-
公开(公告)号：CN112233645A
公开(公告)日：2021-01-15
申请号：CN202010597958.9
申请日：2020-06-28
Applicant: 福特全球技术公司
Abstract: 本公开提供“用于言语转换系统的分级编码器”。描述了一种言语转换系统，其包括分级编码器和解码器。所述系统可以包括处理器和存储可由处理器执行的指令的存储器。指令可以包括：使用第二递归神经网络(RNN)(GRU1)和从谱图得到的第一组编码器向量作为第二RNN的输入，确定第二级联序列；通过将第二级联序列的堆叠高度加倍并且将长度减半来确定第二组编码器向量；使用第二组编码器向量，确定第三组编码器向量；并且使用注意力块对第三组编码器向量进行解码。
-
公开(公告)号：CN105306648A
公开(公告)日：2016-02-03
申请号：CN201510416175.5
申请日：2015-07-15
Applicant: 福特全球技术公司
Inventor： 弗朗索瓦·沙雷特 , 安东尼·德韦恩·库普里德 , 保罗·J·尼卡斯特里 , 约克塞·古尔 , 斯科特·安德鲁·安曼 , 吉恩特·普什科留斯
IPC: H04M1/19 , G10L21/0208
Abstract: 本发明总体上涉及一种用于实现基于车辆状态的自适应免提降噪特征的系统、装置和方法。降噪工具被提供用于对声音输入自适应地应用降噪策略，其使用反馈语音质量测量和机器学习以开发未来的降噪策略，其中降噪策略包括分析预测导致舱室噪声的车辆操作状态信息和外部信息，和基于分析选择降噪预滤器选项。
-
公开(公告)号：CN116451740A
公开(公告)日：2023-07-18
申请号：CN202211733439.6
申请日：2022-12-30
Applicant: 福特全球技术公司
Inventor： 尼基尔·纳格拉拉奥 , 弗朗索瓦·沙雷特 , S·文卡特 , S·斯里达尔 , 维迪亚·纳里亚曼特穆拉里
IPC: G06N3/0464 , G06N3/08 , G06N3/126 , G06V20/56 , G06V10/82
Abstract: 本公开提供了“高效神经网络”。可在图像中确定第一对象的位置。可基于所述第一对象的位置在第一图像上绘制线。可训练深度神经网络以基于所述线确定所述图像中的第一对象与所述图像中的第二对象之间的相对位置。可通过确定将多个深度神经网络参数除以性能分数的适应度分数来优化所述深度神经网络。可以输出所述深度神经网络。
-
公开(公告)号：CN105306648B
公开(公告)日：2020-10-20
申请号：CN201510416175.5
申请日：2015-07-15
Applicant: 福特全球技术公司
Inventor： 弗朗索瓦·沙雷特 , 安东尼·德韦恩·库普里德 , 保罗·J·尼卡斯特里 , 约克塞·古尔 , 斯科特·安德鲁·安曼 , 吉恩特·普什科留斯
IPC: G10L21/0208 , H04M1/19
Abstract: 本发明总体上涉及一种用于实现基于车辆状态的自适应免提降噪特征的系统、装置和方法。降噪工具被提供用于对声音输入自适应地应用降噪策略，其使用反馈语音质量测量和机器学习以开发未来的降噪策略，其中降噪策略包括分析预测导致舱室噪声的车辆操作状态信息和外部信息，和基于分析选择降噪预滤器选项。
-
公开(公告)号：CN111145731A
公开(公告)日：2020-05-12
申请号：CN201910986824.3
申请日：2019-10-17
Applicant: 福特全球技术公司
IPC: G10L15/16 , G10L15/18 , G10L15/22 , B60R16/037
Abstract: 本公开提供了“车辆语言处理”。一种计算系统可以用第一深度神经网络将口头自然语言命令翻译成中间人工语言命令，并且基于接收到车辆信息用第二深度神经网络确定车辆命令和中间人工语言响应。所述计算系统可以用第三深度神经网络将所述中间人工语言响应翻译成口头自然语言响应并且基于所述车辆命令操作车辆。
-
Patent Agency Ranking
公开(公告)号：CN107918311A
公开(公告)日：2018-04-17
申请号：CN201710924499.9
申请日：2017-09-30
Applicant: 福特全球技术公司
Inventor： 拉姆钱德拉·甘尼许·卡兰迪卡 , 尼基尔·纳格拉·拉奥 , 斯科特·文森特·迈尔斯 , 弗朗索瓦·沙雷特
IPC: G05B19/042 , G01W1/14 , G05D1/02
Abstract: 本发明公开了一种车辆，其利用来自不同类型的车载传感器的数据来确定车辆附近是否有气象降水正在落下。车辆可包括捕捉图像数据的车载摄像机和捕捉加速度计数据的车载加速度计。图像数据可表征车辆前面或后面的区域。加速度计数据可表征车辆的挡风玻璃的振动。人工神经网络可在车辆上携带的计算机硬件上运行。人工神经网络可训练成利用作为输入的图像数据和加速度计数据来对车辆的环境中的气象降水进行分级。人工神经网络的分级可用来控制车辆的一种或多种功能，例如挡风玻璃刮水器速度、牵引力控制设置等。
-
公开(公告)号：CN107608388A
公开(公告)日：2018-01-19
申请号：CN201710545428.8
申请日：2017-07-06
Applicant: 福特全球技术公司
Inventor： 穆罕默德·艾哈迈德 , 哈珀丽特辛格·班瓦伊特 , 亚历山德鲁·米哈伊·古尔吉安 , 弗朗索瓦·沙雷特
CPC classification number: G08G1/0137 , B60W30/00 , G05D1/0088 , G05D1/0094 , G05D1/0223 , G05D1/0246 , G05D2201/0212 , G05D2201/0213 , G06K9/00785 , G06K9/3258 , G06K2209/15 , G06T7/20 , G06T2207/30241 , G08G1/0175 , G08G1/054 , G08G1/205
Abstract: 描述了与自主警车有关的技术。一种方法可以涉及与自主车辆相关联的处理器获得由第一车辆违反一个或多个交通法规的指示。该方法还可以涉及处理器操纵自主车辆以追逐第一车辆。该方法还可以涉及处理器远程执行关于第一车辆的一个或多个动作。
-
公开(公告)号：CN107539213A
公开(公告)日：2018-01-05
申请号：CN201710480263.0
申请日：2017-06-22
Applicant: 福特全球技术公司
Inventor： 弗朗索瓦·沙雷特 , 斯科特·文森特·迈尔斯 , 丽莎·史卡利亚 , 亚历山德鲁·米哈伊·古尔吉安
IPC: B60Q9/00
CPC classification number: G05D1/0214 , B60R21/12 , B60R25/10 , B60W10/20 , B60W10/30 , B60W30/0956 , B60W50/0098 , B60W50/14 , B60W2050/143 , B60W2420/42 , B60W2420/52 , B60W2720/24 , G05D1/0088 , G05D2201/0213 , G08B13/19613 , G08B13/19647
Abstract: 本发明扩展到用于检测接近车辆的物理威胁的方法、系统以及计算机程序产品。车辆上的外部传感器捕捉车辆周围的环境。外部传感器所检测到的接近目标可被馈入到神经网络中以将接近目标识别和/或分类为潜在威胁。跟踪机构(例如，卡尔曼滤波器、粒子滤波器等)可利用时间信息来确定威胁是否正在接近车辆。当检测到接近的威胁时，车辆可启动一个或多个对策来制止该威胁。当车辆包含自主驾驶能力时，对策可包括自动尝试驾驶远离接近的威胁。
-
公开(公告)号：CN114511059A
公开(公告)日：2022-05-17
申请号：CN202111256601.5
申请日：2021-10-27
Applicant: 福特全球技术公司
Inventor： 伊曼·索尔塔尼·博兹查洛伊 , 弗朗索瓦·沙雷特 , 迪米塔尔·彼得罗夫·费尤伍 , 瑞恩·伯克 , 德维什·乌帕德亚
Abstract: 本公开提供了“车辆神经网络增强”。一种计算机，其包括处理器和存储器，存储器包括指令，所述指令由处理器执行以：基于训练数据集中的一个或多个图像和对应的地面实况，通过变换一个或多个图像以生成包括地面实况的变体的一个或多个图像的成百个或更多个变体，来训练包括在记忆增强神经网络中的神经网络，并且处理一个或多个图像的变体，并且将与一个或多个图像的每个变体相对应的特征点存储在与记忆增强神经网络相关联的存储器中。所述指令可以包括另外的指令以用于利用记忆增强神经网络处理由车辆传感器获取的图像，包括将由车辆传感器获取的图像的特征方差集与一个或多个图像的每个变体的存储的处理参数进行比较，以获得输出结果。
-
公开(公告)号：CN114093346A
公开(公告)日：2022-02-25
申请号：CN202110707998.9
申请日：2021-06-24
Applicant: 福特全球技术公司
Inventor： 考希克·巴拉科瑞斯南 , 普拉韦恩·纳拉亚南 , 弗朗索瓦·沙雷特
Abstract: 本公开提供了“使用对抗神经网络的联合自动语音识别和文本到语音转换”。本文公开了一种可以使用未配对的文本和音频样本来联合解决ASR和TTS问题两者的基于端对端深度学习的系统。对抗训练方法用于生成可以单独或同时部署的更稳健的独立TTS神经网络和ASR神经网络。用于训练神经网络的过程包括使用TTS神经网络从文本样本生成音频样本，然后将生成的音频样本馈送到ASR神经网络中以重新生成文本。重新生成的文本与原始文本之间的差值用作用于训练神经网络的第一损失。类似过程用于音频样本。重新生成的音频与原始音频之间的差值用作第二损失。文本和音频鉴别器类似地用在神经网络的输出上以生成用于训练的附加损失。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.031 seconds)
