[发明专利]用于确定一类别的对象的置信值的方法

说明书

描述一种用于确定一类别的对象的置信值的方法，所述对象在输入图像中借助神经网络确定，该方法具有以下步骤：对于对象的类别，借助神经网络的层的多个输出图像来创建(S1)激活签名，其中，将输入图像提供给神经网络的输入端；将激活签名缩放(S2)到输入图像的尺寸；将激活签名的面与对象框架的面的重叠的面部分相对于激活签名的面进行比较(S3)，以便确定置信值。

技术领域

本发明涉及一种用于确定一类别的对象的置信值(Vertrauenswert)的方法，该对象在输入图像中借助神经网络确定。

背景技术

为了控制至少部分自动化的系统(例如作为移动平台形式的示例的自行驶的车辆或机器人)，测试并进一步开发深度学习方法。这种至少部分自动化的系统的重要组成部分是其感知与其周围环境相关的复杂情况的能力。这种至少部分自动化的系统的安全且有效的运行的前提是对周围环境的解读和对该周围环境的状态的评估——例如决策过程(例如轨迹规划和控制)，其中，深度学习方法(即使用经特定训练的深度神经网络)有很大潜力解决这些任务。

发明内容

关于这种例如使用深度神经网络的至少部分自动化的系统的安全性的基本问题是：当输入数据在应用情况中来源于相同的分布(例如用于测试和训练网络的训练数据集)时，才能够评估神经网络在训练之后解决特定任务的能力。因此，在对象识别任务中使用的DNN(英语deep neural network，深层神经网络)只能说出所看到的内容，而不能说出对此有多确定。

但是例如对于对象识别，关于针对安全的、至少部分自动化驾驶的对象识别模型的可靠性的认识具有最大的重要性(Bedeutung)。

当前，在至少部分自动化的驾驶的范畴中，现代的可信度检查通常限于对多个传感器系统的比较或限于基于专家知识对输入数据的分析，例如用于识别困难的周围环境条件——例如光学传感器的雾或降低的数据质量(例如单个图像中的或图像序列中的运动模糊)。

因此，如果借助深度神经网络来表示周围环境，则在语义分割(Segmentierung)的情况下，在应用情况中例如借助数据集来识别在确定周围环境的表示和在该周围环境中所确定的对象或对象段的过程中的异常(Anomalien)。

说明根据本发明的技术方案的一种用于确定置信值的方法、一种设备、一种计算机程序产品和一种计算机可读的存储介质，其至少部分地具有所提及的作用。有利的构型是优选的实施方式的和以下说明书的内容。

本发明基于这样的认识，即可以在应用情况中通过如下事实来辨识在确定被分配给一类别的对象或对象段的过程中的偏差：在确定的过程中出现的识别图案(Erkennungsmuster)应当在空间上出现在对象被探测到或对象段被分类的位置。说明如下度量：借助该度量可以对任何偏差进行量化，以便获得对于在应用情况中通过神经网络来确定对象的置信值。

根据一个方面，说明一种用于确定一类别的对象的置信值的方法，该对象在输入图像中借助神经网络确定。在该方法的一个步骤中，对于对象的类别，借助神经网络层的多个输出图像来创建激活签名(Aktivierungs-Signatur)，其中，将输入图像提供给神经网络的输入端。在另一步骤中，将激活签名缩放到输入图像的尺寸。在另一步骤中，将激活签名的面与对象框架的面的重叠的面部分相对于激活签名的面进行比较，以便确定置信值。

因此，通过将来自应用情况中的输入图像的对象或对象段的激活签名与对象框架的或对象段的面进行比较，可以检查对象识别任务中经训练的深度神经网络(DNN：深层神经网络)的预测的可信度。在此，对象框架可以是完全包括确定的对象的框架，其方式是：该框架要么遵循对象的外部形状、要么例如是矩形的。

由此在应用情况期间识别出训练数据与输入数据之间的偏差。