CN111797885B 用于分类的系统和方法 （三星显示有限公司）

2从被标记的输入数据集形成第一训练数据集和第二训练数据利用所述第二训练数据集训练变分自编码器，所述变分自编码器包括编码器和解码其中，所述第一训练数据集是所述被标记的输入数据集，或其中，所述第二训练数据集是所述被标记的输入数据集，或4.根据权利要求1所述的方法，其中，所述第四训练数据集与所述第三训练数据集相从被标记的输入数据集形成第一训练数据集和第二训练数据利用所述第二训练数据集训练变分自编码器，所述变分自编码器包括编码器和解码通过将伪随机向量馈入所述解码器来生成第三数3从被标记的输入数据集形成第一训练数据集和第二训练数据利用所述第二训练数据集训练变分自编码器，所述变分自编码器包括编码器和解码通过将伪随机向量馈入所述解码器来生成第三数4[0002]本申请要求2019年4月5日提交的题为“用于跟踪数据集的数据扩充的系统和方5[0025]根据本发明的实施例，提供了一种用于将被制造的部件分类为良品或次品的系[0026]将参考说明书、权利要求和附图来领会和理解本公开的这些和其他特征以及优6[0037]以下结合附图阐述的详细描述旨在描述根据本公开提供的用于数据扩充的系统[0041]如以下进一步详细描述的，各种方法可以被使用以解决以上提到的障碍中的一预处理电路110(数据预处理电路110可以对数据进行重新格式化，如以下进一步详细讨论的)以及可以是深度学习(DL)神经网络的分[0042]数据预处理电路110可以从数据收集电路105接收原始跟踪数据(例如，如以上提[0043]图2示出了在一些实施例中用于训练和验证分类器的流程图。从数据预处理电路采用过采样(如以下进一步详细讨论的)以生成包括一个或两个类的附加数据样本的第一7重进行编程的、训练后的第一分类器或其神经网络的副本)的训练产生的模型来标记第三输入，该第二训练数据集可以是例如被标记的输入数据集205，或者被标记的输入数据集据集205的第二部分250(也由数据集分离器240从被标记的输入数据集205产生)验证由第8240从被标记的输入数据集205产生)、(ii)第一补充数据集305以及(iii)第三训练数据集320中的一个或多个(或一个或多个的相应部分)来训练第二分类器，从而得到第二分类器输入数据集205的第二部分250的每个数据元被馈入训练后的第二分类器(或“第二分类器[0051]图4的表格示出了使用过采样和原始G数据集的80％、利用基线二元分类器模型[0052]图5的表格示出了在一个实施例中第二分类器模型325的性能测试的结果。利用过过采样产生的2000个NG样本，以及(iii)从输入数据集205中的G样本中随机选择的2000分类器模型”)325中的每一个可以是如本文所描述的适当训练后的SqueezeNet、ResNet或VggNet神经网络。可以如在/abs/139性存储介质中的指令的更通用的硬件(诸如CPU)执行。处理电路可以在单个印刷电路板[0059]本文中使用的术语仅用于描述具体的实施例的目的，并且不旨在限制本发明构[0062]本文中记载的任何数值范围旨在包括归入所记载的范围内的相同数值精度的所