Verfahren und Prozessorschaltung zum Erzeugen eines Modells des Maschinellen Lernens mit zeitkonsistentem Erkennungsvermögen sowie computerlesbares Speichermedium für eine Prozessorschaltung
Die Erfindung betrifft ein Verfahren zum Erzeugen eines Modells (12) des Maschinellen Lernens. Das Verfahren umfasst: Bereitstellen einer Sequenz (42) von Trainingsdatensätzen (43) mit Abbildungen eines Objekts (21, 51) und zu jedem Trainingsdatensatz (43) Bereitstellen eines jeweiligen Labeldatensa...
Gespeichert in:
| Hauptverfasser: | , , , , |
|---|---|
| Format: | Patent |
| Sprache: | ger |
| Schlagworte: | |
| Online-Zugang: | Volltext bestellen |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| container_end_page | |
|---|---|
| container_issue | |
| container_start_page | |
| container_title | |
| container_volume | |
| creator | Driescher, Hans-Arne Rohde, Milan Jonah Montesi, Alessandro Schlicht, Peter Bruch, Anton |
| description | Die Erfindung betrifft ein Verfahren zum Erzeugen eines Modells (12) des Maschinellen Lernens. Das Verfahren umfasst: Bereitstellen einer Sequenz (42) von Trainingsdatensätzen (43) mit Abbildungen eines Objekts (21, 51) und zu jedem Trainingsdatensatz (43) Bereitstellen eines jeweiligen Labeldatensatzes (45), der ein von dem Modell (12) zu erzielendes Detektionsergebnis betreffend das Objekt (21, 51) angibt, wobei dann in jeweiligen Trainingsiterationen (41) die folgenden Schritte erfolgen: Betreiben des Modells (12) mit solchen der Trainingsdatensätze (43), die eine zusammenhängende Teilsequenz (42) darstellen, und hierdurch Erzeugen eines jeweiligen Ausgabevektors (48) zu dem jeweiligen Trainingsdatensatz (43) der Teilsequenz (42), und Anwenden einer Loss-Funktion auf den jeweiligen Ausgabevektor (48). Die Erfindung sieht vor, dass durch die Loss-Funktion zusätzlich zu dem Unterschied zwischen dem jeweiligen Ausgabevektor (48) und dem zugehörigen Labeldatensatz (45) auch ein Unterschied zwischen den jeweiligen Ausgabevektoren (48) von in der Teilsequenz (42) unmittelbar aufeinanderfolgenden Trainingsdatensätzen (43) quantifiziert wird. |
| format | Patent |
| fullrecord | <record><control><sourceid>epo_EVB</sourceid><recordid>TN_cdi_epo_espacenet_DE102022124487A1</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><sourcerecordid>DE102022124487A1</sourcerecordid><originalsourceid>FETCH-epo_espacenet_DE102022124487A13</originalsourceid><addsrcrecordid>eNqNjrFKxEAQhtNYHKfvMI2lkMSDu_bQHFecICi2x5r8uSy3mQ0zuwp5MCsLIS_mRiwtrGaY_-P7Z5F9vUBa0wmYIjf0KH6EqhetO-NC5BONsadKRsRTYmAZSg--gXNKzbybhKarcyk-QBis1NtAI2w4e1arARwwS85gTkp9g_TTx-xT_25Bte-HGCAO-mokSZ8G2LpLFBqb6tvpU36q__jvMrtojVNc_c5ldr2rnu_2Nxj8ETqYGoxwvK-KvMzLsihXq816W9z-l_sGp_xnQA</addsrcrecordid><sourcetype>Open Access Repository</sourcetype><iscdi>true</iscdi><recordtype>patent</recordtype></control><display><type>patent</type><title>Verfahren und Prozessorschaltung zum Erzeugen eines Modells des Maschinellen Lernens mit zeitkonsistentem Erkennungsvermögen sowie computerlesbares Speichermedium für eine Prozessorschaltung</title><source>esp@cenet</source><creator>Driescher, Hans-Arne ; Rohde, Milan Jonah ; Montesi, Alessandro ; Schlicht, Peter ; Bruch, Anton</creator><creatorcontrib>Driescher, Hans-Arne ; Rohde, Milan Jonah ; Montesi, Alessandro ; Schlicht, Peter ; Bruch, Anton</creatorcontrib><description>Die Erfindung betrifft ein Verfahren zum Erzeugen eines Modells (12) des Maschinellen Lernens. Das Verfahren umfasst: Bereitstellen einer Sequenz (42) von Trainingsdatensätzen (43) mit Abbildungen eines Objekts (21, 51) und zu jedem Trainingsdatensatz (43) Bereitstellen eines jeweiligen Labeldatensatzes (45), der ein von dem Modell (12) zu erzielendes Detektionsergebnis betreffend das Objekt (21, 51) angibt, wobei dann in jeweiligen Trainingsiterationen (41) die folgenden Schritte erfolgen: Betreiben des Modells (12) mit solchen der Trainingsdatensätze (43), die eine zusammenhängende Teilsequenz (42) darstellen, und hierdurch Erzeugen eines jeweiligen Ausgabevektors (48) zu dem jeweiligen Trainingsdatensatz (43) der Teilsequenz (42), und Anwenden einer Loss-Funktion auf den jeweiligen Ausgabevektor (48). Die Erfindung sieht vor, dass durch die Loss-Funktion zusätzlich zu dem Unterschied zwischen dem jeweiligen Ausgabevektor (48) und dem zugehörigen Labeldatensatz (45) auch ein Unterschied zwischen den jeweiligen Ausgabevektoren (48) von in der Teilsequenz (42) unmittelbar aufeinanderfolgenden Trainingsdatensätzen (43) quantifiziert wird.</description><language>ger</language><subject>CALCULATING ; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS ; COMPUTING ; COUNTING ; PHYSICS</subject><creationdate>2024</creationdate><oa>free_for_read</oa><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Tsyndetics_thumb_exl</thumbnail><linktohtml>$$Uhttps://worldwide.espacenet.com/publicationDetails/biblio?FT=D&date=20240328&DB=EPODOC&CC=DE&NR=102022124487A1$$EHTML$$P50$$Gepo$$Hfree_for_read</linktohtml><link.rule.ids>230,308,780,885,25564,76547</link.rule.ids><linktorsrc>$$Uhttps://worldwide.espacenet.com/publicationDetails/biblio?FT=D&date=20240328&DB=EPODOC&CC=DE&NR=102022124487A1$$EView_record_in_European_Patent_Office$$FView_record_in_$$GEuropean_Patent_Office$$Hfree_for_read</linktorsrc></links><search><creatorcontrib>Driescher, Hans-Arne</creatorcontrib><creatorcontrib>Rohde, Milan Jonah</creatorcontrib><creatorcontrib>Montesi, Alessandro</creatorcontrib><creatorcontrib>Schlicht, Peter</creatorcontrib><creatorcontrib>Bruch, Anton</creatorcontrib><title>Verfahren und Prozessorschaltung zum Erzeugen eines Modells des Maschinellen Lernens mit zeitkonsistentem Erkennungsvermögen sowie computerlesbares Speichermedium für eine Prozessorschaltung</title><description>Die Erfindung betrifft ein Verfahren zum Erzeugen eines Modells (12) des Maschinellen Lernens. Das Verfahren umfasst: Bereitstellen einer Sequenz (42) von Trainingsdatensätzen (43) mit Abbildungen eines Objekts (21, 51) und zu jedem Trainingsdatensatz (43) Bereitstellen eines jeweiligen Labeldatensatzes (45), der ein von dem Modell (12) zu erzielendes Detektionsergebnis betreffend das Objekt (21, 51) angibt, wobei dann in jeweiligen Trainingsiterationen (41) die folgenden Schritte erfolgen: Betreiben des Modells (12) mit solchen der Trainingsdatensätze (43), die eine zusammenhängende Teilsequenz (42) darstellen, und hierdurch Erzeugen eines jeweiligen Ausgabevektors (48) zu dem jeweiligen Trainingsdatensatz (43) der Teilsequenz (42), und Anwenden einer Loss-Funktion auf den jeweiligen Ausgabevektor (48). Die Erfindung sieht vor, dass durch die Loss-Funktion zusätzlich zu dem Unterschied zwischen dem jeweiligen Ausgabevektor (48) und dem zugehörigen Labeldatensatz (45) auch ein Unterschied zwischen den jeweiligen Ausgabevektoren (48) von in der Teilsequenz (42) unmittelbar aufeinanderfolgenden Trainingsdatensätzen (43) quantifiziert wird.</description><subject>CALCULATING</subject><subject>COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS</subject><subject>COMPUTING</subject><subject>COUNTING</subject><subject>PHYSICS</subject><fulltext>true</fulltext><rsrctype>patent</rsrctype><creationdate>2024</creationdate><recordtype>patent</recordtype><sourceid>EVB</sourceid><recordid>eNqNjrFKxEAQhtNYHKfvMI2lkMSDu_bQHFecICi2x5r8uSy3mQ0zuwp5MCsLIS_mRiwtrGaY_-P7Z5F9vUBa0wmYIjf0KH6EqhetO-NC5BONsadKRsRTYmAZSg--gXNKzbybhKarcyk-QBis1NtAI2w4e1arARwwS85gTkp9g_TTx-xT_25Bte-HGCAO-mokSZ8G2LpLFBqb6tvpU36q__jvMrtojVNc_c5ldr2rnu_2Nxj8ETqYGoxwvK-KvMzLsihXq816W9z-l_sGp_xnQA</recordid><startdate>20240328</startdate><enddate>20240328</enddate><creator>Driescher, Hans-Arne</creator><creator>Rohde, Milan Jonah</creator><creator>Montesi, Alessandro</creator><creator>Schlicht, Peter</creator><creator>Bruch, Anton</creator><scope>EVB</scope></search><sort><creationdate>20240328</creationdate><title>Verfahren und Prozessorschaltung zum Erzeugen eines Modells des Maschinellen Lernens mit zeitkonsistentem Erkennungsvermögen sowie computerlesbares Speichermedium für eine Prozessorschaltung</title><author>Driescher, Hans-Arne ; Rohde, Milan Jonah ; Montesi, Alessandro ; Schlicht, Peter ; Bruch, Anton</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-epo_espacenet_DE102022124487A13</frbrgroupid><rsrctype>patents</rsrctype><prefilter>patents</prefilter><language>ger</language><creationdate>2024</creationdate><topic>CALCULATING</topic><topic>COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS</topic><topic>COMPUTING</topic><topic>COUNTING</topic><topic>PHYSICS</topic><toplevel>online_resources</toplevel><creatorcontrib>Driescher, Hans-Arne</creatorcontrib><creatorcontrib>Rohde, Milan Jonah</creatorcontrib><creatorcontrib>Montesi, Alessandro</creatorcontrib><creatorcontrib>Schlicht, Peter</creatorcontrib><creatorcontrib>Bruch, Anton</creatorcontrib><collection>esp@cenet</collection></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext_linktorsrc</fulltext></delivery><addata><au>Driescher, Hans-Arne</au><au>Rohde, Milan Jonah</au><au>Montesi, Alessandro</au><au>Schlicht, Peter</au><au>Bruch, Anton</au><format>patent</format><genre>patent</genre><ristype>GEN</ristype><title>Verfahren und Prozessorschaltung zum Erzeugen eines Modells des Maschinellen Lernens mit zeitkonsistentem Erkennungsvermögen sowie computerlesbares Speichermedium für eine Prozessorschaltung</title><date>2024-03-28</date><risdate>2024</risdate><abstract>Die Erfindung betrifft ein Verfahren zum Erzeugen eines Modells (12) des Maschinellen Lernens. Das Verfahren umfasst: Bereitstellen einer Sequenz (42) von Trainingsdatensätzen (43) mit Abbildungen eines Objekts (21, 51) und zu jedem Trainingsdatensatz (43) Bereitstellen eines jeweiligen Labeldatensatzes (45), der ein von dem Modell (12) zu erzielendes Detektionsergebnis betreffend das Objekt (21, 51) angibt, wobei dann in jeweiligen Trainingsiterationen (41) die folgenden Schritte erfolgen: Betreiben des Modells (12) mit solchen der Trainingsdatensätze (43), die eine zusammenhängende Teilsequenz (42) darstellen, und hierdurch Erzeugen eines jeweiligen Ausgabevektors (48) zu dem jeweiligen Trainingsdatensatz (43) der Teilsequenz (42), und Anwenden einer Loss-Funktion auf den jeweiligen Ausgabevektor (48). Die Erfindung sieht vor, dass durch die Loss-Funktion zusätzlich zu dem Unterschied zwischen dem jeweiligen Ausgabevektor (48) und dem zugehörigen Labeldatensatz (45) auch ein Unterschied zwischen den jeweiligen Ausgabevektoren (48) von in der Teilsequenz (42) unmittelbar aufeinanderfolgenden Trainingsdatensätzen (43) quantifiziert wird.</abstract><oa>free_for_read</oa></addata></record> |
| fulltext | fulltext_linktorsrc |
| identifier | |
| ispartof | |
| issn | |
| language | ger |
| recordid | cdi_epo_espacenet_DE102022124487A1 |
| source | esp@cenet |
| subjects | CALCULATING COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS COMPUTING COUNTING PHYSICS |
| title | Verfahren und Prozessorschaltung zum Erzeugen eines Modells des Maschinellen Lernens mit zeitkonsistentem Erkennungsvermögen sowie computerlesbares Speichermedium für eine Prozessorschaltung |
| url | https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2024-12-26T11%3A45%3A19IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-epo_EVB&rft_val_fmt=info:ofi/fmt:kev:mtx:patent&rft.genre=patent&rft.au=Driescher,%20Hans-Arne&rft.date=2024-03-28&rft_id=info:doi/&rft_dat=%3Cepo_EVB%3EDE102022124487A1%3C/epo_EVB%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rfr_iscdi=true |