[发明专利]利用循环GAN将真实图像变换成虚拟图像的方法及装置

说明书

本发明涉及利用循环GAN将真实图像变换成虚拟图像的方法及装置，具体地涉及学习利用可应用于域自适应的循环GAN来将真实图像变换成虚拟图像的运行时输入变换的方法，该方法在虚拟行驶环境中执行，该方法可减少虚拟与现实之间的差异和注释费用，该方法包括如下步骤：(a)(i)使第1变换器将第1图像变换成第2图像，(ii)(ii‑1)使第1判别器生成第1_1结果，(ii‑2)使第2变换器将第2图像变换成具备与真实图像相同或类似的特性的第3图像；(b)(i)使第2变换器将第4图像变换成第5图像，(ii)(ii‑1)使第2判别器生成第2_1结果，(ii‑2)使第1变换器将第5图像变换成第6图像；及(c)算出损失。

技术领域

本发明涉及使用于自动驾驶汽车、虚拟行驶等的学习方法及学习装置、利用该学习方法及学习装置的测试方法及测试装置，更具体地，涉及利用循环GAN而将真实世界上的真实图像变换成虚拟世界上的虚拟图像的学习方法及学习装置、利用该学习方法及学习装置的测试方法及测试装置。

背景技术

深度卷积神经网络(Deep Convolution Neural Networks；Deep CNNs)是在深度学习领域中发生的惊人的发展核心。CNN虽然在90年代已被用来解决文字识别问题，但它之所以能够像现在这样被广泛使用，还要归功于近年来的研究结果。这样的CNN在2012年的ImageNet图像分类比赛中击败其他竞争者而获得冠军。之后，卷积神经网络在机器学习(Machine Learning)领域中成为非常有用的工具。

近年来CNN在自动驾驶汽车领域中非常广泛地得到使用。在自动驾驶汽车领域中使用时，CNN从附着于汽车的照相机获得影像并执行探测车道等的作用。为此，CNN利用现实世界上的训练图像及与此对应的GT(Ground truth)来学习参数。这样的传统的接近方法的缺点在于：在获得现实世界上的训练图像并生成与此对应的GT时，其不能由被编程的计算机自动地处理，需要人的投入，因此在训练过程中需要较多的费用和时间。

作为训练CNN的对策，提出了利用通过被编程的计算机而模拟的虚拟世界上的虚拟图像的方法。此时，虚拟图像和与此对应的GT可通过被编程的计算机而获得，与传统的接近方法相比，在训练过程中显著地减少费用和时间。

但是，在该情况下存在如下缺点：CNN利用虚拟图像而学习参数，因此在检测关于具备与虚拟图像的特性稍微不同的特性的真实世界的真实图像内所包含的对象时，作业性能下降。

发明内容

发明要解决的课题

本发明的目的在于解决上述问题。

本发明的另一目的在于提供一种如下的方法：通过利用循环GAN(Cycle Generative Adversarial Network)而学习的变换器将真实图像变换成虚拟图像，从而使利用虚拟世界上的虚拟图像而学习的对象检测器检测真实世界上的真实图像所包含的对象。

用于解决课题的手段

用于达到如上述的本发明的目的并实现后述的本发明的特征性效果的本发明的特征性结构如下。