[发明专利]用于运行神经网络的方法和设备

说明书

本发明涉及用于运行神经网络的方法和设备。用于训练第一神经网络（61）用以对输入图像进行分类和/或语义分割的方法，其中根据特征图（a）执行所述训练，所述特征图当在输入侧输送输入图像（x）时施加在第一神经网络（61）的输出端处，以及根据施加在边缘探测器（73）的输出端处的额定特征图（as）执行所述训练，所述额定特征图当在输入侧输送输入图像（x）的语义分割的额定值（SEMs）时施加在边缘探测器（73）的输出端处。

技术领域

本发明涉及用于训练神经网络的方法、用于提供操控信号的方法、用于评估神经网络的鲁棒性的方法、计算机程序和机器可读存储介质。

背景技术

从未预先公开的DE 10 2017 223 264.1中已知一种用于借助于神经网络在所提供的输入信号中探测对象的方法，其中根据所提供的输入信号来探测对象，并且其中根据对象的探测来进行执行器的操控。

发明优点

为了能够释放基于机器学习方法、例如神经网络的产品，必须表明即使对于事先未知的新数据点也对函数输出尽可能正确的值。这例如利用独立的测试数据组来实现。

这样的释放（Freigabe）基于以下假设：数据组是代表性的。这种假设通常是不切实际的。因此，可以通过风险评估产生潜在关键影响因素列表。借助于这些因素现在可以试图相应地产生数据组。这种行动也有多个弱点。一方面，通过组合所有影响因素，要产生的数据组变得非常大，此外并非总是有可能记录所需要的数据点，最后数据点的出现概率是未知的。

尤其是，有利地考虑所谓的卷积网络（英语：“convolutional neural networks”，简称：CNN），即考虑具有至少一个卷积层的网络。可以充分利用的是，CNN的感受野（rezeptiven Felder）随层的深度而生长。也就是说，在第一层中仅考虑信号的局部信息。在图像情况下，这对应于边缘滤波器（Kantenfilter）。仅在更深的层中，通过组合边缘滤波器才探测信号的语义信息。

在本发明中，学习不变的局部滤波器（invariante lokale Filter）。从而一方面，因为影响因素仅通过全局效应实现，所以这些影响因素的组合被打破（aufgebrochen）。另一方面，由于基于第一层的不变输出来计算网络的输出，所以整个网络在影响因素下也变得不变。

可能的是，例如通过在特征维度或空间维度中合并（pooling）来明确地执行该不变性。在本发明中学习不变性。

本发明是独立权利要求1的主题。本发明的其他方面是并列权利要求的主题。有利的改进方案是从属权利要求的主题。

发明内容

在第一方面中，本发明涉及一种用于训练第一神经网络用以对输入图像x进行分类和/或语义分割的计算机实现的方法，其中根据特征图（Merkmalskarte）a执行所述训练，所述特征图当在输入侧输送输入图像x时施加在所述第一神经网络的输出端处，以及根据施加在边缘探测器的输出端处的额定特征值as来执行所述训练，所述额定特征图当在输入侧输送在输入侧输送输入图像x的语义分割的额定值时施加在边缘探测器的输出端处。

也就是说，根据特征图a和额定特征图as的比较（Abgleich）来适配对第一神经网络进行参数化的参数ϕ。这典型地可以如此发生，使得适配对第一神经网络进行参数化的参数ϕ，以使得最小化成本函数（英语：loss function（损失函数）），所述成本函数与特征图a和额定特征图as的差异有关。

当前并且在下文中尤其是可以将语义分割理解为逐像素语义分割。

作为边缘探测器例如可以设置Sobel滤波器、Scharr滤波器、Laplace滤波器、Prewitt滤波器、Roberts滤波器或Krisch算子（Kirschoperator）。通过在各自图像的x方向和/或y方向上求微分进行探测也是可能的。