[發明專利]提供個性化及自適應深度學習模型的方法及裝置

有效

• 申請號: 202010066098.6
• 申請日: 2020-01-20
• 公開（公告）號: CN111507458B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 金桂賢;金镕重;金鶴京;南云鉉;夫碩焄;成明哲;申東洙;呂東勛;柳宇宙;李明春;李炯樹;張泰雄;鄭景中;諸泓模;趙浩辰
• 申請（專利權）人: 斯特拉德視覺公司
• 主分類號: G06N3/0464
• 分類號: G06N3/0464;G06N3/084;G06V10/82;G06V20/56;B60W50/00
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 延美花;臧建明

本發明涉及提供并非固定的深度學習模型的動態自適應深度學習模型支援使得至少一個特定自動行駛車輛根據周邊狀況執行適當的自動行駛的方法，其特征在于，包括：與自動行駛車輛聯動的管理裝置(a)使微調(fine?tuning)系統獲得要更新的特定深度學習模型的步驟；(b)將所述影像數據及與其對應的貼標(labeling)的數據作為訓練數據輸入到所述微調系統更新所述特定深度學習模型的步驟；及(c)使自動更新系統將所述更新的特定深度學習模型傳輸到所述特定自動行駛車輛，使所述特定自動行駛車輛將遺留(legacy)深度學習模型改為使用所述更新的特定深度學習模型執行所述自動行駛的步驟。

技術領域

本發明涉及用于自動行駛車輛的方法及裝置，更具體來講，涉及一種向至少一個自動行駛車輛的至少一個用戶提供至少一個經過校準的個性化及自適應深度學習模型的方法及裝置。

背景技術

近來，深度學習除了在自動識別之外在控制自動行駛車輛方面也受到極大關注。

這種深度學習使用神經網絡且積極適用于圖像識別及分類領域，與增強學習結合以在特定領域展現出超越人類能力的極大成果。基于提高的學習能力，所述深度學習以未對傳感器進行預處理的狀態用于自動行駛車輛之類的多種領域。

尤其，所述自動行駛車輛使用利用按國家或地區收集的數據學習的深度學習模型。

然而，由于這種自動行駛車輛使用相同的深度學習模型，因此在滿足具有不同性格的所有駕駛員方面存在局限性。

因此，本發明旨在提供一種分別滿足利用自動行駛車輛的所有用戶的自動行駛車輛的個性化深度學習模型的方案。

發明內容

技術問題

本發明的目的是解決上述所有問題。

本發明的另一目的是向一個以上的自動行駛車輛的一個以上的個別用戶提供一個以上的經過校準的個性化深度學習模型。

本發明的又一目的是向自動行駛車輛的個別用戶提供對應于一個以上的個性化深度學習模型。

本發明的又一目的是為自動行駛車輛的個別用戶優化的一個以上的優化深度學習模型。

技術方案

為了達成如上所述的本發明的目的，實現下述本發明的特征性效果的本發明的特征性構成如下。

根據本發明的一個方面，提供一種方法，是提供并非固定的深度學習模型的動態自適應深度學習模型支援使得至少一個特定自動行駛車輛根據周邊狀況執行適當的自動行駛的方法，其特征在于，包括：(a)與自動行駛車輛聯動的管理裝置通過影像存儲系統獲得從所述自動行駛車輛中所述特定自動行駛車輛傳輸的影像數據的情況下，使微調(fine-tuning)系統使用存儲一個以上的深度學習模型的深度學習模型庫的所述影像數據獲得要更新的特定深度學習模型的步驟；(b)所述管理裝置將所述影像數據及與其對應的貼標(labeling)的數據作為訓練數據輸入到所述微調系統更新所述特定深度學習模型的步驟；及(c)所述管理裝置使自動更新系統將所述更新的特定深度學習模型傳輸到所述特定自動行駛車輛，使所述特定自動行駛車輛將遺留(legacy)深度學習模型改為使用所述更新的特定深度學習模型執行所述自動行駛的步驟。

根據一個實施例，在所述(b)步驟中，所述微調系統，(i)使所述特定深度學習模型內至少一個卷積層對所述影像數據適用至少一個卷積運算生成特征圖，(ii)使所述特定深度學習模型內至少一個輸出層對所述特征圖適用至少一個輸出運算生成預測數據，(iii)使至少一個損失層參照所述預測數據及所述貼標的數據生成損失，利用所述損失執行反向傳播(backpropagation)微調所述特定深度學習模型的參數。