[發明專利]用于粗略和精細對象分類的神經網絡

在審

• 申請號: 201980085004.5
• 申請日: 2019-12-18
• 公開（公告）號: CN113366496A
• 公開（公告）日: 2021-09-07
• 發明（設計）人: J.毛;C.李;Y.宋
• 申請（專利權）人: 偉摩有限責任公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/00;G08G1/16;B60W60/00;G06N5/00;G01S13/931
• 代理公司: 北京市柳沈律師事務所 11105
• 代理人: 金玉潔

本文公開的主題的各方面包括一種方法、系統和其他技術，其用于在第一階段中用第一訓練數據集合來訓練對象分類器神經網絡，第一訓練數據集合包括第一多個訓練樣本，第一訓練數據集合中的每個訓練樣本用粗略對象分類來標記；以及在第一階段完成之后的第二階段中，用第二訓練數據集合來訓練對象分類器神經網絡，第二訓練數據集合包括第二多個訓練樣本，第二訓練數據集合中的每個訓練樣本用精細對象分類來標記。

相關申請的交叉引用

本申請要求于2018年12月21號提交的美國申請序列號No.16/229，332的權益，其全部內容通過引用結合到本公開中。

背景技術

本說明書涉及自動車輛，并且更具體地，例如，涉及被配置為生成由車輛上的一個或多個傳感器獲取的數據中表示的對象的分類的機器學習模型。

自動車輛包括自主駕駛汽車、船只和飛機。如本文所用，自動車輛可以指全自動車輛或半自動車輛。全自動車輛通常能夠獨立于人類操作員完全自動駕駛，而半自動車輛自動進行一些駕駛操作，但在某種程度上仍然允許或需要人類控制或干預。自動車輛使用各種車載傳感器和計算機系統來檢測附近的對象，并使用這些檢測來做出控制和導航決策。

一些自動車輛實施神經網絡以基于傳感器數據幫助辨識關于它們的環境的信息。神經網絡是機器學習模型，其采用多層操作來從一個或多個輸入預測一個或多個輸出。神經網絡通常包括位于輸入層和輸出層之間的一個或多個隱藏層。每一層的輸出被用作網絡中另一層(例如，下一個隱藏層或輸出層)的輸入。

神經網絡的每一層指定要對該層的輸入執行的一個或多個變換操作。一些神經網絡層具有被稱為神經元的操作。通常，每個神經元可以接收一個或多個輸入，并生成由另一神經網絡層接收的輸出。每一層的轉換操作可以由一個或多個位置處的一個或多個計算機來執行，該一個或多個計算機已經安裝有實施轉換操作的軟件模塊。

發明內容

本說明書描述了用于訓練和使用對象分類神經網絡系統的系統、方法、設備和技術。對象分類神經網絡系統可以被配置為處理表示在自動車輛附近檢測到的感興趣對象的測量值(measurement)的傳感器數據，并生成對對象的對象類型分類。這些分類可以包括“粗略”分類和“精細”分類，它們表示對象的不同語義理解級別。神經網絡系統可以分兩個階段進行訓練，以便首先優化系統以用于確定粗略對象分類，然后精細化該系統以確定精細對象分類。在通過聚集于精細對象分類的訓練來精細化系統的第二階段期間，基于目標精細對象分類來固定或凍結系統的某些部分中的參數的值，以便減輕系統的粗略對象分類能力的退化。

本文描述的主題的一些方面包括一種用于訓練能夠生成粗略對象分類和精細對象分類的對象分類器神經網絡的方法。該方法可以包括以下動作：在第一階段中，用第一訓練數據集合來訓練對象分類器神經網絡，第一訓練數據集合包括第一多個訓練樣本(example)，第一訓練數據集合中的每個訓練樣本用粗略對象分類來標記；以及在第一階段完成之后的第二階段中，用第二訓練數據集合來訓練對象分類器神經網絡，第二訓練數據集合包括第二多個訓練樣本，第二訓練數據集合中的每個訓練樣本用精細對象分類來標記。在第二階段中訓練對象分類器神經網絡包括：對于每個訓練樣本，調整神經網絡的被分配給由訓練樣本的標簽指示的精細對象分類的一個或多個第一部分的參數，而不調整神經網絡的未被分配給由訓練樣本的標簽指示的精細對象分類的一個或多個第二部分的參數。

這些和其他實施方式可以可選地包括一個或多個以下特征。

神經網絡的一個或多個第一部分和神經網絡的一個或多個第二部分可以是通道編碼器子網絡，每個通道編碼器子網絡被配置為處理傳感器數據的不同通道。

調整神經網絡的一個或多個第一部分的參數可以包括：調整被配置為生成輸出的一個或多個通道編碼器子網絡的參數，所述輸出將在推理階段期間被處理以生成由所述訓練樣本的標簽指示的精細對象分類。