使用变换训练神经网络的技术制造技术

使用堆叠变换图像执行神经网络训练的装置、系统和技术。在至少一个实施例中，在堆叠变换图像上训练神经网络，并且提供经训练的神经网络以用于处理来自不同于源域的看不见的域的图像，其中堆叠变换图像根据与域变化相关的变换方面进行变换。变换方面进行变换。变换方面进行变换。

【技术实现步骤摘要】
【国外来华专利技术】使用变换训练神经网络的技术
[0001]要求优先权
[0002]本申请要求2019年3月15日提交的题为“用于将医学图像分割泛化到看不见的域的大增强训练(BIG AUGMENTATION TRAINING FOR GENERALIZING MEDICAL IMAGE SEGMENTATION TO UNSEEN DOMAINS)”的美国临时申请第62/819,432号的权益，其全部内容通过引用并入本文。


[0003]在至少一个实施例中，处理器包括一个或更多个算术逻辑单元(ALU)，用于使用神经网络执行训练和/或推理。在至少一个实施例中，使用对输入图像的堆叠变换来训练多个一个或更多个边缘神经网络。

技术介绍

[0004]可以将神经网络训练为识别由成像设备(例如医学成像设备)输出的图像产生的图像特征，其中包含训练图像中特征的地面实况数据。情况可能是来自不同成像设备的图像具有不同的特性，并且出于隐私或其他原因，图像可能无法自由分发，从而阻止使用来自各种成像设备的图像进行简单地训练神经网络。可以改进在保持训练数据局部性的同时训练神经网络的过程。
附图说明
[0005]图1示出了根据至少一个实施例的用于训练神经网络的图像训练系统的示例；
[0006]图2示出了根据至少一个实施例的使用经训练的神经网络来确定图像分割的神经网络处理器的示例；
[0007]图3示出了根据至少一个实施例的可由图像变换器使用的方面参数表的示例；
[0008]图4示出了根据至少一个实施例的图像变换器的示例；
[0009]图5示出了根据至少一个实施例的用于通过在经受变换的输入图像上进行训练来训练神经网络以处理看不见的图像的方法的示例；
[0010]图6示出了根据至少一个实施例的可由图像训练系统处理的图像和可由神经网络处理器处理的图像的示例；
[0011]图7示出了根据至少一个实施例的可由图像训练系统处理成经变换的图像和可由在经变换的图像上训练的神经网络处理器处理的看不见的图像的示例；
[0012]图8示出了根据至少一个实施例的与通过其他方法处理的图像相比可以由在经变换的图像上训练的神经网络处理器处理的看不见的图像的示例；
[0013]图9A示出了根据至少一个实施例的推理和/或训练逻辑；
[0014]图9B示出了根据至少一个实施例的推理和/或训练逻辑；
[0015]图10示出了根据至少一个实施例的神经网络的训练和部署；
[0016]图11示出了根据至少一个实施例的示例数据中心系统；
[0017]图12A示出了根据至少一个实施例的自主车辆的示例；
[0018]图12B示出了根据至少一个实施例的图12A的自主车辆的相机位置和视野的示例；
[0019]图12C是根据至少一个实施例的示出图12A的自主车辆的示例系统架构的框图；
[0020]图12D是根据至少一个实施例的示出用于一个或更多个基于云的服务器与图12A的自主车辆之间进行通信的系统的图；
[0021]图13是根据至少一个实施例的示出计算机系统的框图；
[0022]图14是根据至少一个实施例的示出计算机系统的框图；
[0023]图15示出了根据至少一个实施例的计算机系统；
[0024]图16示出了根据至少一个实施例的计算机系统；
[0025]图17A示出了根据至少一个实施例的计算机系统；
[0026]图17B示出了根据至少一个实施例的计算机系统；
[0027]图17C示出了根据至少一个实施例的计算机系统；
[0028]图17D示出了根据至少一个实施例的计算机系统；
[0029]图17E和图17F示出了根据至少一个实施例的共享编程模型；
[0030]图18示出了根据至少一个实施例的示例性集成电路和相关的图形处理器；
[0031]图19A
‑
图19B示出了根据至少一个实施例的示例性集成电路和相关联的图形处理器；
[0032]图20A
‑
图20B示出了根据至少一个实施例的附加的示例性图形处理器逻辑；
[0033]图21示出了根据至少一个实施例的计算机系统；
[0034]图22A示出了根据至少一个实施例的并行处理器；
[0035]图22B示出了根据至少一个实施例的分区单元；
[0036]图22C示出了根据至少一个实施例的处理集群；
[0037]图22D示出了根据至少一个实施例的图形多处理器；
[0038]图23示出了根据至少一个实施例的多图形处理单元(GPU)系统；
[0039]图24示出了根据至少一个实施例的图形处理器；
[0040]图25是根据至少一个实施例的示出用于处理器的处理器微架构的框图；
[0041]图26示出了根据至少一个实施例的深度学习应用程序处理器；
[0042]图27是根据至少一个实施例的示出了示例神经形态处理器的框图；
[0043]图28示出了根据一个或更多个实施例的图形处理器的至少部分；
[0044]图29示出了根据一个或更多个实施例的图形处理器的至少部分；
[0045]图30示出了根据一个或更多个实施例的图形处理器的至少部分；
[0046]图31是根据至少一个实施例的图形处理器的图形处理引擎的框图；
[0047]图32是根据至少一个实施例的图形处理器核心的至少部分的框图；
[0048]图33A
‑
图33B示出了根据至少一个实施例的线程执行逻辑，其包括图形处理器核心的处理元件的阵列。
[0049]图34示出了根据至少一个实施例的并行处理单元(“PPU”)；
[0050]图35示出了根据至少一个实施例的通用处理集群(“GPC”)；
[0051]图36示出了根据至少一个实施例的并行处理单元(“PPU”)的存储器分区单元；
[0052]图37示出了根据至少一个实施例的流式多处理器；
[0053]图38是根据至少一个实施例的高级计算管线的示例数据流图；
[0054]图39是根据至少一个实施例的用于在高级计算管线中训练、适应、实例化和部署机器学习模型的示例系统的系统图；
[0055]图40包括根据至少一个实施例的用于处理成像数据的高级计算管线的示例图示；
[0056]图41A包括根据至少一个实施例的支持超声设备的虚拟仪器的示例数据流图；
[0057]图41B包括根据至少一个实施例的支持CT扫描仪的虚拟仪器的示例数据流图；
[0058]图42A示出了根据至少一个实施例的用于训练机器学习模型的过程的数据流图；以及
[0059]图42B是根据至少一个实施例的利用预训练的注释模型来增强注释工具的客户端
‑
服务器架构的示例图示。
具体实施方式
[0060]图1示出了根据至少一个实施例的可用于训练神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种处理器，包括：一个或更多个电路，用于帮助使用一个或更多个图形处理单元在第一组图像上将第一一个或更多个神经网络训练为识别第二组图像中的一个或更多个图像内的一个或更多个对象，其中所述第一组图像是来自第一域的图像，其中所述第二组图像是来自第二域的图像，并且其中所述第一组图像在训练之前基于所述第一域和所述第二域之间的预期差异进行变换。2.如权利要求1所述的处理器，还包括：第一存储，用于存储所述第一组图像；变换器，用于根据图像方面对所述第一组图像中的第一图像进行变换，以形成第一变换图像；以及第二存储，用于存储所述第一变换图像，以用于训练所述第一一个或更多个神经网络。3.如权利要求2所述的处理器，其中所述图像方面包括质量方面、外观方面或空间配置方面中的一个或更多个。4.如权利要求3所述的处理器，其中所述变换器包括用于在方面值范围中选择针对所述图像方面的图像方面值的逻辑，以用于根据所述图像方面和所述图像方面值变换所述第一图像。5.如权利要求2所述的处理器，还包括用于存储所述第一图像的分割数据的分割存储。6.如权利要求5所述的处理器，其中所述图像方面包括空间配置方面，并且其中所述变换器根据空间配置方面参数修改所述第一图像，并根据所述空间配置方面参数修改所述第一图像的分割数据。7.如权利要求2所述的处理器，其中所述图像方面包括空间配置方面，并且其中所述第一图像是体图像，所述处理器还包括：图像裁剪器，用于将所述第一图像裁剪为子体图像，其中所述子体图像被分别进行处理。8.如权利要求7所述的处理器，其中所述图像裁剪器是在包含3D坐标网格的最小立方体内插值的裁剪器。9.一种处理器，包括：经训练的神经网络，其使用一个或更多个图形处理单元来识别第二组图像中的一个或更多个图像内的一个或更多个对象，其中所述经训练的神经网络是在第一组图像上训练的神经网络，其中所述第一组图像是来自第一域的图像，其中所述第二组图像是来自第二域的图像，并且其中在基于所述第一域和所述第二域之间的预期差异训练所述经训练的神经网络之前变换所述第一组图像。10.如权利要求9所述的处理器，还包括：用于域差异数据的存储，所述域差异数据表示所述第一域和所述第二域之间的预期差异；以及用于接收所述域差异数据以用于图像处理过程的所述经训练的神经网络的输入。11.如权利要求10所述的处理器，其中所述第一域和所述第二域之间的预期差异对应于质量方面、外观方面或空间配置方面中的一个或更多个。12.如权利要求9所述的处理器，其中所述第二组图像包括医学图像。
13.如权利要求12所述的处理器，其中所述第一组图像是使用第一医疗设备获得的图像，并且所述第二组图像是使用不同于所述第一医疗设备的第二医疗设备获得的图像。14.如权利要求9所述的处理器，其中所述第一组图像包括体图像。15.一种使用一个或更多个图形处理单元处理图像的方法，包括：用第一组图像和输出将第一神经网络...

【专利技术属性】
技术研发人员：徐大光，H，
申请(专利权)人：辉达公司，
类型：发明
国别省市：