用于验证所实现的神经网络的方法技术

提出了一种用于验证所实现的神经网络的方法，所述方法具有如下步骤：提供多个验证图像；将所述多个验证图像馈入原始神经网络；将所述多个验证图像馈入所述所实现的神经网络；通过所提供的多个验证图像中的所有验证图像，确定所述原始神经网络的激活覆盖率；将所确定的激活覆盖率与目标覆盖率进行比较；而且将所述原始神经网络的相应的、从所述多个验证图像中产生的输出图像与所述所实现的神经网络的相应的、从所述多个验证图像中产生的输出图像进行比较，以验证所述所实现的神经网络。以验证所述所实现的神经网络。以验证所述所实现的神经网络。

【技术实现步骤摘要】
【国外来华专利技术】用于验证所实现的神经网络的方法

技术介绍

[0001]机器学习方法、尤其是深度学习(Deep Learning)，在自动驾驶领域越来越重要。尤其是在使用安装于车辆中的传感器进行环境感知的领域，神经网络的使用增多。通常，对于嵌入式平台，例如神经网络的开发包括各种工具链，包括用于训练/评估和使用的各种工具在内。借助于网络训练和评估工具链，可以定义所生成的并且经过训练的神经网络，最后，该神经网络借助于指令列表/执行描述来被转移到目标系统。在具有嵌入式特殊处理器(嵌入式硬件(embedded hardware))的目标系统中，例如借助于汇编语言或者使用机器指令。
[0002]对这种系统的要求通常涉及电力消耗、所需资源，如带宽、运行时间和存储需求以及允许的与共享资源的其它系统或组件的相互作用。通常可以直接在嵌入式设备上并且通过对相对应的指令列表的统计分析来检查无干扰和资源消耗，而例如在源系统上，通常在模拟环境或开发环境中在使用原始网络定义的情况下计算性能KPI。如果这种系统被用于安全关键的任务，则必须确保：所使用的网络具有与原始网络定义相同的特性(KPI)，也就是说，该网本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于验证所实现的神经网络的方法，所述方法具有如下步骤：提供多个验证图像；将所述多个验证图像馈入原始神经网络；将所述多个验证图像馈入所述所实现的神经网络；通过所提供的多个验证图像中的所有验证图像，确定所述原始神经网络的激活覆盖率；将所确定的激活覆盖率与目标覆盖率进行比较；而且将所述原始神经网络的相应的、从所述多个验证图像中产生的输出图像与所述所实现的神经网络的相应的、从所述多个验证图像中产生的输出图像进行比较，以验证所述所实现的神经网络。2.根据权利要求1所述的方法，其中所述多个验证图像具有第一数量的测试图像和/或第二数量的合成生成的图像。3.根据上述权利要求中任一项所述的方法，其中为了使用所述多个验证图像来确定所述激活覆盖率，在所述原始神经网络的至少一个特征图中标识未被激活的像素并且将其与在所述原始神经网络的所述至少一个特征图中的像素总数进行比较。4.根据权利要求3所述的方法，其中多个合成生成的验证图像中的合成生成的验证图像中的至少一个、尤其是每个合成生成的图像对在所述原始神经网络的至少一个特征图中的未被多个测试图像激活的至少一个像素进行激活。5.根据权利要求3或4所述的方法，其中使用如下步骤来生成至少一个合成生成的图像：在至少一个特征图中标识至少一个、使用所述验证图像未被激活的像素；通过所述原始...

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