用于确定探测到的对象的信任值的方法技术

说明一种用于确定借助经训练的神经元网络在输入图像中探测到的一个类别的对象的信任值的方法，该方法具有以下步骤：借助神经元网络的一个层的多个输出图像为探测到的对象的类别创建激活签名(S1)，其中，将输入图像提供给神经元网络的输入端；将激活签名缩放(S2)到输入图像的大小；将缩放后的激活签名的对象部分与神经元网络的训练数据组的相同类别的所有对象的激活签名分布进行比较(S3)，以确定信任值。本发明专利技术还涉及一种用于确定在训练数据组的多个输入图像中所探测到的对象的类别的激活签名分布的方法以及一种相应的设备、计算机程序和计算机可读的存储介质。

【技术实现步骤摘要】
用于确定探测到的对象的信任值的方法
本专利技术涉及一种用于确定输入图像中的借助神经元网络探测到的一个类别的对象的信任值的方法。
技术介绍
为了控制至少部分自动化的系统，例如以自行驶的车辆或机器人作为移动平台的例子，深度学习方法被测试并进一步开发。这种至少部分自动化的系统的基本组成部分是其感知其周围环境的复杂情况的能力。这种至少部分自动化的系统的安全且有效运行的前提是对周围环境的解释和对该周围环境的状态的评估，例如用于诸如轨迹规划和轨迹控制的决策过程，其中，深度学习方法，即对专门训练的深度神经元网络的使用，保证了解决这种任务的巨大潜力。
技术实现思路
这种例如使用深度神经元网络的至少部分自动化系统在安全性方面的基本问题是，神经元网络在训练之后解决特定任务的能力仅当在应用情况中输入数据来自于与用以对该网络进行测试和训练的训练数据组相同的分布时才能被估计。因此，在对象识别任务中使用的深度神经元网络(DNN，英：deepneuralnetwork)仅能说出它们看到什么，而不能说出它们对此多有把握。但是，例如对于对象识别，关于对象识别本文档来自技高网...

【技术保护点】
1.一种用于确定借助经训练的神经元网络在输入图像中探测到的一个类别的对象的信任值的方法，所述方法具有以下步骤：/n借助所述神经元网络的一个层的多个输出图像为所探测到的对象的所述类别创建(S1)激活签名，其中，将所述输入图像提供给所述神经元网络的输入端；/n将所述激活签名缩放(S2)到所述输入图像的大小；/n将缩放后的激活签名的对象部分与所述神经元网络的训练数据组的相同类别的所有对象的激活签名分布进行比较(S3)，以确定所述信任值。/n

【技术特征摘要】
20190627 DE 102019209372.8;20190628 DE 102019209461.一种用于确定借助经训练的神经元网络在输入图像中探测到的一个类别的对象的信任值的方法，所述方法具有以下步骤：
借助所述神经元网络的一个层的多个输出图像为所探测到的对象的所述类别创建(S1)激活签名，其中，将所述输入图像提供给所述神经元网络的输入端；
将所述激活签名缩放(S2)到所述输入图像的大小；
将缩放后的激活签名的对象部分与所述神经元网络的训练数据组的相同类别的所有对象的激活签名分布进行比较(S3)，以确定所述信任值。


2.根据权利要求1所述的方法，其中，缩放后的激活签名的所述对象部分包括所述输入图像的一部分，在该部分中至少探测到同一类别的对象的部分。


3.根据以上权利要求中任一项所述的方法，其中，缩放后的激活签名的所述对象部分包括所述输入图像的矩形部分，所述矩形部分围绕一个类别的探测到的对象构造出。


4.根据以上权利要求中任一项所述的方法，其中，借助以下步骤来确定所探测到的一个类别的对象的激活签名：
借助梯度法来计算所述神经元网络的所述层的所述多个输出图像中的每个单个输出图像对于所探测到的对象的分类的重要性；
将每个输出图像以其各自的重要性加权；
将加权后的所述多个输出图像组合；
将激活函数应用到组合的多个加权输出图像上，以放大对所述分类有积极影响的特征，以便确定所述激活签名。


5.根据以上权利要求中任一项所述的方法，其中，借助以下步骤来确定所探测到的一个类别的对象的所述激活签名：
通过确定所述神经元网络的类别输出值在所述多个输出图像的输出图像上的梯度，计算所述神经元网络的一个层的所述多个输出图像中的每个单个输出图像对于所探测到的对象的分类的重要性；
关于各个输出图像的所有像素对所述类别输出值的所述梯度求平均，以确定所述神经元网络的所述层的所述多个输出图像中的每个单个输出图像的重要性；
对每个输出图像以其各自的重要性加权；
对加权后输出图像的在所述加权后的输出图像中布置在相应位置上的所有像素值求和；和
通过将求和后的像素...

【专利技术属性】
技术研发人员：O·维勒斯，S·祖德霍尔特，S·拉法特尼亚，S·阿布雷希特，
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