[发明专利]卷积神经网络中的错误校正

说明书

公开了用于卷积神经网络中的错误校正的系统和方法。在一个实现中，接收第一图像。针对卷积神经网络的第一层内的第一图像生成第一激活图。计算在第一激活图中反映的数据和在与第二图像相关联的第二激活图中反映的数据之间的相关性。基于所计算的相关性，使用第一激活图和第二激活图的线性组合来处理卷积神经网络的第二层内的第一图像。基于对卷积神经网络的第二层内的第一图像的处理，提供输出。

相关申请的交叉引用

本申请与2018年1月8日提交的美国专利申请第62/614,602号有关，并主张优先权，其全部内容通过引用并入本文。

技术领域

本公开涉及数据处理的方面和实现，更具体地说，包括但不限于卷积神经网络中的错误校正。

背景技术

卷积神经网络是深度神经网络的一种形式。此类神经网络可用于分析视觉图像和/或其他内容。

附图简要说明

本披露的方面和实施将更充分地从下面给出的详细说明和所附图中更充分地理解披露的各个方面和实施情况，但是，不应将披露局限于具体方面或实施，而只是供解释和理解。

图1说明了一个示例系统，并符合示例实施例。

图2说明了本文描述的一个示例场景，根据示例实施例。

图3说明了本文描述的一个示例场景，根据示例实施例。

图4是一个流程图，说明一种卷积神经网络中错误校正的方法，并符合一个示例实施例。

图5是一个框图，说明能够从机器可读介质读取指令并执行本文讨论的任何方法的机器部件，根据示例实施例。

详细描述

本公开的方面和实现都指向卷积神经网络中的错误校正。

卷积神经网络是一种深度神经网络，可用于分析视觉图像和/或其他内容。此类神经网络可以包括多个连接层，包括以三维(宽度、高度和深度)排列的神经元。此类图层可以配置为分析或处理图像。例如，通过将各种滤镜应用于图像，可以生成一个或多个要素贴图/激活贴图。此类激活映射可以表示引用滤波器的应用响应或结果，例如，相对于与图像至少一部分相关的卷积神经网络层。在另一个示例中，输入图像可以通过卷积神经网络的一个或多个层进行处理，以创建一组要素/激活贴图。因此，卷积神经网络的各个图层可以生成激活映射的集或向量(反映对应于图像不同部分、区域或方面的激活映射)。在某些实现中，此类激活映射可以包括卷积神经网络(CNN)中一个或多个图层的输出，这是CNN处理图像期间生成的数据集(例如，在图像处理的任何阶段)。在某些实现中，引用的激活映射可以包括一个数据集，该数据集可能是在CNN中处理图像期间生成的数据的组合和/或操作(例如，此类数据是CNN生成的数据和存储库中的数据的组合)。

在某些实现中，描述的系统可以配置为检测事件，例如当对象覆盖至少部分被观测到的对象时(例如，手盖住驱动程序的脸部，驱动程序持有的对象覆盖驱动程序的一部分，等等)。

此外，在某些实现中，所述系统可实现用于驾驶员监控系统(DMS)、占用监测系统(OMS)等。例如，检测可能干扰检测与DMS相关的特征(例如与头部姿势、驾驶员眼睛位置、凝视方向、面部表情相关的特征)的遮挡。进一步的示例，检测可能干扰检测或预测驾驶员行为和活动的遮挡。

公开系统的各个方面及相关技术可以包括或涉及机器学习。机器学习可以包括一个或多个技术、算法和/或模型(例如数学模型)，这些模型在处理设备上实现和运行。在机器学习系统中实现的模型可以使系统能够根据数据的统计特征而不是根据人类专家的预定义规则来学习和改进数据。机器学习侧重于开发可以访问数据并用它来学习执行特定任务的计算机程序。

机器学习模型可根据机器学习系统的结构、监督或无人监督、系统内的数据流、输入数据和外部触发器进行成型。