DE102019208945A1 - Method and apparatus for comparing a first data point with a second data point - Google Patents

Method and apparatus for comparing a first data point with a second data point Download PDF

Info

Publication number
DE102019208945A1
DE102019208945A1 DE102019208945.3A DE102019208945A DE102019208945A1 DE 102019208945 A1 DE102019208945 A1 DE 102019208945A1 DE 102019208945 A DE102019208945 A DE 102019208945A DE 102019208945 A1 DE102019208945 A1 DE 102019208945A1
Authority
DE
Germany
Prior art keywords
network
data
data point
data points
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102019208945.3A
Other languages
German (de)
Inventor
Konrad Groh
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Priority to DE102019208945.3A priority Critical patent/DE102019208945A1/en
Publication of DE102019208945A1 publication Critical patent/DE102019208945A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/62Methods or arrangements for recognition using electronic means
    • G06K9/6267Classification techniques
    • G06K9/6268Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches
    • G06K9/627Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches based on distances between the pattern to be recognised and training or reference patterns
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/62Methods or arrangements for recognition using electronic means
    • G06K9/6201Matching; Proximity measures
    • G06K9/6215Proximity measures, i.e. similarity or distance measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/62Methods or arrangements for recognition using electronic means
    • G06K9/6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06K9/6218Clustering techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/62Methods or arrangements for recognition using electronic means
    • G06K9/6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06K9/6256Obtaining sets of training patterns; Bootstrap methods, e.g. bagging, boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computer systems based on biological models
    • G06N3/02Computer systems based on biological models using neural network models
    • G06N3/08Learning methods

Abstract

Verfahren (10) zum Vergleichen eines ersten Datenpunktes (x) mit einem zweiten Datenpunkt (y),gekennzeichnet durch folgende Merkmale:- ein künstliches neuronales Netz (31) wird mit einem die Datenpunkte (x, y) umfassenden Datensatz trainiert (11) und- der erste Datenpunkt (x) wird durch das Netz (31) zu einem ersten Ausgabevektor (X) verarbeitet (12),- der zweite Datenpunkt (y) wird durch das Netz (31) zu einem zweiten Ausgabevektor (Y) verarbeitet (13) und- unter einer vorgegebenen Metrik (40) auf einem die Ausgabevektoren (X, Y) umfassenden Vektorraum wird ein Abstandsmaß zwischen den Ausgabevektoren (X, Y) bestimmt (14).A method (10) for comparing a first data point (x) with a second data point (y), characterized by the following features: an artificial neural network (31) is trained (11) with a data set comprising the data points (x, y) and - the first data point (x) is processed (12) by the network (31) to form a first output vector (X), - the second data point (y) is processed (13) by the network (31) to form a second output vector (Y) ) and under a predetermined metric (40) on a vector space comprising the output vectors (X, Y), a distance measure between the output vectors (X, Y) is determined (14).

Description

  • Die vorliegende Erfindung betrifft ein Verfahren zum Vergleichen von Datenpunkten. Die vorliegende Erfindung betrifft darüber hinaus eine entsprechende Vorrichtung, ein entsprechendes Computerprogramm sowie ein entsprechendes Speichermedium.The present invention relates to a method for comparing data points. The present invention also relates to a corresponding device, a corresponding computer program and a corresponding storage medium.
  • Stand der TechnikState of the art
  • Während der Ausdruck „Datensatz“ in der Informatik regelmäßig eine eindimensionale, strukturierte Folge von Attributen eines Elements einer übergeordneten Menge - z. B. eine Karteikarte in einer Kartei, eine bestimmte Bestellung in einer Bestell-Datenbank oder eine Zeile einer Adressliste - bezeichnet, wird er nachfolgend gemäß dem fachsprachlichen Gebrauch in der Statistik als Bezeichnung für die Gesamtheit von Daten in einem bestimmten Zusammenhang, also gleichbedeutend mit „Datenbestand“, verwendet. Gemäß diesem Sprachgebrauch umfasst ein Datensatz einzelne Datenpunkte, die jeweils etwa ein gesamtes Bild oder Buch repräsentieren können.While the expression “data set” in computer science is usually a one-dimensional, structured sequence of attributes of an element of a superordinate set - e.g. B. an index card in a card index, a certain order in an order database or a line of an address list - it is hereinafter referred to as the technical terminology in statistics as a designation for the entirety of data in a certain context, thus synonymous with " Database ", is used. According to this usage, a data set comprises individual data points, each of which can represent an entire picture or book.
  • Bekannte Verfahren zum Vergleich von Datenpunkten aus unstrukturierten Daten wie die der mathematischen Statistik entliehene mittlere quadratische Abweichung - auch als mittlerer quadratischer Fehler (MQF; mean squared error, MSE) bekannt - haben wenig Übereinstimmung mit menschlicher visueller Wahrnehmung bewiesen. Zur Messung der Ähnlichkeit zwischen zwei Bildern wird nach dem Stand der Technik daher zumeist die - mitunter mehrskalig angewandte - strukturelle Ähnlichkeit (structural similarity, SSIM), die davon abgeleitete Pseudometrik der strukturellen Unähnlichkeit (structural dissimilarity, DSSIM) oder die um Kontrastwahrnehmungs- und Maskierungskriterien erweiterte Metrik PSNR-HVS-M genutzt.Known methods of comparing data points from unstructured data, such as mean squared error, also known as mean squared error (MSE), borrowed from mathematical statistics - have shown little agreement with human visual perception. To measure the similarity between two images, according to the state of the art, structural similarity (SSIM), the pseudometrics of structural dissimilarity (DSSIM) derived therefrom, or the contrast perception and masking criteria are usually used according to the state of the art extended metric PSNR-HVS-M used.
  • EP1889754B1 offenbart ein Verfahren zur Ansteuerung von Personenschutzmitteln mit folgenden Verfahrensschritten: Bildung eines Merkmalsvektors aus einem Verlauf eines von einem ersten Signal einer Unfallsensorik abgeleiteten zweiten Signals, Klassifizierung des mindestens einen Merkmalvektors in Abhängigkeit von einem ersten Vergleich des mindestens einen Merkmalvektors mit wenigstens einem ersten Codebuch mittels eines Ähnlichkeitsmaßes und Ansteuerung der Personenschutzmittel in Abhängigkeit von der Klassifizierung, dadurch gekennzeichnet, dass das wenigstens eine Codebuch wenigstens zwei Codevektoren aufweist, wobei jedem Codevektor eine jeweilige Klasse zugeordnet ist, dass der mindestens eine Merkmalsvektor mit den wenigstens zwei Codevektoren derart verglichen wird, dass als das Ähnlichkeitsmaß ein Abstandsmaß zwischen dem Merkmalsvektor und den wenigstens zwei Codevektoren verwendet wird, wobei die Klassifizierung in Abhängigkeit von dem Codevektor erfolgt, der den geringsten Abstand zum mindestens einen Merkmalsvektor aufweist, wobei die wenigstens zwei Codevektoren durch eine Methode der Vektorquantisierung erstellt werden. Als Abstandsmaß wird hier insbesondere der euklidische Abstand vorgeschlagen. EP1889754B1 discloses a method for controlling personal protection equipment with the following method steps: formation of a feature vector from a curve of a second signal derived from a first signal of an accident sensor system, classification of the at least one feature vector as a function of a first comparison of the at least one feature vector with at least one first code book by means of a The degree of similarity and control of the personal protection means as a function of the classification, characterized in that the at least one code book has at least two code vectors, each code vector being assigned a respective class, that the at least one feature vector is compared with the at least two code vectors in such a way that Similarity measure a measure of the distance between the feature vector and the at least two code vectors is used, the classification being carried out as a function of the code vector which has the smallest distance to the mi nd at least one feature vector, the at least two code vectors being created by a method of vector quantization. In particular, the Euclidean distance is proposed as the distance measure.
  • Offenbarung der ErfindungDisclosure of the invention
  • Die Erfindung stellt ein Verfahren zum Vergleichen von Datenpunkten, eine entsprechende Vorrichtung, ein entsprechendes Computerprogramm sowie ein entsprechendes maschinenlesbares Speichermedium gemäß den unabhängigen Ansprüchen bereit.The invention provides a method for comparing data points, a corresponding device, a corresponding computer program and a corresponding machine-readable storage medium according to the independent claims.
  • Der vorgeschlagene Ansatz fußt auf der Erkenntnis, dass ein Hauptproblem des MSE und ähnlicher Metriken darin besteht, dass sie in erster Linie für Daten geeignet sind, welche als Elemente eines Vektorraums aufgefasst werden können. So kann ein natürliches Bild zwar als Element eines Vektorraums aufgefasst werden, indem jeder Pixelwert einer Koordinate entspricht, aber der wahrnehmbare Raum der natürlichen Bilder entspricht keineswegs diesem Vektorraum.The proposed approach is based on the recognition that a major problem of the MSE and similar metrics is that they are primarily suitable for data that can be understood as elements of a vector space. A natural image can indeed be understood as an element of a vector space in that each pixel value corresponds to a coordinate, but the perceptible space of the natural images in no way corresponds to this vector space.
  • Ein Vorzug dieser Lösung liegt in der Schaffung einer Pseudometrik auf einer Menge von Daten, die mathematisch nicht notwendigerweise einen Vektorraum aufspannt.An advantage of this solution is the creation of a pseudometric on a set of data which mathematically does not necessarily span a vector space.
  • Durch die in den abhängigen Ansprüchen aufgeführten Maßnahmen sind vorteilhafte Weiterbildungen und Verbesserungen des im unabhängigen Anspruch angegebenen Grundgedankens möglich. So kann vorgesehen sein, dass die verglichenen Datenpunkte jeweils Bilder oder Bücher repräsentieren. Die konstruierte Pseudometrik kann auf diese Weise etwa angewandt werden, um für ein Bild oder Buch ähnliche Bilder bzw. Bücher aus einem Datensatz zu erzeugen oder zu entscheiden, ob ein Bild ähnlich zu dem Datensatz ist oder nicht. Damit könnten feindliche Angriffe erkannt werden.The measures listed in the dependent claims enable advantageous developments and improvements of the basic idea specified in the independent claim. It can thus be provided that the compared data points each represent pictures or books. The constructed pseudometrics can be used in this way, for example, to generate images or books similar to a picture or book from a data set or to decide whether or not an image is similar to the data set. This could be used to detect enemy attacks.
  • FigurenlisteFigure list
  • Ausführungsbeispiele der Erfindung sind in den Zeichnungen dargestellt und in der nachfolgenden Beschreibung näher erläutert. Es zeigt:
    • 1 das Flussdiagramm eines Verfahrens gemäß einer ersten Ausführungsform.
    • 2 einen Cluster-Algorithmus.
    • 3 den schematischen Aufbau eines zur Klassifikation genutzten neuronalen Netzes.
    • 4 die Bestimmung einer Pseudometrik durch ein trainiertes Netz gemäß 3.
    • 5 schematisch ein Steuergerät gemäß einer zweiten Ausführungsform der Erfindung.
    Exemplary embodiments of the invention are shown in the drawings and explained in more detail in the description below. It shows:
    • 1 the flow chart of a method according to a first embodiment.
    • 2 a cluster algorithm.
    • 3 the schematic structure of a neural network used for classification.
    • 4th the determination of a pseudometric by a trained network according to 3 .
    • 5 schematically a control device according to a second embodiment of the invention.
  • Ausführungsformen der ErfindungEmbodiments of the invention
  • Grundlegende Aspekte der vorgeschlagenen Lösung umfassen ein neuronales Netz N der Tiefe k, einen Datensatz X beispielsweise von Bildern, einen iterativen Cluster-Algorithmus für Daten ohne vorgegebene Klassenzuordnung (label) bzw. einen Lernalgorithmus für Daten mit Label sowie eine Funktion, die für zwei Eingangsdatenpunkte x und y die Ausgabevektoren X bzw. Y des so trainierten Netzes speichert. Wie 1 illustriert, werden nach dem Trainieren von N (Prozess 11) die zu vergleichenden Datenpunkte durch das Netz verarbeitet (Prozesse 12, 13) und schließlich unter dem MSE oder einer anderweitigen Metrik auf einem X und Y umfassenden Vektorraum ein Abstandsmaß zwischen diesen Vektoren bestimmt (Prozess 14) und als Pseudometrik ausgegeben.Fundamental aspects of the proposed solution include a neural network N of depth k, a data set X of images, for example, an iterative cluster algorithm for data without a predefined class assignment (label) or a learning algorithm for data with a label, as well as a function for two input data points x and y store the output vectors X and Y, respectively, of the network trained in this way. As 1 illustrated, after training N (process 11 ) the data points to be compared are processed by the network (processes 12th , 13 ) and finally a distance measure between these vectors is determined using the MSE or some other metric on a vector space comprising X and Y (process 14th ) and output as a pseudometric.
  • Im ersten Schritt des Clusteralgorithmus wird demnach das neuronale Netz auf dem Datensatz trainiert. Falls bereits eine Klassifikation der Datenpunkte vorliegt, kann hierzu ein herkömmliches überwachtes Lernverfahren (supervised learning) angewandt werden. Andernfalls kommt das in 2 dargestellte iterative Verfahren (20) zum Einsatz, welches ausgehend von einer zufälligen Zuordnung der Daten die Label schrittweise immer weiter verbessert.In the first step of the cluster algorithm, the neural network is trained on the data set. If a classification of the data points is already available, a conventional supervised learning process can be used for this. Otherwise that comes in 2 presented iterative procedures ( 20th ) is used, which, based on a random assignment of the data, gradually improves the label.
  • Das Verfahren (20) umfasst mehrere Durchläufe (runs). Jeder Durchlauf umfasst folgende Schritte:
  1. 1. Das Netz wird für eine Anzahl von Schritten auf die aktuellen Label der Daten trainiert. Hierbei erweist sich insbesondere eine l2-Regularisierung als vorteilhaft.
  2. 2. Für jeden Datenpunkt x wird der Wert der Ausgabeschicht oder -lage (layer) k als Vektor z gespeichert.
  3. 3. Alle Ausgaben Z der Schicht k werden einer herkömmlichen Ballungsanalyse (clustering) unterzogen.
  4. 4. Die resultierenden Cluster (siehe 3) werden als neue Label genutzt.
  5. 5. Die Schrittweite für das nächste Training wird angepasst.
The procedure ( 20th ) comprises several runs. Each run consists of the following steps:
  1. 1. The network is trained on the current label of the data for a number of steps. In particular, I 2 regularization proves to be advantageous here.
  2. 2. For each data point x, the value of the output layer or layer k is stored as a vector z.
  3. 3. All outputs Z of layer k are subjected to a conventional clustering analysis.
  4. 4. The resulting clusters (see 3 ) are used as a new label.
  5. 5. The step size for the next workout is adjusted.
  • Die Bestimmung der Metrik durch ein solchermaßen trainiertes Netz (31) kann hernach gemäß 4 erfolgen.The determination of the metric by a network trained in this way ( 31 ) can afterwards according to 4th respectively.
  • Dieses Verfahren (10) kann beispielsweise in Software oder Hardware oder in einer Mischform aus Software und Hardware beispielsweise in einem Steuergerät (50) implementiert sein, wie die schematische Darstellung der 5 verdeutlicht.This method ( 10 ) can be in software or hardware, for example, or in a mixed form of software and hardware, for example in a control unit ( 50 ) be implemented as shown in the schematic representation of the 5 clarified.
  • ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
  • Zitierte PatentliteraturPatent literature cited
    • EP 1889754 B1 [0004]EP 1889754 B1 [0004]

    Claims (10)

    1. Verfahren (10) zum Vergleichen eines ersten Datenpunktes (x) mit einem zweiten Datenpunkt (y), gekennzeichnet durch folgende Merkmale: - ein künstliches neuronales Netz (31) wird mit einem die Datenpunkte (x, y) umfassenden Datensatz trainiert (11) und - der erste Datenpunkt (x) wird durch das Netz (31) zu einem ersten Ausgabevektor (X) verarbeitet (12), - der zweite Datenpunkt (y) wird durch das Netz (31) zu einem zweiten Ausgabevektor (Y) verarbeitet (13) und - unter einer vorgegebenen Metrik (40) auf einem die Ausgabevektoren (X, Y) umfassenden Vektorraum wird ein Abstandsmaß zwischen den Ausgabevektoren (X, Y) bestimmt (14).A method (10) for comparing a first data point (x) with a second data point (y), characterized by the following features: an artificial neural network (31) is trained (11) with a data set comprising the data points (x, y) and - the first data point (x) is processed (12) by the network (31) to form a first output vector (X), - the second data point (y) is processed (13) by the network (31) to form a second output vector (Y) ) and - under a predetermined metric (40) on a vector space comprising the output vectors (X, Y), a distance measure between the output vectors (X, Y) is determined (14).
    2. Verfahren (10) nach Anspruch 1, gekennzeichnet durch folgendes Merkmal: - die Metrik beruht auf einer mittleren quadratischen Abweichung des ersten Ausgabevektors (X) vom zweiten Ausgabevektor (Y).Method (10) according to Claim 1 , characterized by the following feature: the metric is based on a mean square deviation of the first output vector (X) from the second output vector (Y).
    3. Verfahren (10) nach Anspruch 1 oder 2, gekennzeichnet durch eines der folgenden Merkmale: - die Datenpunkte (x, y) repräsentieren jeweils ein Bild (30) oder - die Datenpunkte (x, y) repräsentieren jeweils einen Text.Method (10) according to Claim 1 or 2 , characterized by one of the following features: - the data points (x, y) each represent an image (30) or - the data points (x, y) each represent a text.
    4. Verfahren (10) nach einem der Ansprüche 1 bis 3, gekennzeichnet durch folgende Merkmale: - die Datenpunkte (x, y) sind vorgegebenen Klassen (33) zugeordnet und - das Netz (31) wird darauf trainiert (11), weitere Datenpunkte den Klassen (33) zuzuordnen.Method (10) according to one of the Claims 1 to 3 , characterized by the following features: - the data points (x, y) are assigned to predetermined classes (33) and - the network (31) is trained (11) to assign further data points to the classes (33).
    5. Verfahren (10) nach einem der Ansprüche 1 bis 3, gekennzeichnet durch folgende Merkmale: - das Trainieren (11) geht von einer zufälligen Zuordnung der Datenpunkte (x,y) zu mehreren Klassen (33) aus und - beim Trainieren (11) wird die Zuordnung in mehreren Durchläufen verfeinert.Method (10) according to one of the Claims 1 to 3 , characterized by the following features: - the training (11) is based on a random assignment of the data points (x, y) to several classes (33) and - during the training (11) the assignment is refined in several runs.
    6. Verfahren (10) nach Anspruch 5, dadurch gekennzeichnet, dass die Durchläufe jeweils Folgendes umfassen: - das Netz (31) wird in mehreren Schritten auf die gegenwärtige Zuordnung trainiert, - die Ausgabevektoren (X, Y) des Netzes (31) für jeden Datenpunkt (x, y) werden gespeichert und - die Zuordnung wird anhand einer Ballungsanalyse der Ausgabevektoren (X, Y) ersetzt.Method (10) according to Claim 5 , characterized in that the runs each comprise the following: - the network (31) is trained in several steps for the current assignment, - the output vectors (X, Y) of the network (31) for each data point (x, y) are stored and the assignment is replaced on the basis of a cluster analysis of the output vectors (X, Y).
    7. Verfahren (10) nach Anspruch 6, gekennzeichnet durch mindestens eines der folgenden Merkmale: - in jedem Durchlauf werden Gewichtsfunktionen des Netzes (31) l2-regularisiert oder - in jedem Durchlauf werden die Schritte des folgenden Durchlaufes angepasst.Method (10) according to Claim 6 , characterized by at least one of the following features: weight functions of the network (31) l 2 are regularized in each pass or the steps of the following pass are adapted in each pass.
    8. Computerprogramm, welches eingerichtet ist, das Verfahren (10) nach einem der Ansprüche 1 bis 7 auszuführen.Computer program which is set up, the method (10) according to one of the Claims 1 to 7th execute.
    9. Maschinenlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 8 gespeichert ist.Machine-readable storage medium on which the computer program is based Claim 8 is stored.
    10. Vorrichtung (50), die eingerichtet ist, das Verfahren (10) nach einem der Ansprüche 1 bis 7 auszuführen.Device (50) which is set up, the method (10) according to one of the Claims 1 to 7th execute.
    DE102019208945.3A 2019-06-19 2019-06-19 Method and apparatus for comparing a first data point with a second data point Pending DE102019208945A1 (en)

    Priority Applications (1)

    Application Number Priority Date Filing Date Title
    DE102019208945.3A DE102019208945A1 (en) 2019-06-19 2019-06-19 Method and apparatus for comparing a first data point with a second data point

    Applications Claiming Priority (2)

    Application Number Priority Date Filing Date Title
    DE102019208945.3A DE102019208945A1 (en) 2019-06-19 2019-06-19 Method and apparatus for comparing a first data point with a second data point
    CN202010558344.XA CN112116086A (en) 2019-06-19 2020-06-18 Method and device for comparing a first data point with a second data point

    Publications (1)

    Publication Number Publication Date
    DE102019208945A1 true DE102019208945A1 (en) 2020-12-24

    Family

    ID=73653982

    Family Applications (1)

    Application Number Title Priority Date Filing Date
    DE102019208945.3A Pending DE102019208945A1 (en) 2019-06-19 2019-06-19 Method and apparatus for comparing a first data point with a second data point

    Country Status (2)

    Country Link
    CN (1) CN112116086A (en)
    DE (1) DE102019208945A1 (en)

    Also Published As

    Publication number Publication date
    CN112116086A (en) 2020-12-22

    Similar Documents

    Publication Publication Date Title
    DE69333811T2 (en) Method and device for generating and adjusting a neuron
    EP0026378B1 (en) Method of accentuating an area of an image displayed on a picture screen
    DE102011001319A1 (en) Face identification method for suppressing noise or environmental impact
    DE202017102238U1 (en) Aktorsteuerungssystem
    DE202017102235U1 (en) training system
    DE102016204506A1 (en) Production pressure inspection with local optimization
    DE69333247T2 (en) Training method and device for generating a new neuron
    DE102017217099A1 (en) Method for investigating a functional behavior of a technical system and evaluation unit
    DE102012223587B4 (en) Method for testing an application
    DE69815390T2 (en) NEURONAL NETWORKS
    EP2622540A1 (en) Method for classifying patterns in image data records
    DE102019208945A1 (en) Method and apparatus for comparing a first data point with a second data point
    EP0749613B1 (en) Knowledge-based fuzzy selection for recognition system having several recognition units
    DE102019211672A1 (en) Training method for an artificial neural network
    EP0643353A1 (en) Data processing system and method
    DE19820353C2 (en) Method and device for recognizing a pattern on a template
    DE102009058605A1 (en) Method and device for increasing the contrast of a gray scale image
    DE102004050942B4 (en) Bootstrap method for supervised teach-in of a pattern recognition system
    DE112018007277T5 (en) DEVICE AND METHOD FOR AUTOMATIC ERROR THRESHOLD DETECTION FOR IMAGES
    EP0591259B1 (en) Method of processing uncertainties in input data in neuronal networks
    DE102019003621A1 (en) Process for processing lidar sensor data
    DE4495111C2 (en) Method for determining a set of characteristic features in the context of object recognition
    DE19834718A1 (en) Image processing system for identifying irregularities of textured surface such as object surface and other parameters with units for carrying work namely selection of areas of textured
    DE102019204136A1 (en) Method and device for training and producing an artificial neural network
    DE102008025213A1 (en) Method for segmenting fingerprint images