[發明專利]用于運行神經網絡的方法和設備

在審

• 申請號: 202010429166.0
• 申請日: 2020-05-20
• 公開（公告）號: CN111985521A
• 公開（公告）日: 2020-11-24
• 發明（設計）人: K.格勞;R.諾登
• 申請（專利權）人: 羅伯特·博世有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06N20/00;G06T7/13;G06T7/12
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 臧永杰;劉春元

本發明涉及用于運行神經網絡的方法和設備。用于訓練第一神經網絡（61）用以對輸入圖像進行分類和/或語義分割的方法，其中根據特征圖（a）執行所述訓練，所述特征圖當在輸入側輸送輸入圖像（x）時施加在第一神經網絡（61）的輸出端處，以及根據施加在邊緣探測器（73）的輸出端處的額定特征圖（as）執行所述訓練，所述額定特征圖當在輸入側輸送輸入圖像（x）的語義分割的額定值（SEMs）時施加在邊緣探測器（73）的輸出端處。

技術領域

本發明涉及用于訓練神經網絡的方法、用于提供操控信號的方法、用于評估神經網絡的魯棒性的方法、計算機程序和機器可讀存儲介質。

背景技術

從未預先公開的DE 10 2017 223 264.1中已知一種用于借助于神經網絡在所提供的輸入信號中探測對象的方法，其中根據所提供的輸入信號來探測對象，并且其中根據對象的探測來進行執行器的操控。

發明優點

為了能夠釋放基于機器學習方法、例如神經網絡的產品，必須表明即使對于事先未知的新數據點也對函數輸出盡可能正確的值。這例如利用獨立的測試數據組來實現。

這樣的釋放（Freigabe）基于以下假設：數據組是代表性的。這種假設通常是不切實際的。因此，可以通過風險評估產生潛在關鍵影響因素列表。借助于這些因素現在可以試圖相應地產生數據組。這種行動也有多個弱點。一方面，通過組合所有影響因素，要產生的數據組變得非常大，此外并非總是有可能記錄所需要的數據點，最后數據點的出現概率是未知的。

尤其是，有利地考慮所謂的卷積網絡（英語：“convolutional neural networks”，簡稱：CNN），即考慮具有至少一個卷積層的網絡。可以充分利用的是，CNN的感受野（rezeptiven Felder）隨層的深度而生長。也就是說，在第一層中僅考慮信號的局部信息。在圖像情況下，這對應于邊緣濾波器（Kantenfilter）。僅在更深的層中，通過組合邊緣濾波器才探測信號的語義信息。

在本發明中，學習不變的局部濾波器（invariante lokale Filter）。從而一方面，因為影響因素僅通過全局效應實現，所以這些影響因素的組合被打破（aufgebrochen）。另一方面，由于基于第一層的不變輸出來計算網絡的輸出，所以整個網絡在影響因素下也變得不變。

可能的是，例如通過在特征維度或空間維度中合并（pooling）來明確地執行該不變性。在本發明中學習不變性。

本發明是獨立權利要求1的主題。本發明的其他方面是并列權利要求的主題。有利的改進方案是從屬權利要求的主題。

發明內容

在第一方面中，本發明涉及一種用于訓練第一神經網絡用以對輸入圖像x進行分類和/或語義分割的計算機實現的方法，其中根據特征圖（Merkmalskarte）a執行所述訓練，所述特征圖當在輸入側輸送輸入圖像x時施加在所述第一神經網絡的輸出端處，以及根據施加在邊緣探測器的輸出端處的額定特征值as來執行所述訓練，所述額定特征圖當在輸入側輸送在輸入側輸送輸入圖像x的語義分割的額定值時施加在邊緣探測器的輸出端處。

也就是說，根據特征圖a和額定特征圖as的比較（Abgleich）來適配對第一神經網絡進行參數化的參數?。這典型地可以如此發生，使得適配對第一神經網絡進行參數化的參數?，以使得最小化成本函數（英語：loss function（損失函數）），所述成本函數與特征圖a和額定特征圖as的差異有關。

當前并且在下文中尤其是可以將語義分割理解為逐像素語義分割。

作為邊緣探測器例如可以設置Sobel濾波器、Scharr濾波器、Laplace濾波器、Prewitt濾波器、Roberts濾波器或Krisch算子（Kirschoperator）。通過在各自圖像的x方向和/或y方向上求微分進行探測也是可能的。