联合训练神经网络以减少数据和进行图像数据的对象识别制造技术

一种用于配置对象识别系统（100）的方法，其具有步骤：

【技术实现步骤摘要】
【国外来华专利技术】联合训练神经网络以减少数据和进行图像数据的对象识别


[0001]本专利技术涉及一种用于配置对象识别系统的方法。此外，本专利技术还涉及一种用于借助对象识别系统来识别对象的方法。此外，本专利技术还涉及一种传感器装置。此外，本专利技术还涉及一种对象识别系统。此外，本专利技术还涉及计算机程序。此外，本专利技术还涉及一种机器可读的存储介质。

技术介绍

[0002]已知的用于数据的压缩方法例如基于离散余弦变换或者小波变换，并经常在传感器系统中被采用，以便压缩原始数据，其中经过压缩的原始数据通常经由数据总线来传送，以进行再加工。在多传感器系统中需要这种压缩，因为数据总线是主要瓶颈，并且通过所提到的数据压缩可以降低经由数据总线的数据量或数据率。
[0003]已知的用于压缩传感器数据的方法通常使通用的信息理论量度最小化。但是，压缩在此相对于通过机器学习技术对数据进行再加工是不偏不倚的，所述机器学习技术稍后解释数据。借此，在进行再加工时可能不能达到最优性能，因为重要的数据由于压缩而丢失，或者不可达到最优压缩率。
[0004]已知了借助标准方法（例如针对图像处理的jpeg）在传感器侧进行数据压缩，以便减少所传输的数据量。

技术实现思路

[0005]本专利技术的任务是，提供了一种用于借助对象识别系统以经过改进的方式来识别对象的方法。
[0006]根据第一方面，该任务利用一种用于优化对象识别系统的方法来解决，所述方法具有步骤：
‑ꢀ
提供带标注的训练数据，所述带标注的训练数据包括图像数据，所述图像数据具有所定义的到至少一个对象的分配关系（Zuordnungen）；
‑ꢀ
训练具有第一神经子网络的神经网络，所述第一神经子网络设置用于执行对图像数据的压缩，其中第一神经子网络与至少一个其他神经子网络互连（verschaltet），其中
‑ꢀ
至少一个其他神经子网络设置用于从经过压缩的训练数据中识别出对象；
‑ꢀ
其中执行对第一神经子网络的参数化，使得借助至少一个其他子网络以所定义的品质来执行对象识别；并且其中联合训练这些神经子网络。
[0007]以这种方式，在训练阶段中，神经子网络被配置为使得，所述神经子网络适合于应用在对象识别系统中。图像数据的压缩度有利地与要实现的对象识别相适配，由此可以利用本方法有利地找到在两个目标（数据压缩、对象识别的品质）之间的有利的折衷。
[0008]有利地，对象识别系统的数据压缩借此可以在工作运行中（im operativen Betrieb）被执行为使得，例如不重要的传感器数据可能被识别出并且借此可以更强烈地被压缩。与此相对照，更重要的传感器数据更小得被压缩，由此利用被降低的数据量仍旧足够
好地实现对象识别。在利用从中被优化的压缩装置来运行对象识别系统之前，离线执行所建议的训练方法。有利地，一个或者多个传感器装置所连接到的数据总线可以以这种方式更好地被使用，或更多传感器装置可以连接到数据总线上。结果，借此为目标应用“设置”数据压缩，这在同时高数据压缩的情况下支持高品质的目标应用对象识别。
[0009]根据第二方面，该任务利用一种用于借助对象识别系统来识别对象的方法来解决，该方法具有步骤：
‑ꢀ
借助根据第一神经子网络已被训练过的压缩装置，对图像数据进行压缩；和
‑ꢀ
借助根据至少一个其他神经子网络已被训练过的评估装置，执行从经过压缩的图像数据中进行对象识别。
[0010]根据第三方面，该任务利用对象识别系统来解决，该对象识别系统具有所定义的数目的在功能上相互连接的传感器装置，并且具有在功能上与传感器装置连接的计算机装置，所述计算机装置用于利用经过压缩的传感器数据来执行对象识别。
[0011]根据第四方面，该任务利用一种传感器装置来解决，所述传感器装置具有借助用于配置对象识别系统的方法来配置的压缩装置。
[0012]根据第五方面，该任务利用一种对象识别系统来解决，该对象识别系统具有所定义的数目的在功能上相互连接的所建议的传感器装置，并且具有经由数据总线在功能上与传感器装置连接的计算装置，所述计算装置用于执行从经过压缩的传感器数据中进行对象识别。
[0013]根据第六方面，该任务利用一种计算机程序来解决，该计算机程序包括指令，在通过计算机实施该计算机程序时，所述指令促使该计算机，实施用于配置对象识别系统的方法。
[0014]根据第七方面，该任务利用一种计算机程序来解决，该计算机程序包括指令，在通过计算机实施该计算机程序时，所述指令促使该计算机，实施用于借助对象识别系统来识别对象的方法。
[0015]根据第八方面，该任务利用一种机器可读的存储介质来解决，在所述机器可读的存储介质上存储有所提到的计算机程序中的至少一个。
[0016]本方法和本对象识别系统的优选扩展方案是从属权利要求的主题。
[0017]本方法的有利的扩展方案的特点在于，第一神经子网络的参数定义训练数据的压缩程度，其中至少一个其他神经子网络的参数定义对象识别的品质。以这种方式，在借助第一神经子网络的压缩程度与借助至少一个其他神经子网络的对象识别品质之间找到折衷。
[0018]本方法的其他有利的扩展方案的特点在于，通过第一目标函数来定义训练数据的压缩程度，其中通过至少一个其他目标函数来定义对象识别品质。借此，神经子网络的特性或要利用这些神经子网络实现的目标可以有利地被准确定义。
[0019]本方法的其他有利的扩展方案的特点在于，第一神经子网络的权重通过训练第一神经子网络来确定，其中第一神经子网络的权重和至少一个其他神经子网络的权重通过训练至少一个其他神经子网络来确定。有利地，借此提供上级的通用训练情景，在所述上级的通用训练情景中，第一神经子网络的权重也通过训练其他神经子网络来训练。
[0020]本方法的其他有利的扩展方案的特点在于，具有高熵的训练数据的区域比具有低熵的训练数据的区域更少得被压缩，其中具有低熵的训练数据例如是具有相同色彩的图像
数据和/或具有复发性模式（wiederkehrenden Muster）的图像数据。借此，实现了用于压缩图像数据连带从这些图像数据中进行所分配的对象识别的典型应用情景。训练数据的熵越低，就可以越容易地压缩这样的数据。
[0021]本方法的其他有利的扩展方案的特点在于，第二目标函数定义来自下列内容的至少一个：对人的识别，对车辆的识别，对基础设施的识别。借此，实现用于从经过压缩的图像数据中进行对象识别的典型应用情景。
[0022]本方法的其他有利的扩展方案的特点在于，从图像数据中生成具有降低的熵的经过简化的图像数据，随后借助经过参数化的标准压缩装置来压缩所述经过简化的图像数据。
[0023]本方法的其他有利的扩展方案的特点在于，借助经过参数化的标准压缩装置，执行对图像数据的压缩。在该情况下，图像数据的压缩借助可参数化的标准压缩装置来执行。有利地，以针对对象识别系统的方式，也可能使用标准压缩装置（例如针对图本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于配置对象识别系统（100）的方法，其具有步骤：
‑ꢀ
提供带标注的训练数据（3），所述带标注的训练数据（3）包括图像数据（1），所述图像数据（1）具有所定义的到至少一个对象的分配关系（2）；
‑ꢀ
对具有第一神经子网络（20）的神经网络（40）进行训练，所述第一神经子网络（20）设置用于执行对所述训练数据（3）的压缩，其中所述第一神经子网络（20）与至少一个其他神经子网络（30a，...，30n）互连，其中
‑ꢀ
所述至少一个其他神经子网络（30a，...，30n）设置用于从经过压缩的训练数据（3）中识别出对象；
‑ꢀ
其中执行对所述第一神经子网络（20）的参数化，使得借助所述至少一个其他子网络（30a，...，30n）以所定义的品质来执行对象识别；并且其中，联合训练所述神经子网络（20，30a，...，30n）。2.根据权利要求1所述的方法，其中，所述第一神经子网络（20）的参数定义所述训练数据（3）的压缩程度，并且其中所述至少一个其他神经子网络（30a，...，30n）的参数定义所述对象识别的品质。3.根据权利要求2所述的方法，其中，所述训练数据的所述压缩程度通过第一目标函数（Z1）来定义，并且其中所述对象识别的所述品质通过至少一个其他目标函数（Z
2a
，...，Z
2n
）来定义。4.根据权利要求1至3中任一项所述的方法，其中，通过训练所述第一神经子网络（20）来确定所述第一神经子网络（20）的权重，其中通过训练所述至少一个其他神经子网络（30a，...，30n）来确定所述第一神经子网络（20）的所述权重和所述至少一个其他神经子网络（30a，...，30n）的权重。5.根据上述权利要求中任一项所述的方法，其中，具有高熵的所述训练数据（3）的区域比具有低熵的所述训练数据（3）的区域更少得被压缩，其中具有低熵的训练数据（3）例如是具有相同色彩的图像数据和/或具有复发性模式的图像数据。6.根据权利要求3至5中任一项所述的方法，其中，所述第二目标函数（Z2）定义来自下列内容的至少一个：对人的识别，对车辆的识别，对基础设施的识别。7.一种用于借助...

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