Настройки

Укажите год
-

Небесная энциклопедия

Космические корабли и станции, автоматические КА и методы их проектирования, бортовые комплексы управления, системы и средства жизнеобеспечения, особенности технологии производства ракетно-космических систем

Подробнее
-

Мониторинг СМИ

Мониторинг СМИ и социальных сетей. Сканирование интернета, новостных сайтов, специализированных контентных площадок на базе мессенджеров. Гибкие настройки фильтров и первоначальных источников.

Подробнее

Форма поиска

Поддерживает ввод нескольких поисковых фраз (по одной на строку). При поиске обеспечивает поддержку морфологии русского и английского языка
Ведите корректный номера.
Ведите корректный номера.
Ведите корректный номера.
Ведите корректный номера.
Укажите год
Укажите год
Применить Всего найдено 2. Отображено 2.
25-10-2023 дата публикации

Object image completion

Номер: GB0002617887A
Автор: SANJA FIDLER [US], DAVID ACUNA MARRERO [US], SEUNG WOOK KIM [US], KARSTEN JULIAN KREIS [US], HUAN LING [US]
Принадлежит:

A processor is disclosed, comprising one or more circuits to use one or more neural networks to complete 114 an occluded object 106 in an image, wherein a first portion 108 of the one or more neural networks is trained using training data generated based, at least in part, on output of a second portion 112 of the one or more neural networks. A generative model framework may generate a plurality of complete objects in an image, based on an input image. The parameters of the second part may not be adjusted during training of the first portion. The training of the first portion may be refined using multiple image input loops. An associated system is also disclosed.

Подробнее
Номер записи: 1
30-03-2022 дата публикации

Object image completion

Номер: GB0002599224A
Автор: SANJA FIDLER [US], DAVID ACUNA MARRERO [US], SEUNG WOOK KIM [US], KARSTEN JULIAN KREIS [US], HUAN LING [US]
Принадлежит:

One or more neural networks for generating complete depictions of objects based on their partial description are disclosed. An image 114 of a whole object is generated, based on an image 106 of a portion of the object, using an encoder 108 trained using training data 102 produced from the output of a decoder 112. The neural network may comprise a generative model framework, which can be a variational autoencoder, a generative adversarial network (GAN) or a normalising flow. The decoder can be trained on a dataset comprising images of complete objects and excluding images of partial entities. The decoder may output a complete version of an incomplete picture input into the decoder. The decoder parameters may remain unvaried while training the encoder (Fig. 6). Two images may be entered into the encoder, with the resulting output being the first image which is partially occluded by features from the second picture. An associated training technique is also described.

Подробнее
Номер записи: 2