[发明专利]用于求取数据集以训练分类器和/或检查分类器性能的计算机实现的方法

说明书

一种计算机实现的用于训练分类器和/或检查分类器性能的方法，该方法包括步骤：提供图像数据的第一数据集(201)；如此训练编码器(301)和解码器(303)，使得借助所述编码器(301)将所述第一数据集(201)的数据点映射到低维空间(302)中并借助所述解码器(303)再次进行逆变换；求取第一数据表示(401)，其中，通过将所述编码器(301)应用于所述第一数据集(201)的数据点求取所述第一数据表示(401)；在所求取的第一数据表示(401)的凸包内求取附加数据表示(402)；通过将所述解码器(303)应用于所述附加数据表示(402)确定经逆变换的数据集(403)；基于所述经逆变换的数据集求取第二数据集；借助所述第二数据集训练分类器和/或检查分类器的性能。

技术领域

本发明涉及一种用于求取数据集以训练分类器和/或检查分类器性能的计算机实现的方法、一种设置用于实施该方法的设备、一种用于实施该方法的计算机程序以及一种机器可读的存储介质，在该机器可读的存储介质上存储有该计算机程序。

背景技术

计算机实现的机器学习方法、尤其是神经网络经常用作部分自动化的、高度自动化的或全自动化的机器人、尤其是自动化运行的车辆的周围环境识别的一部分。在此，为此所使用的算法并不完美，并且可能造成(或多或少地严重的)错误预测，在自动化运行的车辆中，这些错误预测例如可能导致错误解读和系统故障。

存在确定以下先验的巨大需求：在哪些条件下，机器学习方法输出错误预测。为了确定机器学习方法在运行中没有发生任何严重错误，目前使用随机的验证数据集和/或测试数据集。基本假设是，机器学习方法的行为可以从验证数据集和/或测试数据集一般化(verallgemeinern)到以后的运行中。

发明内容

上述方法的问题是，必须使用哪些验证数据和/或测试数据以便允许将机器学习方法的行为一般化到以后的运行中是未公开的。现今，根据语义方面来挑选数据，在自动化运行的车辆的情况下，例如根据天气现象、一天中的时间或交通情况的覆盖来挑选数据。然而，机器学习方法并非基于语义方面进行决定，而是基于数据特定的特性，例如，根据摄像机传感器的图像的像素值。因此，为了保证在验证数据集和/或测试数据集上获得的结果的一般化，必须考虑数据特定的特性。

本发明描述一种计算机实现的方法，该方法用于训练分类器和/或回归器，和/或用于检查分类器和/或回归器的性能，尤其是用于使得分类器和/或回归器能够操控部分自动化的、高度自动化的或全自动化的机器人，该方法包括以下步骤：

·提供图像数据的第一数据集；

·如此训练编码器和解码器，使得借助编码器将第一数据集的数据点映射到低维空间中，并借助解码器再次映射回来(rückabgebildet)；

·求取第一数据表示其中，通过将编码器应用到第一数据集的数据点上来求取第一数据表示；

·在所求取的第一数据表示的凸包(die konvexe Hülle)内求取附加数据表示；

·通过将解码器应用到附加数据表示上来确定经逆变换的(rücktransformiert)数据集；

·基于经逆变换的数据集求取第二数据集；

·借助第二数据集来训练分类器和/或回归器，和/或检查分类器和/或回归器的性能。

机器人例如可以理解为工业机器人、自动化的作业机(Werkmaschine)或自动化运行的车辆。特别地，机器人可以理解为部分自动化的、高度自动化的或全自动化的车辆，该车辆可以至少暂时地在没有人的干预的情况下执行驾驶操作，尤其是纵向运动和/或横向运动的匹配。