[发明专利]针对深度学习领域的协同激活

权利要求书

1.一种用于机器学习的装置，包括：

至少一个处理器；以及

包括程序代码的至少一个存储器，所述程序代码在被执行时，使得所述装置至少：

接收作为至机器学习模型的第一输入的训练图像的第一部分，其中从所述装置处的图像传感器接收所述训练图像，并且其中所述训练图像用于在所述装置处训练所述机器学习模型；以及

由所述机器学习模型对所述训练图像的所述第一部分应用卷积滤波器，以形成第一卷积结果；

接收作为至所述机器学习模型的第二输入的第二卷积结果，所述第二卷积结果通过对所述训练图像的第二部分应用所述卷积滤波器来形成，其中所述第二部分包括所述训练图像的所述第一部分的相邻区域，以及

通过所述机器学习模型应用基于邻域的激活函数，以形成输出，其中，所述基于邻域的激活函数将一激活函数应用于所述第一卷积结果与所述第一卷积结果和所述第二卷积结果之间的差的总和，所述差被平方和归一化，其中，所述输出指示检测到的对象，

其中所述机器学习模型包括神经网络。

2.根据权利要求1所述的装置，其中所述机器学习模型包括卷积神经网络。

3.根据权利要求1所述的装置，其中所述第一卷积结果表示训练图像的第一部分与权重向量之间的内积，并且其中所述第二卷积结果表示所述训练图像的第二部分与另一权重向量之间的内积。

4.根据权利要求1所述的装置，其中机器学习模型使用反向传播而被训练。

5.一种用于机器学习的方法，包括：

接收作为至机器学习模型的第一输入的训练图像的第一部分，其中从车辆处的图像传感器接收所述训练图像，并且其中所述训练图像用于在所述车辆处训练所述机器学习模型；以及

由所述机器学习模型对所述训练图像的所述第一部分应用卷积滤波器，以形成第一卷积结果；

接收作为至所述机器学习模型的第二输入的第二卷积结果，所述第二卷积结果通过对所述训练图像的第二部分应用所述卷积滤波器来形成，其中，所述第二部分包括所述训练图像的所述第一部分的相邻区域，以及

通过所述机器学习模型应用基于邻域的激活函数，以形成输出，其中所述基于邻域的激活函数将一激活函数应用于所述第一卷积结果与所述第一卷积结果和所述第二卷积结果之间的差的总和，所述差被平方和归一化，其中，所述输出指示检测到的对象，

其中所述机器学习模型包括神经网络。

6.根据权利要求5所述的方法，其中所述机器学习模型包括卷积神经网络。

7.根据权利要求5所述的方法，其中所述第一卷积结果表示训练图像的第一部分与权重向量之间的内积，并且其中所述第二卷积结果表示所述训练图像的第二部分与另一权重向量之间的内积。

8.根据权利要求5所述的方法，其中所述机器学习模型使用反向传播而被训练。

9.一种用于机器学习的装置，包括：

用于接收作为至机器学习模型的第一输入的训练图像的第一部分的部件，其中从所述装置处的图像传感器接收所述训练图像，并且其中所述训练图像用于在所述装置处训练所述机器学习模型；以及

用于由所述机器学习模型对所述训练图像的所述第一部分应用卷积滤波器，以形成第一卷积结果的部件；

用于接收作为至所述机器学习模型的第二输入的第二卷积结果的部件，所述第二卷积结果通过对所述训练图像的第二部分应用所述卷积滤波器来形成，其中所述第二部分包括所述训练图像的所述第一部分的相邻区域，以及

用于通过所述机器学习模型应用基于邻域的激活函数，以形成输出的部件，其中，所述基于邻域的激活函数将一激活函数应用于所述第一卷积结果与所述第一卷积结果和所述第二卷积结果之间的差的总和，所述差被平方和归一化，其中，所述输出指示检测到的对象，以及

其中所述机器学习模型包括神经网络。

10.权利要求9所述的装置，其中所述机器学习模型包括卷积神经网络。