用于可靠地运行分割器的方法和设备技术

一种用于确定借助于成像传感器所检测到的在输入图像（x）中的对象的深度和/或方向和/或位置信息的方法，其中该输入图像（x）借助于分割器（61）、尤其是借助于第一神经网络被转换成无纹理呈现（SEM），而且借助于估计器（71）、尤其是借助于第二神经网络根据该无纹理呈现（SEM）来确定如下对象列表（y），该对象列表表征在该输入图像（x）中存在的对象和这些对象的相应的深度和/或方向和/或位置信息。

【技术实现步骤摘要】
用于可靠地运行分割器的方法和设备
本专利技术涉及一种用于确定深度和/或方向和/或位置信息的方法、一种定位器、一种用于确定定位器的鲁棒值的方法、一种用于提供操控信号的方法、一种控制系统、一种用于训练定位器的方法、一种训练系统、一种计算机程序和一种机器可读存储介质。
技术介绍
从还未先行公开的DE102017223264.1中公知一种用于借助于神经网络在所提供的输入信号中探测对象的方法，其中根据所提供的输入信号来探测对象而且其中根据对该对象的探测来操控执行器。本专利技术的优点在根据对象探测、即对输入信号的语义分割和/或分类来运行安全关键的应用（该安全关键的应用例如可能、但不强制是对机动车的操控）时的挑战是要保证不可能存在由于错误地确定的语义分割和/或分类而引起的危险。对这种系统的鲁棒性的评价需要多种测试情况，这些测试情况利用真实的图像数据难以呈现。因而值得期望的是：利用合成的图像数据来确定鲁棒性。不过公知的是：尤其是神经网络在分配到类别时把对象的纹理看得非常重要。虽然可以合成地生成纹理，使得这些纹理对于人眼来说显得逼本文档来自技高网...

【技术保护点】
1.一种用于训练机器学习系统（60）、尤其是神经网络来创建对借助于成像传感器（30）所检测到的输入图像（x）的语义分割和/或分类（y）的方法，其中提供至少一个训练图像（xs），所述训练图像具有所属的逐像素的语义分割（SEMs），其中根据所述训练图像（xs）来生成新训练图像（xn），其方式是在所述训练图像（xs）中利用可预先给定的纹理（xe）来覆盖至少一个与所提供的语义分割（SEMs）的分割区相对应的可预先给定的区域（b1、b2、b3），/n而且其中所述机器学习系统针对所述新训练图像（xn）来确定语义分割（SEM），并且对所述机器学习系统进行参数化的参数（φ）根据所确定的语义分割（SEM）和所提...

【技术特征摘要】
20190619 DE 102019208920.81.一种用于训练机器学习系统（60）、尤其是神经网络来创建对借助于成像传感器（30）所检测到的输入图像（x）的语义分割和/或分类（y）的方法，其中提供至少一个训练图像（xs），所述训练图像具有所属的逐像素的语义分割（SEMs），其中根据所述训练图像（xs）来生成新训练图像（xn），其方式是在所述训练图像（xs）中利用可预先给定的纹理（xe）来覆盖至少一个与所提供的语义分割（SEMs）的分割区相对应的可预先给定的区域（b1、b2、b3），
而且其中所述机器学习系统针对所述新训练图像（xn）来确定语义分割（SEM），并且对所述机器学习系统进行参数化的参数（φ）根据所确定的语义分割（SEM）和所提供的语义分割（SEMs）来予以适配。


2.根据权利要求1所述的方法，其中所述可预先给定的纹理（xe）是从所提供的其它训练图像（xt）剪下的。


3.根据权利要求2所述的方法，其中所述可预先给定的纹理是从所提供的其它训练图像（xt）的如下区域（bex）剪下的，所述区域完全处在属于所述所提供的其它训练图像（xt）的其它语义分割（SEMt）的唯一的分割区之内。


4.根据上述权利要求中任一项所述的方法，其中所述可预先给定的区域随机地被选择，尤其是从所述所提供的语义分割（SEMs）的多个分割区中随机地被选择。


5.根据上述权利要求中任一项所述的方法，其中所提供的训练图像（xs）是根据可预先给定的几何结构列表、尤其是无纹理地被生成的。


6.根据权利要求5所述的方法，其中所要训练的机器学习系统由前子系统（61）和后子系统（71）组成，而且在根据所述所确定的语义分割（SEM）和所述所提供的语义分割（SEMs）来对所述参数（φ）进行适配时只适配对所述前子系统（61）进行参数化的这种参数（φ）。


7.根据权利要求6所述的方法，其中如果向所述机器学习系统（60）输送所述新训练图像（xn），则在所述前子系统（61）的输出端上提供所述所确定的语义分割（SEM）。


8.根据权利要求6或7所述的方法，其中在训练所述前子系统（61）之后向所述机器学习系统（60）提供利用成像传感器（30）所拍摄的至少一个附加的训练图像（x...

【专利技术属性】
技术研发人员：K格劳，
申请(专利权)人：罗伯特·博世有限公司，
类型：发明
国别省市：德国;DE