WO2025027466 - SYSTEMS AND METHODS FOR MULTI-GRANULARITY BASED SEMANTIC SEGMENTATION
National phase entry is expected:
Publication Number
WO/2025/027466
Publication Date
06.02.2025
International Application No.
PCT/IB2024/057228
International Filing Date
25.07.2024
Title **
[English]
SYSTEMS AND METHODS FOR MULTI-GRANULARITY BASED SEMANTIC SEGMENTATION
[French]
SYSTÈMES ET PROCÉDÉS DE SEGMENTATION SÉMANTIQUE BASÉE SUR UNE GRANULARITÉ MULTIPLE
Applicants **
TECHNOLOGY INNOVATION INSTITUTE – SOLE PROPRIETORSHIP LLC
Inventors
WU, Kebin
BAWAZIR, Ameera
XIAO, Xiaofei
ALMAZROUEI, Ebtesam
Priority Data
63/516,370
28.07.2023
US
63/584,623
22.09.2023
US
18/779,766
22.07.2024
US
Application details
| 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 | * |
| * | |
| Number of Office Actions | * |
| * | |
International Searching Authority |
MOIP
* |
| 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
* |
| * | |
| * | |
| * | |
| * | |
| * | |
| Entry into National Phase under |
Chapter I
* |
| Patent Delivery |
Send the Letters Patent by Courier
* |
| Translation |
|
* The data is based on automatic recognition. Please verify and amend if necessary.
** IP-Coster compiles data from publicly available sources. If this data includes your personal information, you can contact us to request its removal.
Quotation for National Phase entry
| Country | Stages | Total | |
|---|---|---|---|
| China | Filing, Examination, Granting | 2393 | |
| EPO | Filing, Examination, Granting | 14287 | |
| Japan | Filing, Examination, Granting | 2329 | |
| South Korea | Filing, Examination, Granting | 1931 | |
| USA | Filing, Examination, Granting | 4740 |
Total:
25,680
The term for entry into the National Phase has expired. This quotation is for informational purposes only
Contact Us
Abstract[English]
Systems, methods and computer readable storage mediums are provided. Data comprising raw images and their corresponding pixel-level semantic labels can be obtained. The data can be preprocessed to remove noisy samples or to augment the data with the technique of data augmentation. The data can be split into training and validation sets. A model and loss functions can be designed so first and second level semantic information is leveraged to boost first-level semantic segmentation. The model can comprise main and auxiliary branches. The first level semantic information can be utilized in the main branch and the second level semantic information can be utilized by the auxiliary branch. The model can be trained by the training set to iteratively minimize the loss functions. Model parameters can be updated as the loss function is minimized. The auxiliary branch can be removed after the model is trained. Results can be predicted using the trained model on samples in the validation set. Predicting results can be configured to generate pixel-level semantic segmentation labels.[French]
L'invention concerne des systèmes, des procédés et des supports de stockage lisibles par ordinateur. Des données comprenant des images brutes et leurs étiquettes sémantiques de niveau pixel correspondantes peuvent être obtenues. Les données peuvent être prétraitées pour éliminer des échantillons bruités ou pour augmenter les données avec une technique d'augmentation de données. Les données peuvent être scindées en ensembles d'entraînement et de validation. Un modèle et des fonctions de perte peuvent être conçus de telle sorte que des informations sémantiques de premier et second niveaux soient exploitées pour renforcer une segmentation sémantique de premier niveau. Le modèle peut comprendre des branches principale et auxiliaire. Les informations sémantiques de premier niveau peuvent être utilisées dans la branche principale et les informations sémantiques de second niveau peuvent être utilisées par la branche auxiliaire. Le modèle peut être entraîné avec l'ensemble d'entraînement pour minimiser de manière itérative les fonctions de perte. Des paramètres de modèle peuvent être mis à jour lorsque la fonction de perte est minimisée. La branche auxiliaire peut être supprimée après que le modèle a été entraîné. Des résultats peuvent être prédits, à l'aide du modèle entraîné, sur des échantillons figurant dans l'ensemble de validation. Des résultats de prédiction peuvent être configurés pour générer des étiquettes de segmentation sémantique de niveau pixel.