[发明专利]用于自动化图像特征提取的深度学习架构

说明书

本发明提供了用于促进用于自动化图像特征提取的深度学习架构的系统和技术。在一个示例中，系统包括机器学习组件。机器学习组件基于接收成像数据的卷积神经网络生成关于成像数据的学习的成像输出。机器学习组件还对与卷积神经网络的卷积层相关联的成像数据执行多个顺序和/或并行下采样和上采样。

相关专利申请

本申请要求于2017年10月19日提交的标题为“DEEP LEARNING ARCHITECTURE FORAUTOMATED IMAGE FEATURE EXTRACTION(用于自动化图像特征提取的深度学习架构)”的美国临时申请62/574,333的优先权，该临时申请全文以引用方式并入本文。

技术领域

本公开整体涉及人工智能。

背景技术

人工智能(AI)可以用于数字图像的分类和/或分析。例如，AI可以用于图像识别。在某些技术应用中，AI可用于增强成像分析。在一个示例中，可采用基于感兴趣区域的深度神经网络来定位数字图像中的特征。然而，使用常规人工技术对数字图像进行分类和/或分析的准确性和/或效率通常难以实现。此外，用于数字图像分类和/或分析的常规人工技术通常需要劳动密集型过程，诸如像素注释、体素水平注释等。因此，可以改进用于数字图像分类和/或分析的常规人工技术。

发明内容

以下内容提出了本说明书的简化发明内容以便提供对本说明书的某些方面的基本理解。该发明内容不是对本说明书的详尽概述。它既不旨在标识本说明书的关键或重要元素，也不旨在描述本说明书的特定实施方式的任何范围或权利要求的任何范围。其唯一目的是以简化形式呈现本说明书的一些概念，作为稍后呈现的更详细描述的序言。

根据一个实施方案，系统包括机器学习组件。机器学习组件基于接收成像数据的卷积神经网络生成关于成像数据的学习的成像输出。机器学习组件还对与卷积神经网络的卷积层相关联的成像数据执行多个顺序和/或并行下采样和上采样。

根据另一个实施方案，提供了一种方法。该方法提供用于由包括处理器的系统接收成像数据。该方法还提供由系统对与卷积神经网络的卷积层相关联的成像数据执行迭代顺序和/或并行下采样和上采样以生成学习的成像输出。

根据又一个实施方案，提供了一种方法。该方法提供用于由包括处理器的系统接收包括一组图像的成像数据。该方法还提供由系统通过对与卷积神经网络的卷积层相关联的成像数据执行迭代顺序和/或并行下采样和上采样来训练卷积神经网络。

以下具体实施方式和附图阐述了本说明书的某些例示性方面。然而，这些方面仅指示了可以采用本说明书原理的各种方式中的一些方式。当结合附图考虑时，根据以下对说明书的详细描述，本说明书的其他优点和新颖特征将变得显而易见。

附图说明

结合附图考虑以下详细描述，本发明的许多方面、实施方式、目标和优点将变得显而易见，在整个附图中，相同的附图标记表示相同的部件，并且其中：

图1示出了根据本文描述的各个方面和实施方式的示例性深度学习组件的高级框图；

图2示出了根据本文描述的各个方面和实施方式的示例性弹簧块的高级框图；

图3示出了根据本文描述的各个方面和实施方式的示例性弹簧块的平行结构的高级框图；

图4示出了根据本文描述的各个方面和实施方式的示例性弹簧块的顺序结构的高级框图；

图5示出了根据本文描述的各个方面和实施方式的示例性深度学习架构的弹簧网络的高级框图；

图6示出了根据本文描述的各个方面和实施方式的另一个示例性深度学习组件的高级框图；

图7示出了根据本文描述的各个方面和实施方式的示例性多维可视化：