona University Artificial neuron synaptic weights implemented with variable dissolvable conductive paths
WO2020005471A1 (en) 2018-06-29 2020-01-02 D5Ai Llc Using back propagation computation as data
KR102788093B1 (ko) 2018-08-17 2025-03-31 삼성전자주식회사 전자 장치 및 그 제어 방법
WO2020046719A1 (en) 2018-08-31 2020-03-05 D5Ai Llc Self-supervised back propagation for deep learning
CN112313672B (zh) 2018-09-27 2024-09-13 渊慧科技有限公司 用于无模型强化学习的堆叠的卷积长短期记忆
WO2020152129A1 (en) 2019-01-24 2020-07-30 Dynamic Topologies Sweden Ab Method and device for constructing a neural network
US11625583B2 (en) 2019-02-13 2023-04-11 Mipsology SAS Quality monitoring and hidden quantization in artificial neural network computations
EP3924891A1 (en) 2019-02-13 2021-12-22 Mipsology SAS Quality monitoring and hidden quantization in artificial neural network computations
US11468000B2 (en) 2019-03-19 2022-10-11 Government Of The United States Of America, As Represented By The Secretary Of Commerce Fluxonic processor and processing photonic synapse events
US11126402B2 (en) 2019-03-21 2021-09-21 Qualcomm Incorporated Ternary computation memory systems and circuits employing binary bit cell-XNOR circuits particularly suited to deep neural network (DNN) computing
EP3953868A4 (en) 2019-04-10 2023-01-11 Cornell University NEUROMORPHIC ALGORITHM FOR RAPID ONLINE LEARNING AND SIGNAL RESTORATION
EP3973456A1 (de) 2019-05-21 2022-03-30 FRAUNHOFER-GESELLSCHAFT zur Förderung der angewandten Forschung e.V. Rekursive kopplung von künstlich lernenden einheiten
US11948089B2 (en) 2019-11-07 2024-04-02 Meta Platforms Technologies, Llc Sparse image sensing and processing
US20210178600A1 (en) 2019-12-12 2021-06-17 Mitsubishi Electric Research Laboratories, Inc. System and Method for Robust Optimization for Trajectory-Centric ModelBased Reinforcement Learning
US20210216049A1 (en) 2020-01-09 2021-07-15 Thoughtforge Inc. Autonomous control system and method using embodied homeostatic feedback in an operating environment
EP3866105B1 (en) 2020-02-17 2024-12-25 Paris Sciences et Lettres Method for processing insar images to extract ground deformation signals
US12354010B2 (en) 2020-03-23 2025-07-08 Amazon Technologies, Inc. Gradient compression for distributed training
SE544261C2 (en) 2020-06-16 2022-03-15 IntuiCell AB A computer-implemented or hardware-implemented method of entity identification, a computer program product and an apparatus for entity identification
WO2022141445A1 (zh) 2020-12-31 2022-07-07 华为技术有限公司 一种图像处理方法以及装置
US12034967B2 (en) 2021-04-05 2024-07-09 Nvidia Corporation Superpixel generation and use
CN115004220B (zh) 2021-08-27 2024-08-20 香港应用科技研究院有限公司 用于原始低光图像增强的神经网络

Also Published As

Publication number Publication date
JP2023531412A (ja) 2023-07-24
CA3181240A1 (en) 2021-12-23
EP4165558A4 (en) 2024-07-31
US20230084659A1 (en) 2023-03-16
US20240242065A1 (en) 2024-07-18
KR20230025430A (ko) 2023-02-21
EP4165558A1 (en) 2023-04-19
US11507805B2 (en) 2022-11-22
SE544261C2 (en) 2022-03-15
US11941510B2 (en) 2024-03-26
AU2021293079A1 (en) 2023-01-05
WO2021256981A1 (en) 2021-12-23
US20220269929A1 (en) 2022-08-25
SE2051375A1 (en) 2021-12-17

Similar Documents

Publication Publication Date Title
US12147516B2 (en) Anti-spoofing method and apparatus
JP7097801B2 (ja) 表情認識方法、オブジェクト認識方法、表情認識装置及び表情トレーニング方法
US8837786B2 (en) Face recognition apparatus and method
US20240242065A1 (en) Computer-implemented or hardware-implemented method of entity identification, a computer program product and an apparatus for entity identification
KR102412832B1 (ko) 개인 정보 보호를 위하여 원본 데이터를 변조하는 변조 네트워크를 학습하는 방법 및 테스팅하는 방법, 그리고, 이를 이용한 학습 장치 및 테스팅 장치
CN106548190A (zh) 模型训练方法和设备以及数据识别方法
Jin et al. Performance and robustness of bio-inspired digital liquid state machines: A case study of speech recognition
JP6327926B2 (ja) 階層型ニューラルネットワークの学習システム及び方法
KR20200020545A (ko) 전자 장치 및 그 제어 방법
US20220300800A1 (en) Techniques for adaptive generation and visualization of quantized neural networks
CN115512422A (zh) 基于注意力机制的卷积神经网络面部情绪识别方法及系统
US12211311B2 (en) Object recognition method and object recognition apparatus
Noroozi et al. Seven: deep semi-supervised verification networks
Singh Deep bi-directional LSTM network with CNN features for human emotion recognition in audio-video signals
Suriani et al. Smartphone sensor accelerometer data for human activity recognition using spiking neural network
Abdallah et al. Facial-expression recognition based on a low-dimensional temporal feature space
US20250165779A1 (en) A data processing system comprising a network, a method, and a computer program product
US20250148263A1 (en) Computer-implemented or hardware-implemented method of entity identification, a computer program product and an apparatus for entity identification
Zou et al. Pregesnet: Few-shot acoustic gesture recognition based on task-adaptive pretrained networks
Tan et al. HGR-ResNet: hand gesture recognition with enhanced residual neural network
WO2021019748A1 (ja) 分類方法、分類プログラム、分類装置、学習方法、学習プログラム及び学習装置
Danish et al. Error Rate Analysis of State-of-the-Art Algorithms for Face Detection
SE2250397A1 (en) A data processing system comprising a network, a method, and a computer program product
Gupta et al. Gender and Age Recognition Using
Abidin et al. ant-CBIR: a new method for radial furrow extraction in iris biometric

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination