[发明专利]联合训练神经网络以减少数据和进行图像数据的对象识别

说明书

一种用于配置对象识别系统（100）的方法，其具有步骤：‑提供带标注的训练数据（3），所述带标注的训练数据（3）包括图像数据（1），所述图像数据（1）具有所定义的到至少一个对象的分配关系（2）；‑训练具有第一神经子网络（20）的神经网络（40），所述第一神经子网络（20）设置用于执行对图像数据（3）的压缩，其中第一神经子网络（20）与至少一个其他神经子网络（30a，…，30n）互连，其中‑至少一个其他神经子网络（30a，…，30n）设置用于从经过压缩的训练数据（3）中识别出对象；‑其中执行对第一神经子网络（20）的参数化，使得借助至少一个其他子网络（30a，…，30n）以所定义的品质来执行对象识别；并且其中联合训练这些神经子网络（20，30a，…，30n）。

技术领域

本发明涉及一种用于配置对象识别系统的方法。此外，本发明还涉及一种用于借助对象识别系统来识别对象的方法。此外，本发明还涉及一种传感器装置。此外，本发明还涉及一种对象识别系统。此外，本发明还涉及计算机程序。此外，本发明还涉及一种机器可读的存储介质。

背景技术

已知的用于数据的压缩方法例如基于离散余弦变换或者小波变换，并经常在传感器系统中被采用，以便压缩原始数据，其中经过压缩的原始数据通常经由数据总线来传送，以进行再加工。在多传感器系统中需要这种压缩，因为数据总线是主要瓶颈，并且通过所提到的数据压缩可以降低经由数据总线的数据量或数据率。

已知的用于压缩传感器数据的方法通常使通用的信息理论量度最小化。但是，压缩在此相对于通过机器学习技术对数据进行再加工是不偏不倚的，所述机器学习技术稍后解释数据。借此，在进行再加工时可能不能达到最优性能，因为重要的数据由于压缩而丢失，或者不可达到最优压缩率。

已知了借助标准方法（例如针对图像处理的jpeg）在传感器侧进行数据压缩，以便减少所传输的数据量。

发明内容

本发明的任务是，提供了一种用于借助对象识别系统以经过改进的方式来识别对象的方法。

根据第一方面，该任务利用一种用于优化对象识别系统的方法来解决，所述方法具有步骤：

- 提供带标注的训练数据，所述带标注的训练数据包括图像数据，所述图像数据具有所定义的到至少一个对象的分配关系（Zuordnungen）；

- 训练具有第一神经子网络的神经网络，所述第一神经子网络设置用于执行对图像数据的压缩，其中第一神经子网络与至少一个其他神经子网络互连（verschaltet），其中

- 至少一个其他神经子网络设置用于从经过压缩的训练数据中识别出对象；

- 其中执行对第一神经子网络的参数化，使得借助至少一个其他子网络以所定义的品质来执行对象识别；并且其中联合训练这些神经子网络。

以这种方式，在训练阶段中，神经子网络被配置为使得，所述神经子网络适合于应用在对象识别系统中。图像数据的压缩度有利地与要实现的对象识别相适配，由此可以利用本方法有利地找到在两个目标（数据压缩、对象识别的品质）之间的有利的折衷。

有利地，对象识别系统的数据压缩借此可以在工作运行中（im operativenBetrieb）被执行为使得，例如不重要的传感器数据可能被识别出并且借此可以更强烈地被压缩。与此相对照，更重要的传感器数据更小得被压缩，由此利用被降低的数据量仍旧足够好地实现对象识别。在利用从中被优化的压缩装置来运行对象识别系统之前，离线执行所建议的训练方法。有利地，一个或者多个传感器装置所连接到的数据总线可以以这种方式更好地被使用，或更多传感器装置可以连接到数据总线上。结果，借此为目标应用“设置”数据压缩，这在同时高数据压缩的情况下支持高品质的目标应用对象识别。

根据第二方面，该任务利用一种用于借助对象识别系统来识别对象的方法来解决，该方法具有步骤：

- 借助根据第一神经子网络已被训练过的压缩装置，对图像数据进行压缩；和