[发明专利]在连接网络中处理和生成图像数据的方法

说明书

一种在包括多个单元的连接网络中处理图像数据的方法，其中，该方法实现了形成多个单元中的一个单元的多通道单元，并且其中，该方法包括：在数据输入端处接收表示借助多通道图像传感器获取的图像的多个输入图片元素，其中，所述多个输入图片元素包括第一输入图片元素部分和至少第二输入图片元素部分，其中，第一输入图片元素部分表示图像传感器的第一通道，而第二输入图片元素部分表示图像传感器的第二通道；将第一输入图片元素部分和至少第二输入图片元素部分彼此分开进行处理；以及在数据输出端处输出处理后的第一输入图片元素部分和第二输入图片元素部分。

技术领域

本发明涉及在连接网络(connectionist network)尤其是神经网络中处理和生成图像数据的方法，该连接网络包括多个单元，各单元具有数据输入端、数据输出端和至少一个处理参数，其中，借助多个单元中的一个单元对输入数据进行的处理至少部分由该单独的单元的至少一个处理参数来确定。

背景技术

连接网络在机器学习领域中是已知的，其通常涉及某种算法训练，在该算法训练期间，基于训练数据得到处理参数的合适值。通常，可以采用如本文所描述的连接网络进行受监督和无监督的机器学习，包括它们的组合，即半监督式机器学习。然而，术语“连接网络”应该被广义地理解并且也涵盖本身并不被称为由机器学习训练的模型的那些模型。

连接网络是数学上受启发的模型，其由互连的处理单元组成，其中，给定单元可具有来自许多其它单元的输入连接或至许多其它单元的输出连接。因此，各单元具有至少一个数据输入端和至少一个数据输出端。多个单元可以布置在后续层中并且彼此互连，如从人工神经网络设计中公知的那样。给定网络的多个单元可以具有相同或不同的结构。有时采用单元组，其中，给定组中的单元具有会因组而异的公共预定结构。应理解，给定单元可以被配置成执行由多个处理参数确定的许多处理步骤。这可能涉及借助线性或非线性函数对数据进行多种不同变换，这些线性或非线性函数在神经网络设计的背景下有时被称为激活函数。如本领域技术人员所理解的，连接网络优选被实现为软件，这意味着本文所描述的网络结构不表示硬件结构，而是表示用电子方式实现的方法，即，由计算机实现的方法。

通常，连接网络可用于需要进行某种数据处理的各种应用。一种应用是图像分类，图像分类可以涉及将图像的内容或其部分分类到多个预定义的语义上有意义的组中的至少一个中。也就是说，借助模拟或数字图像传感器获取的图像数据被变换成表示内容或对象类的离散变量。例如，在交通环境中，分类器可以将对象分类到“车辆”、“行人”和“未知”组中的一个中。另一个分类器可以仅针对交通标志，根据交通标志的对应语义含义对交通标志进行分类(交通标志识别)。

在以上应用的背景下关于连接网络的一个问题是它们的鲁棒性，即，将可靠性高的给定图像分类到正确的类中。结果表明，即使在只使用对象的选择(即，交通标志)时，也难以应对待分类的数据材料的复杂性。如果考虑到例如在车辆一年间的正常操作期间将在许多不同条件(例如，夜间和白天)下对交通标志进行成像，那么该问题尤为致命。这就是说，由于照明变化、部分遮挡、旋转以及天气条件而导致的较大视觉外观变化难以应对。另外，必须要注意，通常将会在车辆中使用多通道图像传感器来从车辆附近获取图像。因此，仅仅为了对单个图像进行分类就需要处理过多的图片元素。

原则上，即使是非常复杂的分类任务，也可以用连接网络来解决。然而，随着分类任务变得更加复杂，通常还需要增加模型复杂性。这造成网络有过拟合的风险，即，经训练的网络对于获得关于给定的一组训练数据的良好的模型性能是有帮助的，但是会严重劣化关于未知测试数据的模型性能。这尤其在诸如交通标志检测和识别的安全性关键应用中需要被避免，在这些安全性关键应用中，驾驶员依赖于识别结果或者车辆的驾驶行为根据识别结果而进行自动调整。