【技术实现步骤摘要】
对于标注训练数据具有较少要求的图像分类器
[0001]本专利技术涉及图像分类器,其尤其可以用于出于至少部分自动化驾驶目的分析交通情形图像。
技术介绍
[0002]对车辆环境的观察是人类驾驶员在使车辆转向通过交通时使用的主要信息源。因此,用于至少部分自动化驾驶的系统也依赖于对车辆环境图像的分析。这种分析是使用图像分类器来执行的,所述图像分类器检测所获取的图像中的对象
‑
属性对。例如,对象可以具有某种类型(诸如交通标志、车辆、车道),并且也可以被给予一个属性,该属性指代对象的某种特性或状态(如颜色)。这样的图像分类器用训练图像来训练,所述训练图像用关于它们的对象内容的基准真值(ground truth)来标注。
[0003]为了图像分类器的可靠操作,有必要利用在多种多样情形下获取的广泛图像集进行训练,使得图像分类器可以最佳地推广到未见情形。
技术实现思路
[0004]本专利技术提供了一种用于相对于对象值o和属性值a的组合y=(a,o)对输入图像x进行分类的图像分类器。
[0005]该图像分类器包括编码器网络,该编码器网络被配置为将输入图像x映射至表示Z,其中该表示Z包括多个独立分量z1,
…
,z
K
。例如,该编码器网络可以包括一个或多个卷积层,该一个或多个卷积层将滤波器核应用于输入图像并产生一个或多个特征图。
[0006]该图像分类器进一步包括对象分类头网络以及属性分类头网络,该对象分类头网络被配置为将输入图像x的表示分量z1, ...
【技术保护点】
【技术特征摘要】
1.一种用于训练或预训练图像分类器(1)的方法(100),所述图像分类器(1)用于相对于对象值o和属性值a的组合y=(a,o)对输入图像x进行分类,所述图像分类器(1)包括:
·
编码器网络(2),其被配置为将输入图像x映射到表示Z,其中该表示Z包括多个独立分量z1,
…
,z
K
;
·
对象分类头网络(3),其被配置为将输入图像x的表示分量z1,
…
,z
K
映射到一个或多个对象值o;
·
属性分类头网络(4),其被配置为将输入图像x的表示分量z1,
…
,z
K
映射到一个或多个属性值a;和
·
关联单元(5),其被配置为向每个分类头网络(3,4)提供输入图像x的与相应分类头网络(3,4)的分类任务相关的那些表示分量z1,
…
,z
K
的线性组合z
o
、z
a
;所述方法包括以下步骤:
·
为表示Z的每个分量z1,
…
,z
K
提供(110)因子分类头网络(6
‑
9),所述因子分类头网络(6
‑
9)被配置为将相应分量z1,
…
,z
K
映射到图像x的预定基本因子f1,
…
,f
K
;
·
提供(120)因子训练图像(10),所述因子训练图像(10)利用相对于由分量z1,
…
,z
K
表示的基本因子f1,
…
,f
K
的基准真值y
1*
,
…
,y
K*
标注;
·
由编码器网络(2)和因子分类头网络(6
‑
9)将因子训练图像(10)映射(130)到基本因子f1,
…
,f
K
的值y1,
…
,y
K
;
·
借助于第一预定损失函数(11)对基本因子f1,
…
,f
K
的如此确定的值y1,
…
,y
K
与基准真值y
1*
,
…
,y
K*
的偏差进行评级(140);和
·
朝着如下目标优化(150)表征编码器网络(2)的行为的参数(2a)和表征因子分类头网络(6
‑
9)的行为的参数(6a
‑
9a):当处理另外的因子训练图像(10)时,第一损失函数(11)的评级(11a)可能改进。2.根据权利要求1所述的方法(100),其中提供(120)因子训练图像(10)包括:
·
对至少一个给定的起始图像应用(121)影响至少一个基本因子f1,
…
,f
K
的图像处理,从而产生因子训练图像(10);和
·
基于所应用的图像处理,确定(122)相对于基本因子f1,
…
,f
K
的基准真值y
1*
,
…
,y
K*
。3.根据权利要求1和2中任一项所述的方法(100),其中,在每个因子训练图像(10)中,每个基本因子f1,
…
,f
K
取特定值,并且因子训练图像(10)集包括用于基本因子f1,
…
,f
K
的值的每个组合的至少一个因子训练图像(10)。4.根据权利要求1至3中任一项所述的方法(100),进一步包括:
·
提供(160)分类训练图像(12),所述分类训练图像(12)利用对象值o
*
和属性值a
*
的基准真值组合(a
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。