CLASSIFICATION BASED ON ANNOTATION INFORMATION

• Main Authors: AVINASH, Gopal, ZHANG, Min, ZHAO, Qian
• Format: Patent
• Language: English; French
• Published: 09.01.2020
• Subjects: CALCULATING; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS; COMPUTING; COUNTING; HANDLING RECORD CARRIERS; PHYSICS; PRESENTATION OF DATA; RECOGNITION OF DATA; RECORD CARRIERS

Systems and techniques for classification based on annotation information are presented. In one example, a system trains a convolutional neural network based on training data and a plurality of images. The plurality of images is associated with a plurality of masks, a plurality of image level labels, and/or a bounding box. The system also generates a first loss function based on the plurality of masks, a second loss function based on the plurality of image level labels, and a third loss function based on the bounding box. Furthermore, the system generates a fourth loss function based on the first loss function, the second loss function and the third loss function, where the fourth loss function is iteratively back propagated to tune parameters of the convolutional neural network. The system also predicts a classification label for an input image based on the convolutional neural network. L'invention concerne des systèmes et des techniques de classification basée sur des informations d'annotation. Dans un exemple, un système entraîne un réseau de neurones artificiels à convolution sur la base de données d'entraînement et d'une pluralité d'images. La pluralité d'images est associée à une pluralité de masques, à une pluralité d'étiquettes de niveau d'image et/ou à un rectangle englobant. Le système génère également une première fonction de perte sur la base de la pluralité de masques, une deuxième fonction de perte sur la base de la pluralité d'étiquettes de niveau d'image et une troisième fonction de perte sur la base du rectangle englobant. En outre, le système génère une quatrième fonction de perte sur la base de la première fonction de perte, de la deuxième fonction de perte et de la troisième fonction de perte, la quatrième fonction de perte étant rétropropagée de manière itérative pour affiner des paramètres du réseau de neurones artificiels à convolution. Le système prédit également une étiquette de classification pour une image d'entrée sur la base du réseau de neurones artificiels à convolution.