[发明专利]根据图像数据与预先给定的分布的兼容性用于技术系统的异常控制

说明书

根据图像数据与预先给定的分布的兼容性用于技术系统的异常控制。用于通过识别输入图像数据在何种程度上与图像数据的至少一个预先给定的分布相配或与预先给定的分布偏离来探测尤其摄像机的输入图像数据中的异常的方法，具有步骤：·提供至少一个变换，其将输入图像数据映射到关于至少一个方面信息减少的数据；•提供至少一个神经重构网络，其被训练成从通过将变换应用于原始图像数据从预先给定的分布中获得的信息减少的数据中重构原始图像数据；•通过应用变换将输入图像数据映射到信息减少的数据；•利用神经重构网络将信息减少的数据映射到重构图像数据；•使用重构图像数据来评价：输入图像数据在何种程度上与预先给定的分布相配或与该分布偏离。

技术领域

本发明涉及一种用于识别技术系统中的异常的方法。该识别被化为检验应该由技术系统的神经网络处理的图像数据是否被该神经网络已经经历的训练的范围涵盖。

背景技术

驾驶员辅助系统和用于至少部分自动驾驶的系统与人类驾驶员类似地使用来自作为重要的信息源的车辆的周围环境的图像数据。神经网络经常被用于处理这些图像数据。如果利用足够可变性的训练图像数据对这些神经网络进行训练，则所述神经网络之后也可以在在训练未看到的大量状况下从图像数据中得出针对车辆的操控的正确结论。

然而，该能力限于与通过训练图像数据定义的分布相配的图像数据。如果例如对网络进行训练以对与交通相关的对象进行分类，则所述网络将在大量情况下可靠地识别车辆、交通标志、车道边界和在交通状况中有规则地出现的许多其他对象。而由于不完善的装载物保护措施在运输时已松动并且躺在高速公路中间的沙发在培训中不出现，并且本身不被识别。于是不保证由神经网络控制的车辆及时刹车和/或绕道。

因此，DE 10 2019 209 227 A1公开一种方法，利用所述方法可以鉴于以下方面对通过输入参量值表征的任意状况进行检验：在对神经网络进行训练时学习的关系是否可以应用于这些状况。

发明内容

在本发明的范围内，开发了一种用于识别输入图像数据在何种程度上与图像数据的至少一个预先给定的分布相配或与该预先给定的分布偏离的方法。该识别使得能够探测输入图像数据中的异常，并且因此也使得能够探测技术系统中的异常，所述技术系统处理所述输入图像数据。尤其是，图像数据可以例如利用任意形式的摄像机被记录。所述图像数据可以例如代表静止图像或者图像序列。

在该方法的范围中，提供至少一个变换，所述变换将所述输入图像数据映射到关于至少一个方面信息减少的数据。就此而论，术语“信息减少的”尤其是应被理解为不能明确地逆转变换。因此，例如，变换可以提供一种将图像缩小到较低分辨率或将彩色图像转换为灰度图像的明确途径。但是，不能从中导出返回到具有更高分辨率的特定图像或特定彩色图像的明确途径。

提供至少一个神经重构网络。该神经重构网络被训练成从通过将所述变换应用于原始图像数据从预先给定的分布中获得的信息减少的数据中重构所述原始图像数据。

通过应用所述变换将所述输入图像数据映射到信息减少的数据。利用所述神经重构网络将所述信息减少的数据映射到重构图像数据。

在使用所述重构图像数据的情况下，评价所述输入图像数据在何种程度上与所述预先给定的分布相配或与所述分布偏离。

已经认识到，神经重构网络从信息减少的数据中重构输入图像数据的能力与输入到该重构网络中的信息减少的数据与对重构神经网络进行训练所基于的那个数据分布相配相绑定。因此，重构网络例如可以被训练成从来自预先给定的分布的图像数据的大量信息减少的版本出发重构相应的原物。与来自相同分布的图像数据相对应的信息减少的数据于是被映射到原物的类似良好的重构上。而与远远超然于该分布的图像数据相对应的信息减少的数据被映射到与输入图像数据不再有太多共同之处的重构上。恰好这一点使得能够识别哪些输入图像数据与预先给定的分布相配以及哪些不相配。