[发明专利]借助于神经卷积网络处理传感器数据的方法和设备

说明书

借助于神经卷积网络处理传感器数据的方法和设备。该计算机实现的方法包括通过卷积网络的多个连续的层来处理传感器数据，其中卷积网络具有：卷积过滤器层，其接收至少一个具有输入数据值的输入矩阵；实现第一过滤器矩阵，其通过用第一权重加权的过滤器基函数总和给定；针对变换参数的相应值，通过将由变换参数进行参数化的变换公式应用于第一权重而从第一权重中计算出至少一个第二权重；针对每个第二权重，通过计算用该第二权重加权的过滤器基函数总和来确定相应的第二过滤器矩阵；以及将输入矩阵与第一过滤器矩阵和每个第二过滤器矩阵进行卷积运算，从而为每个过滤器矩阵产生具有输出数据值的输出矩阵，以及合并输出矩阵的聚合层。

技术领域

各种实施例总体上涉及用于借助于神经卷积网络来处理传感器数据的设备和方法。

背景技术

如今神经网络具有广泛的应用，例如用于识别图像数据上的对象或控制机器人和自主驾驶的车辆。由于神经网络的大量参数，神经网络可以处理非常复杂的数据组，并且通常被带有以下目的地训练，即，对以后的未知输入数据进行良好的预测（英语：prediction），例如尽可能正确地对图像中的对象进行分类。用于这种应用目的的特别成功的神经网络是神经卷积网络（英语为CNN：convolutional neural network）。

机器学习和机器视觉中的最新进展已经表明，模型（如神经网络）可以受益于先验知识的引入。这种先验知识的一种可能性是假定特定的变换不会改变所述模型的预测。与该先验知识相对应地，可以使用通过设计相对应所述变换等效或不变的模型。

发明内容

根据实施例（实施例1），提供了一种用于借助于卷积网络处理传感器数据的计算机实现的方法，所述方法包括：通过所述卷积网络的多个连续的层来处理所述传感器数据，其中所述卷积网络具有卷积过滤器层，所述卷积过滤器层接收至少一个具有输入数据值的输入矩阵；实现第一过滤器矩阵，所述第一过滤器矩阵通过用第一权重加权的过滤器基函数总和给定；针对变换参数的相应值，通过将由所述变换参数进行参数化的变换公式应用于所述第一权重而从所述第一权重中计算出至少一个第二权重；针对每个第二权重，通过计算用该第二权重加权的过滤器基函数总和来确定相应的第二过滤器矩阵；以及将所述输入矩阵与第一过滤器矩阵和每个第二过滤器矩阵进行卷积运算，从而为每个过滤器矩阵产生具有输出数据值的输出矩阵，并且所述卷积网络还具有组合所述输出矩阵的聚合层。

所述方法使得卷积网络能够相对于参数变换等效或不变地予以训练和进行工作，其中可以从给定的训练数据组中来估计所述变换。这样使得可以避免过度拟合（英语：overfitting）或减少所述训练所需要的数据量，因为不需要所有变量都必须包含在训练数据中。

实施例2是根据实施例1的方法，其中所述变换参数是角度，并且所述卷积过滤器层通过应用所述变换公式来计算所述第二权重，使得所述第二过滤器矩阵是旋转了所述角度的第一过滤器矩阵。

这使得卷积网络可以相对于旋转（例如，待分类对象的旋转）不变或等效。

实施例3是根据实施例1的方法，其中所述变换参数是缩放参数，并且所述卷积过滤器层通过应用所述变换公式来计算所述第二权重，使得所述第二过滤器矩阵是所述第一过滤器矩阵的缩放，其中所述缩放的强度通过所述缩放参数给定。

这使得卷积网络可以相对于大小改变（例如，待分类对象的大小改变）不变或等效，所述大小改变例如由于对象的距离而出现。

实施例4是根据实施例1至3之一的方法，其中所述聚合层为每个输出矩阵确定预定义的评估变量的相应值，并通过输出使得所述评估变量最大的输出矩阵的标识来组合这些输出矩阵。

由此，所述网络识别出对于哪些变换参数（例如哪个旋转角度）卷积过滤器最对应于所述卷积过滤器层的输入矩阵。例如，所述卷积网络识别对象以什么取向或以什么距离存在于图像中。所述卷积过滤器层之后的层可以将该信息用于回归或分类。