[發(fā)明專利]深度學習設備和包括深度學習設備的系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202210460554.4
• 申請日: 2022-04-28
• 公開（公告）號: CN115456932A
• 公開（公告）日: 2022-12-09
• 發(fā)明（設計）人: 金永宰;柳凱元;李智雄;李俊行;姜景薰;李盈學
• 申請（專利權）人: 三星電子株式會社
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 紀雯;李敬文

1.一種深度學習設備，包括：

處理電路，被配置為：

使用異常檢測模型來確定接收到的圖像是否異常；

合并從所述異常檢測模型中提取的至少一些向量；

對合并所述至少一些向量的結果執(zhí)行主成分分析PCA；

將通過所述PCA生成的主成分輸入到概率近似模型，以檢測所述接收到的圖像的數(shù)據(jù)中是否出現(xiàn)分布外OOD；

將確定所述接收到的圖像是否異常的結果和確定是否出現(xiàn)所述OOD的結果存儲在數(shù)據(jù)庫中；并且

當出現(xiàn)所述OOD的數(shù)據(jù)的比率大于或等于閾值時，使用目標標記提取模型來提取出現(xiàn)所述OOD的至少一些數(shù)據(jù)作為目標標記，

其中，所述異常檢測模型使用所述目標標記來確定所述接收到的圖像是否異常。

2.根據(jù)權利要求1所述的深度學習設備，其中，所述異常檢測模型包括卷積神經(jīng)網(wǎng)絡CNN、人工神經(jīng)網(wǎng)絡ANN、密集卷積網(wǎng)絡DenseNet或縮放CNN中的至少一種。

3.根據(jù)權利要求1所述的深度學習設備，其中，所述概率近似模型包括高斯混合模型GMM、基于直方圖的模型、核密度估計模型、Parzen窗口估計模型、k最近鄰估計模型或k均值聚類模型中的至少一種。

4.根據(jù)權利要求1所述的深度學習設備，其中，所述處理電路還被配置為實時地檢查出現(xiàn)所述OOD的數(shù)據(jù)的比率是否大于或等于所述閾值。

5.根據(jù)權利要求1所述的深度學習設備，其中，所述處理電路還被配置為：

檢測用于在所述主成分和所述概率近似模型之間聚類的最優(yōu)值；并且

使用滿足所述最優(yōu)值的所述主成分中的至少一些和滿足所述最優(yōu)值的所述概率近似模型中的至少一部分來檢測是否出現(xiàn)所述OOD。

6.根據(jù)權利要求5所述的深度學習設備，其中，所述最優(yōu)值是根據(jù)貝葉斯信息準則BIC、鄧恩指數(shù)、輪廓分數(shù)或Akaike信息準則AIC中的至少一種來計算的。

7.根據(jù)權利要求1所述的深度學習設備，其中，所述閾值包括當性能精度為設定值時出現(xiàn)所述OOD的數(shù)據(jù)相對于存儲在所述數(shù)據(jù)庫中的圖像的比率。

8.一種深度學習系統(tǒng)，包括：

輸入單元，被配置為接收圖像；

處理器，被配置為控制所述輸入單元；以及

深度學習設備，連接到所述處理器，并被配置為從所述輸入單元接收所述圖像，所述深度學習設備包括處理電路和數(shù)據(jù)庫，所述處理電路被配置為

使用異常檢測模型來確定從所述輸入單元接收到的圖像是否異常，

合并從所述異常檢測模型中提取的至少一些向量，

對合并所述至少一些向量的結果執(zhí)行主成分分析PCA，

將通過所述PCA生成的主成分輸入到概率近似模型，以檢測所述圖像的數(shù)據(jù)中是否出現(xiàn)分布外OOD；

存儲確定所述圖像是否異常的結果和確定是否出現(xiàn)所述OOD的結果，

當出現(xiàn)所述OOD的數(shù)據(jù)的比率大于或等于閾值時，使用目標標記提取模型來提取出現(xiàn)所述OOD的至少一些數(shù)據(jù)作為目標標記，并且

所述數(shù)據(jù)庫被配置為存儲確定所述圖像是否異常的結果和確定是否出現(xiàn)所述OOD的結果，

其中，所述異常檢測模型使用所述目標標記來確定所述圖像是否異常。

9.根據(jù)權利要求8所述的深度學習系統(tǒng)，其中，所述異常檢測模型包括卷積神經(jīng)網(wǎng)絡CNN、人工神經(jīng)網(wǎng)絡ANN、密集卷積網(wǎng)絡DenseNet或縮放CNN中的至少一種。

10.根據(jù)權利要求8所述的深度學習系統(tǒng)，其中，所述概率近似模型包括高斯混合模型GMM、基于直方圖的模型、核密度估計模型、Parzen窗口估計模型、k最近鄰估計模型或k均值聚類模型中的至少一種。

11.根據(jù)權利要求8所述的深度學習系統(tǒng)，其中，所述處理電路還被配置為實時地檢查出現(xiàn)所述OOD的數(shù)據(jù)的比率是否大于或等于所述閾值。