[发明专利]验证卷积运算的完整性的方法及装置

说明书

本发明涉及一种生成测试图案并从所述测试图案中选择最佳测试图案以验证卷积运算的完整性的方法及装置。更详细而言，涉及一种用于生成一个以上测试图案并从测试图案中选择一个以上最佳测试图案以验证一个以上卷积运算的完整性的方法，包括：步骤a：计算装置使至少一个图案生成单元利用预定函数生成测试图案，使得在至少一个原始CNN向输入到至少一个原始CNN的测试图案应用卷积运算的过程中不产生饱和；步骤b：计算装置使至少一个图案评估单元以各个测试图案及原始CNN中的一个以上参数为参考，分别生成各个测试图案的评估分数；以及步骤c：计算装置使至少一个图案选择单元以评估分数为参考，从测试图案中选择最佳测试图案。

技术领域

本发明涉及一种生成测试图案并从所述测试图案中选择最佳测试图案以验 证卷积运算的完整性的方法及装置。更详细而言，涉及一种用于生成一个以上 测试图案并从所述测试图案中选择一个以上最佳测试图案以验证一个以上卷积 运算的完整性的方法，包括：步骤a：计算装置使至少一个图案生成单元利用预 定函数来生成所述测试图案，使得在至少一个原始CNN向输入到所述至少一个 原始CNN的所述测试图案应用所述卷积运算的过程中不产生饱和；步骤b：所 述计算装置使至少一个图案评估单元以各个所述测试图案及所述原始CNN中的 一个以上参数为参考，分别生成各个所述测试图案的评估分数；以及步骤c：所 述计算装置使至少一个图案选择单元以所述评估分数为参考，从所述测试图案 中选择所述最佳测试图案。

背景技术

深度卷积神经网络(Deep Convolutional Neural Network or Deep CNN)是在深度学习领域中发生的辉煌发展的核心。虽然为了解决文字识别问题而在90年 代也使用CNN，但直到最近在机械学习(Machine Learning)领域中才广泛使用 CNN。例如，CNN在2012年图像识别挑战赛(ImageNet Large Scale Visual Recognition Challenge)中击败其他竞争对手获得冠军。之后，CNN已成为在机 械学习领域中非常有用的工具。

CNN有时在汽车自动驾驶领域中被使用，主要通过分析经由附着于汽车的 相机获取到的图像来检测障碍物，并且通过执行检测自由空间等的功能而实现 车辆安全驾驶。

在将经过充分的学习过程学习到的自动驾驶用CNN实际上投入到自动驾驶 中的情况下，非常重要的是自动驾驶用CNN的安全性。这是因为自动驾驶车辆 高速行驶且具有较大的质量而错误驾驶时危险性较大。具体而言，这是因为如 果有不良意图的黑客入侵自动驾驶用CNN而变更自动驾驶用CNN中包含的参 数，则有可能会将自动驾驶用车辆故意用于恐吓或者攻击自动驾驶车辆中搭载 的乘客。

因此，需要在测试过程中验证CNN参数是否维持与CNN完成初始学习时 相同的参数的方法，但现实是迄今为止的研究主要集中在自动驾驶用CNN如何 才能很好地移动车辆，而对如何维持这种安全性的方法的研究很少。

发明内容

技术问题

本发明的目的是解决上述问题。

本发明能够通过提供一种利用至少一个测试图案来生成用于验证卷积神经 网络(CNN)的一个以上参数的完整性的一个以上测试图案的方法来使自动驾 驶车辆免受黑客的威胁而实现安全驾驶。

本发明能够通过提供一种关于测试图案的评估方法来选择最佳的测试图案 并很好地执行卷积参数的完整性验证方法。

技术方案

为了实现如上所述的本发明的目的并实现后述的本发明的特征效果，本发 明的特征结构如下所述。