【技术实现步骤摘要】
根据图像数据与预先给定的分布的兼容性用于技术系统的异常控制
[0001]本专利技术涉及一种用于识别技术系统中的异常的方法。该识别被化为检验应该由技术系统的神经网络处理的图像数据是否被该神经网络已经经历的训练的范围涵盖。
技术介绍
[0002]驾驶员辅助系统和用于至少部分自动驾驶的系统与人类驾驶员类似地使用来自作为重要的信息源的车辆的周围环境的图像数据。神经网络经常被用于处理这些图像数据。如果利用足够可变性的训练图像数据对这些神经网络进行训练,则所述神经网络之后也可以在在训练未看到的大量状况下从图像数据中得出针对车辆的操控的正确结论。
[0003]然而,该能力限于与通过训练图像数据定义的分布相配的图像数据。如果例如对网络进行训练以对与交通相关的对象进行分类,则所述网络将在大量情况下可靠地识别车辆、交通标志、车道边界和在交通状况中有规则地出现的许多其他对象。而由于不完善的装载物保护措施在运输时已松动并且躺在高速公路中间的沙发在培训中不出现,并且本身不被识别。于是不保证由神经网络控制的车辆及时刹车和/或绕道。
[0004]因此,DE 10 2019 209 227 A1公开一种方法,利用所述方法可以鉴于以下方面对通过输入参量值表征的任意状况进行检验:在对神经网络进行训练时学习的关系是否可以应用于这些状况。
技术实现思路
[0005]在本专利技术的范围内,开发了一种用于识别输入图像数据在何种程度上与图像数据的至少一个预先给定的分布相配或与该预先给定的分布偏离的方法。该识别使得能够探测输入图像数 ...
【技术保护点】
【技术特征摘要】
1.一种用于通过识别输入图像数据(2)在何种程度上与图像数据的至少一个预先给定的分布(1)相配或与所述预先给定的分布(1)偏离来探测尤其摄像机的输入图像数据(2)中的异常的方法(100),所述方法具有步骤:
·
提供至少一个变换(3)(110),所述变换将所述输入图像数据(2)映射到关于至少一个方面信息减少的数据(2*);
•
提供至少一个神经重构网络(4)(120),所述神经重构网络被训练成从通过将所述变换(3)应用于原始图像数据从预先给定的分布(1)中获得的信息减少的数据中重构所述原始图像数据;
•
通过应用所述变换(3)将所述输入图像数据(2)映射到信息减少的数据(2*)(130);
•
利用所述神经重构网络(4)将所述信息减少的数据(2*)映射到重构图像数据(2**)(140);
•
在使用所述重构图像数据(2**)的情况下评价(150):所述输入图像数据(2)在何种程度上与所述预先给定的分布(1)相配或与所述分布(1)偏离。2.根据权利要求1所述的方法(100),其中所述变换(3)包括
•
缩小到较低的分辨率,和/或
•
移除颜色信息,和/或
•
根据亮度值对像素进行排序,和/或
•
修改随机像素,和/或
•
添加图像内容,和/或
•
消除亮度差异,和/或
•
在图像数据(2)的空间子区域上聚合图像信息,和/或
•
移除根据预先给定的准则选择的图像信息,和/或
•
从所述图像数据(2)中选择图像片段并且将所述图像片段置中。3.根据权利要求1至2中任一项所述的方法(100),其中
•
通过应用不同的变换(3)从相同的输入图像数据(2)中产生多个信息减少的版本(2*)(131),
•
利用与相应的变换(3)相对应的神经重构网络(4)将每个信息减少的版本(2*)映射到重构版本(2**)(141),并且
•
将如此获得的重构版本(2**)包含到所述评价(150)中(151)。4.根据权利要求1至3中任一项所述的方法(100),其中选择生成神经重构网络(4)(121)并且重构图像数据(2**)的生成以所述信息减少的数据(2*)为条件(122)。5.根据权利要求1至4中任一项所述的方法(100),其中与鉴别器一起作为生成对抗网络GAN训练的生成器被选择为神经重构网络(4)(121a)。6.根据权利要求5所述的方法(100),其中由所述鉴别器针对所述重构图像数据(2**)确定的分数被包括到所述评价(150)中(152)。7.根据权利要求1至6中任一项所述的方法(100),其中根据一方面所述重构图像数据(2**)和另一方面所述输入图像数据(2)的比较式评价来评估(153):所述输入图像数据(2)在何种程度上与预先给定的分布(1)相配或与所述分布(1)偏离。8.根据权利要求7所述的方法(100),其中所述比较式评价包括在所述重构图像数据
(2**)和所述输入图像数据(2)之间的相似性的量度(153a)。9...
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。