NEURAL NETWORK MODEL AND LEARNING METHOD FOR SAME

• Main Authors: NAGASHIMA, Fumiya, KOUMURA, Yusuke, INOUE, Koki
• Format: Patent
• Language: English; French; Japanese
• Published: 01.07.2021
• Subjects: CALCULATING; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS; COMPUTING; COUNTING; IMAGE DATA PROCESSING OR GENERATION, IN GENERAL; PHYSICS

Provided is a neural network model with which processing can be performed for input data with a high degree of accuracy. The invention involves first and second neural networks having a first layer, a second layer, and a third layer. A feature map outputted from the first layer is inputted to the second layer and the second neural network. The feature map outputted from the second neural network is inputted to the third layer. When the feature map outputted from the first layer when first data is inputted to the first neural network is regarded as a correct answer feature map and the feature map outputted from the first layer when second data obtained by adding noise to the first data is inputted to the first neural network is regarded as a learning feature map, the second neural network involves a learning process whereby the feature map outputted when the learning feature map is inputted accords with the correct answer feature map. L'invention concerne un modèle de réseau neuronal avec lequel un traitement peut être effectué pour des données d'entrée avec un degré élevé de précision. L'invention implique un premier et un second réseau neuronal, ayant une première couche, une deuxième couche et une troisième couche. Une carte de caractéristiques délivrée en sortie à partir de la première couche est entrée dans la seconde couche et le second réseau neuronal. La carte de caractéristiques émise par le second réseau neuronal est entrée dans la troisième couche. Lorsque la carte de caractéristiques émise à partir de la première couche lorsque des premières données sont entrées dans le premier réseau neuronal est considérée comme une carte de caractéristiques de réponse correcte et que la carte de caractéristiques délivrée en sortie à partir de la première couche lorsque des secondes données obtenues par ajout de bruit aux premières données sont entrées dans le premier réseau neuronal est considérée comme une carte de caractéristiques d'apprentissage, le second réseau neuronal implique un processus d'apprentissage par lequel la carte de caractéristiques délivrée en sortie lorsque la carte de caractéristiques d'apprentissage est entrée est en accord avec la carte de caractéristiques de réponse correcte. 入力データに対して高い精度で処理を行うことができるニューラルネットワークモデルを提供する。 第１及び第２のニューラルネットワークを有し、第１のニューラルネットワークは、第１の層と、第２の層と、第３の層を有する。第１の層から出力される特徴マップは、第２の層と、第２のニューラルネットワークに入力され、第２のニューラルネットワークから出力される特徴マップは、第３の層に入力される。ここで、第１のデータを第１のニューラルネットワークに入力した場合に第１の層から出力される特徴マップを正解特徴マップ、第１のデータにノイズを付加した第２のデータを第１のニューラルネットワークに入力した場合に第１の層から出力される特徴マップを学習特徴マップとすると、第２のニューラルネットワークは、学習特徴マップを入力した場合に出力される特徴マップが、正解特徴マップと一致するように学習されたものである。