[发明专利]降低神经网络的注解费用的方法和装置

权利要求书

1.一种学习方法，变换当前帧时利用之前帧的信息来在帧之间维持规定且统一的关系，并将虚拟世界上的虚拟影像变换为具有与实际世界上的实际影像类似的特性的更像实际的影像，包括：

步骤(a)，若获取(i)与上述虚拟世界上的上述虚拟影像的第N帧相对应的第N虚拟训练图像、(ii)与上述第N虚拟训练图像中包括的至少一个对象有关的第N元数据以及(iii)与上述虚拟影像的第N-K帧有关的第N-K参照信息，则学习装置使得生成卷积神经网络内的至少一个编码层对上述第N虚拟训练图像、上述第N元数据及上述第N-K参照信息适用至少一次卷积运算，从而生成至少一个第N特征地图；

步骤(b)，上述学习装置使得上述生成卷积神经网络内的解码层对上述第N特征地图适用至少一次反卷积运算，从而生成第N变换图像；

步骤(c)，上述学习装置使得以与上述生成卷积神经网络对立的方式学习的判别卷积神经网络对上述第N变换图像适用至少一次判别卷积神经网络运算，从而生成第一预测图像类别得分向量，第一预测图像类别得分向量包括上述第N变换图像为上述实际世界的实际图像中的一个或者上述虚拟世界的虚拟图像中的一个的概率相关信息；以及

步骤(d1)，上述学习装置使得上述生成卷积神经网络内的生成损失层参照上述第一预测图像类别得分向量及与其对应的第一真值图像类别得分向量生成至少一个生成卷积神经网络损失，并参照上述生成卷积神经网络损失执行反向传播，从而学习上述生成卷积神经网络的参数中的至少一部分，

上述学习装置使得上述生成损失层学习上述生成卷积神经网络的上述参数中的上述至少一部分，以使上述判别卷积神经网络对上述生成卷积神经网络输出的图像的类别作出错误判断的概率变大；

步骤(d2)，上述学习装置使得判别损失层参照上述第一预测图像类别得分向量及上述第一真值图像类别得分向量，生成第一判别卷积神经网络损失后，利用上述第一判别卷积神经网络损失执行反向传播，学习上述判别卷积神经网络的参数中的至少一部分，

上述学习装置使得上述判别损失层学习上述判别卷积神经网络的上述参数的上述至少一部分，以使上述判别卷积神经网络准确判断向自己输入的图像的类别的概率；

其特征在于，与上述步骤(a)至上述步骤(d1、d2)并列执行：

若获取上述实际图像中的至少一个实际训练图像，则上述学习装置(i)使得上述判别卷积神经网络对上述实际训练图像适用判别卷积神经网络运算，生成第二预测图像类别得分向量，第二预测图像类别得分向量包括上述实际训练图像为上述实际图像中的一个或者上述虚拟图像中的一个的概率相关信息，之后，(ii)使得上述判别损失层参照上述第二预测图像类别得分向量及与其对应的第二真值图像类别得分向量生成第二判别卷积神经网络损失，利用上述第二判别卷积神经网络损失执行反向传播，学习上述判别卷积神经网络的上述参数中的至少一部分。

2.根据权利要求1所述的方法，其特征在于，

上述步骤(a)中，上述学习装置使得上述生成卷积神经网络内的至少一个调整层参照第N随机种子值对上述第N特征地图适用至少一次调整运算，从而生成第N调整特征地图，

上述步骤(b)中，上述学习装置使得上述解码层对上述第N调整特征地图适用反卷积运算，从而生成上述第N变换图像。

3.根据权利要求1所述的方法，其特征在于，上述步骤(a)中，上述学习装置使得上述编码层的至少一个卷积神经元中的各个对向自己输入的值利用自己的参数适用运算后，向下一个卷积神经元传递所输出的值，由此对上述第N虚拟训练图像适用卷积运算。

4.根据权利要求1所述的方法，其特征在于，上述步骤(a)中，上述学习装置(i)获取(i-1)包括上述第N虚拟训练图像内的上述对象的至少一个位置信息及至少一个等级信息的上述第N元数据及(i-2)与上述虚拟影像的上述第N-K帧相对应的包括第N-K虚拟训练图像、第N-K变换图像及第N-K元数据中的至少一部分的上述第N-K参照信息，(ii)使得上述生成卷积神经网络对上述第N虚拟训练图像、上述第N元数据及上述第N-K参照信息适用卷积运算，生成上述第N特征地图。