[发明专利]利用网格生成器的神经网络运算方法及使用该方法的装置

说明书

本发明公开了利用网格生成器的神经网络运算方法及使用该方法的装置，该方法包括以下步骤：计算装置(a)若获取到测试图像，则使非对象检测器检测位于所述测试图像上的测试用非对象，并获取测试用非对象的位置信息和所述测试用非对象的类别信息；(b)使所述网格生成器参考所述测试用非对象的位置信息来生成区块信息；(c)使神经网络确定测试用参数；(d)使所述神经网络利用各所述测试用参数，将所述神经网络运算应用到所述测试图像中，输出一个以上的神经网络结果。

技术领域

本发明涉及为了根据测试图像内的区域的类别来切换模式以满足自动驾驶汽车4级而利用网格生成器的神经网络运算方法和利用该方法的装置，具体来说，利用所述网格生成器的神经网络运算方法，其特征在于，包括以下步骤：(a)若获取到测试图像，则使非对象(non-object)检测器检测出测试图像中存在的测试用非对象，获取测试用非对象的位置信息和所述测试用非对象的类别信息，所述测试用非对象的位置信息包括与所述测试用非对象在所述测试图像上位于哪个位置相关的信息，所述测试用非对象的类别信息包括与所述测试用非对象的类别相关的信息；(b)使所述网格生成器参考所述测试用非对象的位置信息来生成区块信息，所述区块信息包含与所述测试图像中的多个子区块相关的信息；(c)使神经网络参考学习用参数来确定测试用参数，所述测试用参数用于将所述神经网络运算应用到(i)包含各测试用对象和与其对应的所述测试用非对象的所述子区块中的至少一部分或者(ii)在所述子区块中的所述至少一部分之中各所述测试用非对象所在的各子区域，所述学习用参数是利用与各学习用非对象相关的信息学习的，与各所述学习用非对象相关的信息具有与各所述测试用非对象的所述类别信息相同或相似的类别信息；(d)使所述神经网络利用分别与所述子区块中的所述至少一部分对应的各所述测试用参数，将所述神经网络运算应用到所述测试图像中，输出一个以上的神经网络结果。

背景技术

深度卷积神经网络(Deep Convolution Neural Networks；Deep CNN)是深度学习的惊人发展的核心。CNN已经在90年代用于解决文字识别问题，但是近年来广泛用于机器学习(Machine Learning)。例如，CNN在2012年ImageNet图像分类竞赛(ImageNet LargeScale Visual Recognition Challenge)中击败了其他竞争对手并赢得了冠军。从那时起，CNN已成为机器学习领域中非常有用的工具。

CNN还广泛用于自动驾驶领域。在自动驾驶环境中，大多数输入图像具有典型且相似的布置，主要包括输入图像中间的车道和左右两侧的人行道。因此，用于自动驾驶的CNN使用具有如输入图像的构成要素那样的典型布置、例如典型的构成要素的训练图像来学习参数。

然而，上述学习过程具有很大的缺点。即，当输入图像的布置与训练图像的典型布置不同时，CNN运算效率低下。例如，在转弯的情况下，与具有典型布置的训练图像不同，测试图像的中间没有车道，由于CNN的参数针对车道位于图像中间的输入图像进行了优化，因此，使用上述参数无法正确计算测试图像。

发明内容

发明所要解决的课题

本发明的目的在于解决上述问题。

本发明的另一个目的在于，提供一种参考与子区块中的至少一部分的每一个所包含的至少一个以上的测试用非对象相关的类别信息来确定测试用参数的方法，由此输出最优化的神经网络结果。

用于解决课题的手段

为了实现如上所述的本发明的目的并实现后述的本发明的特定效果，本发明的特定构成如下。