[发明专利]稀有实例分类器

说明书

在一些实施方式中，自动或半自动车辆的图像分类系统能够通过减少对被认为是罕见对象的对象的重复不正确分类来改善多对象分类。该系统可以包括普通实例分类器和稀有实例分类器，其中普通实例分类器被训练来将一般对象(例如，常见对象和罕见对象)标识和识别为属于指定对象类别，稀有实例分类器被训练来计算表示输入图像由普通实例分类器正确分类的可能性的一个或多个稀有度分数。稀有实例分类器的输出可以用来调整普通实例分类器的分类输出，使得输入图像被不正确分类的可能性降低。

技术领域

本说明书涉及自动车辆。

背景技术

自动车辆包括无人驾驶汽车、船只和飞机。自动车辆使用各种车载传感器和计算机系统来检测邻近对象，并使用这样的检测来做出控制和导航决策。

一些自动车辆具有实施用于图像内的对象分类的神经网络的计算机系统。

神经网络，或简称为网络，是采用多个层的操作从一个或多个输入预测一个或多个输出的机器学习模型。神经网络通常包括位于输入层和输出层之间的一个或多个隐藏层。每个层的输出被用作网络中的另一层(例如，下一个隐藏层或输出层)的输入。

神经网络的每个层指定了要对层的输入执行的一个或多个变换操作。一些神经网络层具有被称为神经元的操作。每个神经元接收一个或多个输入，并生成由另一神经网络层接收的输出。通常，每个神经元从其他神经元接收输入，并且每个神经元向一个或多个其他神经元提供输出。

神经网络的架构指定了什么层被包括在网络中及其属性，以及如何连接网络的每个层的神经元。换句话说，该架构指定了哪些层将它们的输出作为输入提供给哪些其他层，以及如何提供输出。

每个层的变换操作由安装了实施变换操作的软件模块的计算机执行。因此，被描述为执行操作的层意味着实施层的变换操作的计算机执行操作。

每个层使用层的参数集合的当前值来生成一个或多个输出。训练网络因此包括对输入连续地执行正推法(forward pass)，计算梯度值，以及更新每个层的参数集合的当前值。一旦神经网络被训练，最终的参数集合就可以用来在产生式系统(production system)中进行预测。

卷积神经网络包括卷积神经网络层。卷积神经网络层具有利用输入数据中的空间局部相关性的神经元连通性。为此，卷积神经网络层具有稀疏连通性，其中一个卷积层中的神经元仅从前一个神经网络层中的小的神经元子集接收输入。神经元从其接收它的输入的其他神经元定义了该神经元的感受野(receptive field)。

卷积神经网络层具有由层的参数定义的一个或多个滤波器。卷积神经网络层通过执行每个神经元滤波器与层输入的卷积来生成输出。

此外，每个卷积网络层可以具有三维排列的神经元，具有深度、宽度和高度维度。宽度和高度维度对应于层输入的二维特征。深度维度包括神经元的一个或多个深度子层。一般地，卷积神经网络采用权重共享，使得深度子层中的所有神经元具有相同的权重。这在检测输入中的特征时提供了平移不变性。

卷积神经网络还可以包括完全连接层和其他种类的层。完全连接层中的神经元从前一个神经网络层中的每个神经元接收输入。

自动和半自动车辆系统可以使用对象检测预测用于做出驾驶决策。

自动车辆系统可以使用人类编程逻辑进行对象检测预测。人类编程逻辑精确指定了车载传感器的输出应该如何被组合、变换和加权，以便计算全对象预测。

发明内容