公开(公告)号：DE112018004483T5

公开(公告)日：2020-10-15

申请号：DE112018004483

申请日：2018-10-03

Applicant: IBM

Inventor： GUNAWAN OKI ,  SOSA NORMA EDITH

IPC: H01L21/02

Abstract: Bereitgestellt wird ein einstellbarer und zurücksetzbarer Erschütterungssensor, der ein Paralleldipollinien- (PDL-) Fallensystem verwendet. In einem Aspekt beinhaltet ein Erschütterungssensor Folgendes: eine PDL-Falle, die ein Paar durch einen Spalt gMvoneinander getrennter diametraler Magnete und einen zwischen den diametralen Magneten schwebenden diamagnetischen Stab besitzt, und Kontaktplättchen unterhalb der PDL-Falle, wobei die Kontaktplättchen durch einen Abstand, der geringer als eine Länge I des diamagnetischen Stabs ist, voneinander getrennt sind. Zudem wird ein Erschütterungsüberwachungssystem bereitgestellt, das ein Netzwerk aus den Erschütterungssensoren beinhaltet, sowie ein Verfahren zum Überwachen von Erschütterungen mittels der Erschütterungssensoren.

公开(公告)号：DE112020000526T5

公开(公告)日：2021-10-21

申请号：DE112020000526

申请日：2020-03-13

Applicant: IBM

Inventor： ZHOU WANG ,  CHANG SHIYU ,  SOSA NORMA EDITH ,  SISBOT EMRAH AKIN

IPC: G06K9/62 ,  G06N3/08

Abstract: Verfahren und Systeme führen ein inkrementelles Lernen für eine Objekterkennung in Bildern und/oder Videos ohne ein katastrophales Vergessen von zuvor gelernten Objektklassen durch. Ein zweistufiger neuronaler Netzwerk-Objekterkenner wird zum Finden und Identifizieren von Objekten trainiert, die zu einer zusätzlichen Objektklasse gehören, indem der zweistufige neuronale Netzwerk-Objekterkenner iterativ so lange aktualisiert wird, bis ein Kriterium für die Gesamt-Erkennungsgenauigkeit erfüllt ist. Das Aktualisieren wird durchgeführt, um einen Ausgleich zwischen einem Minimieren eines Verlusts einer anfänglichen Fähigkeit zum Finden und Erkennen von Objekten, die zu den zuvor gelernten Objektklassen gehören, und einem Maximieren einer Fähigkeit zum zusätzlichen Finden und Identifizieren der Objekte herzustellen, die zu der zusätzlichen Objektklasse gehören. Ein Beurteilen, ob das Kriterium für die Gesamt-Erkennungsgenauigkeit erfüllt ist, vergleicht Ausgaben einer anfänglichen Version des zweistufigen neuronalen Netzwerk-Objekterkenners mit einer aktuellen Regionsvorschlagsausgabe durch eine aktuelle Version des zweistufigen neuronalen Netzwerk-Objekterkenners, um einen Regionsvorschlags-Destillationsverlust und einen zuvor gelernten Objektidentifizierungs-Destillationsverlust zu ermitteln.