[发明专利]用于训练和测试分类器的设备和方法

说明书

用于训练和测试分类器的设备和方法，分类器被配置为提供表征信号的分类的输出信号，并且训练分类器基于所提供训练数据集，提供训练数据集包括步骤：•提供第一生成器，其被配置为基于所提供的具有第一类特征的输入信号提供具有第二类特征的输出信号，或生成器被配置为提供掩模信号，掩模信号指示输入信号的哪些部分示出第一类特征；•由第一生成器基于输入信号提供输出信号或掩模信号；•提供对应于输入信号的差异信号，基于在输入信号和输出信号之间的差异提供差异信号，或掩模信号被提供为差异信号；•基于对应差异信号提供对应于输入信号的期望输出信号，期望输出信号表征输入信号的期望分类；•提供至少一个输入图像和对应期望输出信号作为训练数据集。

技术领域

本发明涉及一种用于训练分类器的方法、一种用于评估分类器是否可以用在控制系统中的方法、一种用于操作致动器的方法、一种计算机程序和一种机器可读存储介质、一种分类器、一种控制系统和一种训练系统。

背景技术

Jun-Yan Zhu、Taesung Park、Phillip Isola和Alexei A. Efros的“UnpairedImage-to-Image Translation using Cycle-Consistent Adversarial Networks”（https://arxiv.org/abs/1703.10593v1）公开了一种用于使用循环一致生成对抗网络进行不成对图像到图像转化的方法。

本发明的优点

分类器的监督训练需要大量的标记数据。标记数据可以理解为多个数据点，其中每个数据点被分配对应的标签，当被提供相应的数据点时，分类器将预测该对应的标签。例如，描绘城市交通场景的信号可以被分配“城市交通”作为类标签。可以进一步设想，场景中描绘的车辆用分类器将预测的边界框来标记。

尤其是在安全关键环境中使用分类器时，例如对于高度自动化或自主的车辆，用大量的标记数据来训练分类器是至关重要的，因为一般来说，如果在训练期间分类器被提供更多（和多样的）数据，则分类器的性能得到改进。至关重要的是实现尽可能高的性能，因为这减轻了在操作期间对分类器的环境进行错误分类的风险，并且后续改进了使用分类器的产品（例如，自主车辆）的安全性。

同样，评估分类器的性能需要大量的标记数据作为测试数据集。作为分类器在训练期间看不见的数据——即，分类器在操作期间将面临的数据——上的真实性能是用测试数据集来近似的，测试数据集越大和越多样化，分类器在操作期间的真实性能的近似就越好。

手动获得标记数据是麻烦且耗时的工作。因此，合期望的是允许信号的可靠自动标记的方法，该信号然后可以用于训练或测试分类器。

具有独立权利要求1的特征的方法的优点在于，它允许以自动和无监督的方式获得信号的标签，即，不需要人类监督。进而，该方法使能生成高度多样且大的数据集，所述数据集可以用作用于增强分类器性能的训练数据集，或用作更可靠地近似分类器性能的测试数据集。

发明内容

在第一方面中，本发明涉及一种用于训练分类器的计算机实现的方法，其中分类器被配置为提供表征输入信号的分类的输出信号，并且基于所提供的训练数据集来训练分类器，其中提供训练数据集包括以下步骤：

• 提供第一生成器，其中第一生成器被配置为基于所提供的具有第一类特征的输入信号来提供具有第二类特征的输出信号，或者其中所述生成器被配置为提供掩模（mask）信号，其中所述掩模信号指示输入信号的哪些部分示出第一类特征；

• 由第一生成器基于输入信号提供输出信号或掩模信号；

• 提供与输入信号相对应的差异信号，其中所述差异信号是基于在输入信号和输出信号之间的差异来提供的，或者其中所述掩模信号被提供为所述差异信号；

• 基于对应的差异信号提供对应于输入信号的期望输出信号，其中期望输出信号表征输入信号的期望分类；

• 提供至少一个输入信号和对应的期望输出信号作为训练数据集。