用于处理神经网络的数据的设备和方法技术

用于处理神经网络、特别是深度神经网络的数据、特别是非归一化多维数据的设备（200）和方法（100），特别是用于检测输入图像中的对象，其中所述数据针对所述输入图像中的大量位置分别包括至少一个第一分类值，其中分类值量化了类别的存在，其中所述方法包括以下步骤：根据阈值评估（102）所述数据，其中丢弃（104a）所述输入图像中相应位置的低于或高于所述阈值的第一分类值，并且不丢弃（104b）所述输入图像中相应位置的高于或低于所述阈值的第一分类值。值。值。

【技术实现步骤摘要】
【国外来华专利技术】用于处理神经网络的数据的设备和方法


[0001]本公开涉及一种用于处理神经网络、特别是深度神经网络的数据、特别是非归一化多维数据的计算机实现的方法。
[0002]本公开还涉及一种用于处理神经网络、特别是深度神经网络的数据、特别是非归一化多维数据的计算机实现的设备。

技术介绍

[0003]在图像处理领域，特别是在对象检测领域，经常使用神经网络，特别是卷积神经网络（英语：Convolutional Neural Network）。原则上，这种网络的结构由多个卷积层（英语：Convolutional Layer）组成。
[0004]为了进行对象检测，使用这种网络对输入图像中的大量位置来判定类别、特别是目标对象类别的存在。通过这种方式，对每个输入图像都做出大量判定，例如多达107个。然后可以基于这些判定进一步计算神经网络的最终网络输出，也称为预测。
[0005]在所谓的边界框方法中，对对象的预测通常按照以下方式处理，即，为检测到的对象计算所谓的边界框，即围绕对象的框。边界框的坐标对应于所述对象在输入图像中的位置。针对所述边界框输本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于处理神经网络、特别是深度神经网络的数据、特别是非归一化多维数据的计算机实现的方法（100），特别是用于检测输入图像中的对象，其中所述数据针对所述输入图像中的大量位置分别包括至少一个第一分类值，其中分类值量化了类别的存在，其中所述方法包括以下步骤：根据阈值评估（102）所述数据，其中丢弃（104a）所述输入图像中相应位置的低于或高于所述阈值的第一分类值，并且不丢弃（104b）所述输入图像中相应位置的高于或低于所述阈值的第一分类值。2.根据权利要求1所述的方法（100），其中所述阈值为零并且丢弃（104a）所述输入图像中相应位置的低于所述阈值的第一分类值，并且不丢弃（104b）所述输入图像中相应位置的高于所述阈值的第一分类值。3.根据前述权利要求中的至少一项所述的方法（100），其中丢弃（104a）所述输入图像中相应位置的第一分类值还包括：将所述第一分类值设置为固定值，特别是零。4.根据前述权利要求中的至少一项所述的方法（100），其中所述第一分类值是所述神经网络的针对所述输入图像中相应位置的类别过滤器的非归一化结果，特别是针对背景类别的类别过滤器，其中丢弃（104a）所述输入图像中相应位置的第一分类值包括丢弃所述类别过滤器的结果。5.根据前述权利要求中至少一项所述的方法（100），其中所述输入图像中相应位置的数据包括至少一个另外的分类值和/或附加属性的至少一个值，其中所述另外的分类值包括对象类别、特别是目标对象类别的类别过滤器的非归一化结果，其中所述方法还包括：根据是否丢弃相应位置的第一分类值来丢弃所述相应位置的至少一个另外的分类值和/或所述相应位置的附加属性的至少一个值。6.根据权利要求5所述的方法（100），其中丢弃所述至少一个另外的分类值和/或丢弃附加属性的所述至少一个值还包括：将所述另外的分类值和/或附加属性的值设置为固定值，特别是零。7.根据前述权利要求中至少一项所述的方法（100），其中所述方法还包括：处理（106）未丢弃的分类值，特别是转发所述未丢弃的分类值和/或将激活函数，特别是softmax激活函数应用于所述未丢弃的分类值。8.一种用于处...

【专利技术属性】
技术研发人员：T，
申请(专利权)人：罗伯特，
类型：发明
国别省市：