训练条件神经过程来根据图像数据确定对象的位置的方法技术

本发明专利技术涉及一种用于训练条件神经过程来根据图像数据确定对象的位置的方法，其中所述方法(1)具有如下步骤：提供用于训练所述条件神经过程的训练数据，其中所述训练数据具有显示特定对象的经标记的图像数据和关于所述特定对象的经标记的比较图像数据(2)；而且基于所提供的训练数据来训练所述条件神经过程(3)，其中对所述条件神经过程的训练包括应用功能对比学习，而且其中对所述条件神经过程的训练包括应用端到端学习方法。训练包括应用端到端学习方法。训练包括应用端到端学习方法。

【技术实现步骤摘要】
训练条件神经过程来根据图像数据确定对象的位置的方法


[0001]本专利技术涉及一种用于训练条件神经过程来根据图像数据确定对象的位置的方法并且尤其是涉及一种用于训练条件神经过程来根据图像数据确定对象的位置的方法，利用该方法可以以相对少的资源消耗训练条件神经过程以经优化的性能来根据图像数据确定对象或物体的位置。

技术介绍

[0002]元学习算法被理解成一种机器学习算法，该机器学习算法被设计为通过自主学习以及借鉴经验来对该算法进行优化。在此，这种元学习算法尤其被应用于元数据，其中元数据例如是相对应的学习问题的特性、算法特性或者之前从这些数据中得出的模式。这种元学习算法的应用尤其具有如下优点：算法的性能可以被提高并且该算法可以与各种问题情况和/或新的对象类别快速且灵活地适配。在此，这种元学习算法例如被用于基于图像数据来确定对象的位置和/或姿态或者6D姿态。
[0003]在此，元学习算法例如包括模型不可知元学习(Model
‑
Agnostic Meta
‑
Learning，MAML)或者条件神经过程。这些算法的目的分别在于优化模型参数，使得可以以相对少的梯度优化来实现训练成功。在此，条件神经过程尤其是基于使用前馈神经网络来计算训练数据信息、将这些信息聚合并且将这些信息转发给另一前馈网络以进行推理。
[0004]然而，这种元学习算法的缺点例如在于：对这种算法的训练比较复杂，而且可能发生对训练数据的所谓的过度拟合或者机械学习。在对这种算法的训练期间尤其可能出现如下状态，在该状态下，只是仍然重现根据训练数据所确定的问题解决方案，即算法只是正确地处理这些训练数据并且在输入新数据时不产生新结果。
[0005]从出版文献WO 2019/099305A1公知一种用于通过单个神经网络基于元学习来使对多个任务的学习自动化的方法，其中通过该神经网络来对任务进行学习的顺序可影响该网络的性能，而且其中在任务层面可以使用用于学习多个任务的计划。在此，该计划规定：在训练期间监控成本函数的变化过程，其中在该训练的过程中可以调整用于任务消耗的补偿权重。

技术实现思路

[0006]因此，本专利技术所基于的任务在于：说明一种经改进的用于训练元学习算法以及尤其是条件神经过程来根据图像数据确定对象的位置的方法。
[0007]该任务利用一种按照专利权利要求1的特征的用于训练条件神经过程来根据图像数据确定对象的位置的方法来被解决。
[0008]该任务还利用一种按照专利权利要求7的特征的用于训练训练条件神经过程来根据图像数据确定对象的位置的控制设备来被解决。
[0009]按照本专利技术的一个实施方式，该任务通过一种用于训练条件神经过程来根据图像数据确定对象的位置的方法来被解决，其中该方法具有：提供用于训练条件神经过程的训
练数据，其中这些训练数据具有显示特定对象的经标记的图像数据和关于该特定对象的经标记的比较图像数据；而且基于所提供的训练数据来训练条件神经过程，其中对条件神经过程的训练包括应用功能对比学习，而且其中对条件神经过程的训练包括应用端到端学习(End
‑
to
‑
End Learning)方法。
[0010]在此，图像数据被理解成通过使用光学或电子设备或者光学传感器来扫描或以光学方式记录一个或多个表面所产生的数据。
[0011]显示特定对象的图像数据是显示在其上放置或定位该特定对象的表面并且为了训练目的已被记录的图像数据。
[0012]进一步，关于特定对象的比较图像数据是比较或上下文数据，并且尤其是为了比较或作为参考而同样呈现相对应的特定对象的数字图像。
[0013]经标记的数据还被理解成已知数据，这些已知数据已经经过处理，例如从这些已知数据中已经提取了在相对应的图像数据中的如各个对象的位置或质地等特征或者从这些已知数据中已经得出了模式。
[0014]对比学习还在于：学习在两个采样值之间的度量空间，在该度量空间内，在两个正采样值之间的距离减小，而在两个负采样值之间的距离增加。在这种情况下，功能对比学习尤其被理解成一种算法，该算法被设计为：减小在两个相对应的表示之间的距离、尤其是在两个与同一任务或同一对象有关的表示之间的距离或差异；并且找到彼此匹配的表示。
[0015]端到端学习方法还被理解成基于神经网络的输入和输出数据的方法，其中该神经网络依据关于输入或相对应的输入数据所希望的输出数据来被训练。
[0016]在此，功能对比学习和端到端学习方法的结合尤其具有如下优点：相对应地训练的条件神经过程的性能以及尤其是在确定对象的位置时的精度可以被优化，这尤其对于实践中的具体任务而言被证明是有利的。
[0017]还可以以相对少的资源消耗、尤其是以相对低的存储器和处理器容量来训练条件神经过程，主要因为各个表示相互协调。
[0018]因此，总体而言，说明一种经改进的用于训练元学习算法以及尤其是条件神经过程来根据图像数据确定对象的位置的方法。
[0019]在此，基于所提供的训练数据来训练条件神经过程的步骤可以具有：基于经标记的图像数据和关于经标记的图像数据的信息来产生第一潜在表示；基于经标记的比较图像数据和关于经标记的比较图像数据的信息来产生第二潜在表示；通过功能对比学习，基于第一潜在表示和第二潜在表示来确定第一成本函数；而且基于第一成本函数来训练条件神经过程。
[0020]在此，潜在表示被理解成在通过条件神经过程来处理图像数据期间的输入数据或图像数据的中间状态，其中潜在表示通常具有比原始图像数据更低的维度。
[0021]关于经标记的图像数据或经标记的比较图像数据的信息还被理解成关于包含在比较图像数据中的模式或标记的信息，例如关于在图像数据或比较图像数据中呈现的各个对象的位置的信息。
[0022]成本函数或损失还被理解成在所确定的输出值与相对应的实际情况或实际测量的数据之间的损失或误差。
[0023]因此，总体而言，对条件神经过程的训练可以在相对少的资源消耗的同时以简单
的方式来实现，其中可以同时优化经训练的条件神经过程的性能。
[0024]此外，基于所提供的训练数据来训练条件神经过程的步骤还可以具有：通过条件神经过程，基于经标记的图像数据、经标记的比较图像数据和关于经标记的比较图像数据的信息来确定在图像数据中的特定对象的位置；基于关于经标记的图像数据的信息，确定在经标记的图像数据中的特定对象的比较位置；基于所确定的在图像数据中的特定对象的位置和特定对象的比较位置，确定第二成本函数；而且基于第二成本函数来训练条件神经过程。
[0025]经此，对条件神经过程的训练进而也可以在相对少的资源消耗的同时以简单的方式来实现，其中可以同时优化经训练的条件神经过程的性能。
[0026]在一个实施方式，这些图像数据和这些比较图像数据分别是显示完整图像的图像数据。
[0027]在此，显示完整图像的图像数据或高维图像数据被理解成如下图像数据，所述图像数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于训练条件神经过程来根据图像数据确定对象的位置的方法，其中所述方法(1)具有如下步骤：
‑
提供用于训练所述条件神经过程的训练数据，其中所述训练数据具有显示特定对象的经标记的图像数据和关于所述特定对象的经标记的比较图像数据(2)；而且
‑
基于所提供的训练数据来训练所述条件神经过程(3)，其中对所述条件神经过程的训练包括应用功能对比学习，而且其中对所述条件神经过程的训练包括应用端到端学习方法。2.根据权利要求1所述的方法，其中基于所提供的训练数据来训练所述条件神经过程的步骤(3)还具有如下步骤：
‑
基于所述经标记的图像数据和关于所述经标记的图像数据的信息来产生第一潜在表示(4)；
‑
基于所述经标记的比较图像数据和关于所述经标记的比较图像数据的信息来产生第二潜在表示(5)；
‑
通过所述功能对比学习，基于所述第一潜在表示和所述第二潜在表示来确定第一成本函数(6)；而且
‑
基于所述第一成本函数来训练所述条件神经过程(10)。3.根据权利要求1或2所述的方法，其中基于所提供的训练数据来训练所述条件神经过程的步骤(3)还具有如下步骤：
‑
通过所述条件神经过程，基于所述经标记的图像数据、所述经标记的比较图像数据和关于所述经标记的比较图像数据的信息来确定在所述图像数据中的所述特定对象的位置(7)；
‑
基于关于所述经标记的图像数据的信息，确定在所述经标记的图像数据中的所述特定对象的比较位置(8)；
‑
基于所确定的在所述图像数据中的所述特定对象的位置和所述特定对象的比较位置，确定第二成本函数(9)；而且
‑
基于所述第二成本函数来训练所述条件神经过程(10)。4.根据权利要求1至3中任一项所述的方法，其中所述图像数据和所述比较图像数据分别是显示完整图像的图像数据。5.一种用于确定对象的位置的方法，其中所述方法具有如下步骤：
‑
提供图像数据，其中所述图像数据包括显示所述对象的目标图像数据和关于所述对象的经标记的比较图像数据；
‑
提供通过根据权利要求1至4中任一项所述的用于训练条件神经过程来根据图像数据确定对象的位置的方法所训练的用于根据图像数据确定对象的位置的条件神经过程；而且
‑
通过所提供的用于根据图像数据确定对象的位置的条件神经过程，基于所提供的图像数据来确定所述对象的位置。6.一种用于控制可控系统的方法，其中所述方法具有如下步骤：
‑
通过根据权利要求5所述的用于确定对象的位置的方法来确定对象的位置；而且
‑
基于所确定的所述对象的位置来控制所述可控系统。7.一种用于训练条件神经...

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