[发明专利]对分类器网络的训练的基于数据的向前推算

说明书

本发明涉及对分类器网络的训练的基于数据的向前推算。用于训练神经网络的方法具有步骤：提供学习输入图像及学习输出数据；提供辅助输入图像；通过将至少一个预先给定的变化引入到辅助输入图像中，产生辅助输入图像的修改；修改被输送给神经网络；在考虑输出数据的情况下，确定针对变化的预测；利用预先给定的辅助成本函数评价预测与变化的偏差；怀着如下目的优化表征神经网络的行为的参数：在进一步处理辅助输入图像时，改进通过辅助成本函数进行的评价；学习输入图像被输送给神经网络；利用主成本函数评价输出数据与学习输出数据的偏差；怀着如下目的优化表征神经网络的行为的参数：在进一步处理学习输入图像时，改进通过主成本函数进行的评价。

技术领域

本发明涉及对分类器网络的训练，例如可以利用所述分类器网络来处理图像数据。

背景技术

为了对图像进行分类，多重采用神经网络。例如，在驾驶辅助系统或者针对至少部分自动化驾驶的系统中，采用图像分类器，以便如下地对交通状况的图像进行分类：所述图像显示何种对象。

通常，利用学习输入图像和所属的学习输出，对这样的网络进行训练，该网络在理想情况下应将学习输入图像映射到所述所属的学习输出上。学习输入图像被网络不间断地处理成输出，并且网络的参数被优化，直到这些输出足够好地与相应的学习输出对应。那么，由于其进行一般化的能力，网络也可以正确地对迄今尚未见过的输入图像进行分类。

对此的前提条件是，在稍后的有效运行中所输送的输入图像还属于如下相同分布（也称为域）：用于训练的学习输入图像也属于该分布。如果要使用来自与其明显不同的域的输入图像，则需要新的训练。从DE 10 2018 210 937 A1中已知了一种方法，利用该方法可以将雷达数据从一个域转移到另一个域，以便节省记录新训练数据及其手动“标记”有学习输出的成本。

发明内容

在本发明的范围之内，已开发了一种用于训练神经网络的方法。该神经网络将输入图像映射到作为输出数据的如下内容上：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。

输入图像例如可以包括摄相机图像、视频图像、雷达图像、激光雷达图像或者超声图像。

在所述方法中，提供了学习输入图像以及所属的学习输出数据，神经网络在理想情况下应将所述学习输入图像映射到所述学习输出数据上。这些学习输入图像也被称为“被标记的”图像，因为学习输出数据作为标记（Label）而可供使用。

附加地，提供了辅助输入图像。这些辅助输入图像与学习输入图像的不同之处如下：关于辅助输入图像不必进一步知道任何内容。尤其是，在此因此可以涉及“未被标记的”图像，针对所述“未被标记的”图像，没有学习输出数据并且由此也没有标记可供使用。甚至有利的是，辅助输入图像不属于学习输入图像，因为经此避免了“过拟合（Overfitting）”到学习输入图像上。

通过将至少一个预先给定的变化引入到辅助输入图像中，产生辅助输入图像的修改（Abwandlungen）。这些修改在第一“自监督”学习过程中被输送给神经网络。在考虑神经网络将修改分别映射到其上的输出的情况下，确定针对预先给定的变化的预测。

利用预先给定的辅助成本函数，评价预测与预先给定的变化的偏差。怀着如下目的来优化表征神经网络的行为（Verhalten）的参数：在进一步处理辅助输入图像时，改进通过辅助成本函数进行的评价。例如，针对该优化，可以使用随机梯度下降法（SGD）或者ADAM算法。

该学习过程被称为“自监督”，因为通过将预先给定的变化引入到辅助输入图像中产生某些如下已知内容：用所述已知内容来衡量神经网络的预测。

学习输入图像在第二“监督”学习过程中被输送给神经网络。利用主成本函数，评价在这种情况下获得的输出数据与学习输出的偏差。怀着如下目的来优化表征神经网络的行为的参数：在进一步处理学习输入图像时，改进通过主成本函数进行的评价。