[发明专利]生成可验证的逼真测量数据

说明书

生成可验证的逼真测量数据。一种用于将来自潜在空间Z的输入向量z转换成相对于给定应用领域逼真的测量数据的一个或多个记录x的生成器（1），包括：·经训练的神经网络（11），其被配置为将输入向量z映射到表征逼真测量数据x的随机分布（12）的一组分布参数（12a），其中该随机分布（12）被配置为使得给定所述一组分布参数（12a）和至少一个随机源，可以获得逼真测量数据的样本x；和·采样模块（13），其包括随机或伪随机数生成器（13a）作为随机源，并被配置为从所述随机分布对逼真测量数据x进行采样。

本发明涉及对图像分类器的训练特别有用的逼真测量数据的生成。

背景技术

用于车辆的驾驶辅助系统、以至少部分自动化的方式穿过交通移动的车辆以及自主移动和/或工作的机器人都需要对其环境的可靠感知，使得它们可以对该环境中的任何对象和/或事件进行适当的反应。被处理成这样的感知的大多数信息是图像信息。因为即使是直接连续获取的相同情形的两个图像也不是完全等同的，所以使用经训练的图像分类器进行处理是有利的。凭借其泛化能力，这样的分类器能够识别对象和/或事件，即使它们在新图像中看起来有些不同。这样，所述系统、所述车辆和/或所述机器人甚至可以对尚未成为分类器训练的一部分的未见情形进行适当的反应。

图像分类器的训练需要用关于在处理相应训练图像时分类器应该理想地检测的对象和/或事件的“基本真值（ground truth）”来标注训练图像。目前，该标注在很大程度上是一项人工任务。因此，获得标注的训练图像是昂贵的。

因此，有利的是，从给定的标注训练图像生成合成但逼真的训练图像，该训练图像可以在没有人工干预的情况下被给予已知的标注。这样，可以大大降低获得用于分类器训练的足够数量的训练图像的总成本。EP 3 572 986 A1公开了一种用于生成这样的合成训练图像的示例性方法。

发明内容

发明人已经开发了一种生成器，用于将输入向量z从潜在空间Z转换成相对于给定的应用领域逼真的测量数据的一个或多个记录x。使用该生成器，逼真测量数据（例如图像）的任意数量的记录x可以通过从Z中的随机分布对输入向量z进行采样来获得。例如，如果使用从Z中的特定给定随机分布采样的输入向量z来训练生成器，则当训练完成并且生成器正用于其预期目的时，该随机分布也可以用于对输入向量z进行采样。

生成器包括经训练的神经网络，其被配置为将输入向量z映射到一组分布参数，该组分布参数表征逼真测量数据x的随机分布。该随机分布被配置为使得给定由神经网络产生的该组分布参数和至少一个随机源，可以获得逼真测量数据的样本x。神经网络可以具有任何合适的架构。例如，它可以是卷积神经网络。

生成器进一步包括采样模块。该采样模块包括随机或伪随机数生成器作为随机源。采样模块被配置为从随机分布对逼真测量数据x进行采样，该随机分布进而由神经网络产生的分布参数表征。

伪随机数生成器从某个种子值开始，以确定性的方式生成近似于随机数序列行为的数字序列。例如，真正的随机数生成器可以使用电子组件中产生的噪声，或者在不可预测的时间发生的放射性物质中的衰变事件作为熵源。

特别地，对于同一个输入向量z，可以通过从同一个随机分布对测量数据进行采样来产生测量数据的多个记录x。

该路径比神经网络以完全确定性的方式将输入向量z直接映射到逼真测量数据的记录x——如它在先前的生成器中所做的——复杂一点。然而，发明人已经发现，随机分布上的迂回不仅产生x本身，而且还产生在给定z的情况下任何x的明确定义的似然性。

对于直接输出x的先前生成器，从许多x、z对中获得的近似若不是不可能的也是困难的。本生成器背后的推理是，如果需要x和两者，则首先确定并从中获得x是有利的。这里，对于给定的z，由经训练的神经网络参数化的随机分布对应于所寻求的。