IP-Coster | WO2026068501 | TRAINING EINES TOKENIZER-NETZWERKS ZUR UNTERSTÜTZUNG DES TRAININGS VON TRANSFORMER-NETZWERKEN AUF PUNKTWOLKEN

Country	Stages	Total
China	Filing, Examination, Granting	2053
EPO	Filing, Examination, Granting	8624
Japan	Filing, Examination, Granting	2183
South Korea	Filing, Examination, Granting	2133
USA	Filing, Examination, Granting	5340

Abstract[German] Verfahren (100) zum Trainieren eines Tokenizer-Netzwerks (2), das vektorielle Repräsentationen von Punktwolken von Messdaten im Raum dieser Repräsentationen quantisiert, wobei diese Punktwolken diskreten Punkten im Raum jeweils Messwerte einer oder mehrerer Messgrößen zuordnen, mit den Schritten: - es werden Trainings-Beispiele (3) von Punktwolken von Messdaten bereitgestellt (110); - diese Trainings-Beispiele (3) werden mit einem Encoder-Netzwerk (1) in vektorielle Repräsentationen (1a) überführt (120); - diese vektoriellen Repräsentationen (1a) werden mit dem zu trainierenden Tokenizer-Netzwerk (2) quantisiert (130); -aus den quantisierten vektoriellen Repräsentationen (2a) werden mit einer Decoder-Anordnung (4) aus einem oder mehreren weiteren Netzwerken (4', 4'') Cluster oder sonstige Anhäufungen (4a) von Punkten in der Punktwolke des jeweiligen Trainings-Beispiels (3), und/oder Verarbeitungsprodukte (4b) solcher Cluster oder Anhäufungen (4a), ermittelt (140);- es wird mit einer vorgegebenen Kostenfunktion (5) gemessen (150), inwieweit diese Cluster bzw. Anhäufungen (4a) mit der ursprünglichen Punktwolke im Einklang stehen; und -mindestens Parameter (2b), die das Verhalten des Tokenizer-Netzwerks (2) charakterisieren, werden auf das Ziel optimiert (160), die Bewertung (5a) durch die Kostenfunktion (5) zu verbessern.[English] Method (100) for training a tokenizer network (2) which quantizes vectorial representations of point clouds of measurement data in the space of said representations, said point clouds each assigning measured values of one or more measurement variables to discrete points in the space, comprising the following steps: - training examples (3) of point clouds of measurement data are provided (110); - these training examples (3) are converted (120) into vectorial representations (1a) using an encoder network (1); - these vectorial representations (1a) are quantized (130) using the tokenizer network (2) to be trained; - clusters or other accumulations (4a) of points in the point cloud of the respective training example (3) and/or processing products (4b) of such clusters or accumulations (4a) are determined (140) from the quantized vectorial representations (2a) using a decoder arrangement (4) of one or more further networks (4', 4''); - a predefined cost function (5) is used to measure (150) the extent to which these clusters or accumulations (4a) are consistent with the original point cloud; and - at least parameters (2b) which characterize the behaviour of the tokenizer network (2) are optimized (160) for the aim of improving the assessment (5a) by means of the cost function (5).[French] L'invention concerne un procédé (100) d'entraînement d'un réseau de segmenteurs (2) qui quantifie des représentations vectorielles de nuages de points de données de mesure dans l'espace desdites représentations, lesdits nuages de points attribuant chacun des valeurs mesurées d'une ou de plusieurs variables de mesure à des points discrets dans l'espace, comprenant les étapes suivantes : - des exemples d'entraînement (3) de nuages de points de données de mesure sont fournis (110) ; - ces exemples d'entraînement (3) sont convertis (120) en représentations vectorielles (1a) à l'aide d'un réseau codeur (1) ; - ces représentations vectorielles (1a) sont quantifiées (130) à l'aide du réseau de segmenteurs (2) à entraîner ; - des groupes ou d'autres accumulations (4a) de points dans le nuage de points de l'exemple d'entraînement respectif (3) et/ou des produits de traitement (4b) de tels groupes ou accumulations (4a) sont déterminés (140) à partir des représentations vectorielles quantifiées (2a) à l'aide d'un agencement de décodeur (4) d'un ou de plusieurs autres réseaux (4', 4'') ; - une fonction de coût prédéfinie (5) est utilisée pour mesurer (150) l'étendue à laquelle ces grappes ou accumulations (4a) sont cohérentes avec le nuage de points d'origine ; et au moins des paramètres (2b) qui caractérisent le comportement du réseau de segmenteurs (2) sont optimisés (160) dans le but d'améliorer l'évaluation (5a) au moyen de la fonction de coût (5).

Total Number of Claims/PCT	*
Number of Independent Claims	*
Number of Priorities	*
Number of Multi-Dependent Claims	*
Number of Drawings	*
Pages for Publication	*
Number of Pages with Drawings	*
Pages of Specification	*
Sequence Listing	*
Number of Office Actions	*
International Search Report is established	*
International Searching Authority	EPO *
Recordal of a Change of the Applicant's Name/Address	Change of Applicant's Name and Address *
Type of Assignment	The Standard Agent's Assignment *
Applicant's Legal Status	Legal Entity *
Small Entity	*
Non-Commercial Organization	*
Micro Entity	*
Small Entity, USA	*
Micro Entity, USA	*
Entry into National Phase under	Chapter I *
Patent Delivery	Send the Letters Patent by Courier *
Translation

WO2026068501 - TRAINING EINES TOKENIZER-NETZWERKS ZUR UNTERSTÜTZUNG DES TRAININGS VON TRANSFORMER-NETZWERKEN AUF PUNKTWOLKEN

Quotation for National Phase entry

Contact Us