[发明专利]对分类器网络的训练的基于数据的向前推算

权利要求书

1.用于训练神经网络（1）的方法（100），所述神经网络（1）将输入图像（2）映射到作为输出数据（3）的如下内容上：至预先给定的分类的一个或者多个类别的分配、语义分割和/或对一个或者多个对象的识别，所述方法（100）具有步骤：

• 提供（110）学习输入图像（2a）以及所属的学习输出数据（4），所述神经网络（1）在理想情况下应将所述学习输入图像（2a）映射到所述学习输出数据（4）上；

• 提供（111）辅助输入图像（2b）；

• 通过将至少一个预先给定的变化（5）引入到所述辅助输入图像（2b）中，产生（120）所述辅助输入图像（2b）的修改（2c）；

• 所述修改（2c）被输送（130）给所述神经网络（1）；

• 在考虑如下输出数据（3，3b）的情况下确定（140）针对所述预先给定的变化（5）的预测（5'）：所述神经网络（1）将所述修改（2c）分别映射到所述输出数据（3，3b）上；

• 利用预先给定的辅助成本函数（6），评价（150）所述预测（5'）与所述预先给定的变化（5）的偏差；

• 怀着如下目的来优化（160）表征所述神经网络（1）的行为的参数（1a）：在进一步处理辅助输入图像（2b）时，改进通过所述辅助成本函数（6）进行的评价（150a）；

• 所述学习输入图像（2a）被输送（170）给所述神经网络（1）；

• 利用主成本函数（7），评价（180）在这种情况下获得的所述输出数据（3，3a）与所述学习输出数据（4）的偏差；

• 怀着如下目的来优化（190）表征所述神经网络（1）的所述行为的参数（1a）：在进一步处理学习输入图像（2a）时，改进通过所述主成本函数（7）进行的评价（180a）。

2.根据权利要求1所述的方法（100），其中，选择（105）如下神经网络（1）：所述神经网络（1）包括：

• 特征提取器（11），

·至少一个第一头部单元（12），所述至少一个第一头部单元（12）获得由所述特征提取器（11）供应的结果（14）作为输入，并构造为，将所述结果（14）映射到作为输出数据（3，3a）的如下内容上：至预先给定的分类的一个或者多个类别的分配、语义分割和/或对一个或者多个对象的识别；和

• 至少一个第二头部单元（13），所述至少一个第二头部单元（13）同样获得由所述特征提取器（11）供应的结果（14）作为输入，并构造为，将所述结果（14）映射到输出数据（3，3b）上，所述输出数据（3，3b）表明针对所述预先给定的变化（5）的预测（5'）。

3.根据权利要求2所述的方法（100），其中，所述特征提取器（11）包括多个卷积层，所述卷积层分别将一个或者多个滤波器核应用于输送给所述卷积层的输入，并且其中在鉴于所述辅助成本函数（6）进行优化（160）期间，所述滤波器核相对于彼此被重新加权，可是本身保持不变。

4.根据权利要求1至3中任一项所述的方法（100），其中，在鉴于所述主成本函数（7）进行优化（190）期间，与在鉴于所述辅助成本函数（6）进行优化（160）期间相比，能改变更多表征所述特征提取器（11）的所述行为的参数（11a）。

5.根据权利要求1至4中任一项所述的方法（100），其中，选择（121）所述预先给定的变化（5），使得所述神经网络（1）将所述修改（2c）映射到与原始辅助输入图像（2b）相同的类别分配、语义分割或对象识别上。

6.根据权利要求1至5中任一项所述的方法（100），其中，所述预先给定的变化（5）包括（122）所述辅助输入图像（2b）的旋转，和/或包括（122）所述辅助输入图像（2b）被划分成的瓷砖式图像块的图像内容的相互交换。

7.根据权利要求1至6中任一项所述的方法（100），其中，在鉴于所述辅助成本函数（6）进行优化（160）期间被优化的所述参数（1a）包括至少一个元参数，所述至少一个元参数表征所述神经网络（1）的学习行为的至少一个方面。