DE102020002511A1 - Method for generating training data for a neural network - Google Patents

Method for generating training data for a neural network Download PDF

Info

Publication number
DE102020002511A1
DE102020002511A1 DE102020002511.0A DE102020002511A DE102020002511A1 DE 102020002511 A1 DE102020002511 A1 DE 102020002511A1 DE 102020002511 A DE102020002511 A DE 102020002511A DE 102020002511 A1 DE102020002511 A1 DE 102020002511A1
Authority
DE
Germany
Prior art keywords
training data
neural network
data
algorithm
changed
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
DE102020002511.0A
Other languages
German (de)
Inventor
Martin Pischinger
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.)
FEV Group GmbH
Original Assignee
FEV Group 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 FEV Group GmbH filed Critical FEV Group GmbH
Publication of DE102020002511A1 publication Critical patent/DE102020002511A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Erzeugen von Trainingsdaten (1, 2) für ein neuronales Netz (4), umfassend den Schritt:a) Verändern von vorhandenen Trainingsdaten (1) für ein neuronales Netz (5) zu veränderten Trainingsdaten (2) für das neuronale Netz (5) mittels eines Algorithmus (3).The invention relates to a method for generating training data (1, 2) for a neural network (4), comprising the step: a) changing existing training data (1) for a neural network (5) to changed training data (2) for the neural network (5) using an algorithm (3).

Description

Die Erfindung betrifft ein Verfahren zum Erzeugen von Trainingsdaten für ein Neuronales Netz, ein Computerprogrammprodukt, eine Rechenvorrichtung und ein Neuronales Netz.The invention relates to a method for generating training data for a neural network, a computer program product, a computing device and a neural network.

Die US2018293706 offenbart ein Verfahren zum Erzeugen von Trainingsdaten für ein neuronales Netz. Die Trainingsdaten werden durch Heruntertaktung von vorhandenen Trainingsdaten erzeugt. Beim Heruntertakten wird die Anzahl der vorhandenen Stützstellen in den Trainingsdaten reduziert.The US2018293706 discloses a method for generating training data for a neural network. The training data are generated by clocking down existing training data. When clocking down, the number of existing support points in the training data is reduced.

Der erfindungsgemäße Verfahren zum Erzeugen von Trainingsdaten für ein neuronales Netz umfasst den Schritt:

  1. a) Verändern von vorhandenen Trainingsdaten für ein neuronales Netz zu veränderten Trainingsdaten für das neuronale Netz mittels eines Algorithmus.
The method according to the invention for generating training data for a neural network comprises the step:
  1. a) changing existing training data for a neural network to changed training data for the neural network using an algorithm.

Durch das Verändern der vorhandenen Trainingsdaten wird es ermöglicht, eine Datenmenge an Trainingsdaten zu vervielfachen, ohne gänzlich neue Trainingsdaten zu erzeugen. Das Erzeugen gänzlich neuer Trainingsdaten ist oft mit großen, zum Teil auch manuellen Aufwand verbunden. Demnach ermöglicht das Verändern von vorhandenen Trainingsdaten eine Kostenreduktion für das Erzeugen von Trainingsdaten.By changing the existing training data, it is possible to multiply a data amount of training data without generating entirely new training data. The creation of completely new training data is often associated with great, sometimes manual, effort. Accordingly, changing existing training data enables a cost reduction for generating training data.

Das Verfahren eignet sich daher insbesondere für neuronale Netze, die eine große Datenmenge an Trainingsdaten benötigen. Bevorzugt wird das neuronale Netz trainiert, um zur Objekterkennung für ein ADAS System im Fahrzeugbereich eingesetzt zu werden.The method is therefore particularly suitable for neural networks that require a large amount of training data. The neural network is preferably trained in order to be used for object recognition for an ADAS system in the vehicle area.

Vorhandene Trainingsdaten umfassen Daten, welche zum Training eines neuronalen Netzwerkes geeignet sind. Für den Fall, dass das neuronale Netz für eine Objekterkennung in Bildern trainiert wird, bieten sich Bilddateien als Trainingsdaten an, welche ein Objekt zeigen, dessen Erkennung trainiert werden soll.Existing training data include data that are suitable for training a neural network. In the event that the neural network is trained for object recognition in images, image files offer themselves as training data which show an object whose recognition is to be trained.

Das neuronale Netz wird bevorzugt mit vorhandenen Trainingsdaten und veränderten Trainingsdaten trainiert. Durch das Training verändert sich das neuronale Netz zu einem trainierten neuronalen Netz. Die Änderungen sind für die meisten neuronalen Netze softwareseitig.The neural network is preferably trained with existing training data and changed training data. The training changes the neural network to a trained neural network. The changes are software-side for most neural networks.

Bevorzugt umfasst das Verfahren den Schritt:

  • b) Variieren des Algorithmus und erneutes Durchführen von Schritt a) zum Erzeugen zusätzlicher veränderter Trainingsdaten für das neuronale Netz.
The method preferably comprises the step:
  • b) Varying the algorithm and performing step a) again to generate additional modified training data for the neural network.

Die Variation des Algorithmus sowie das zeitlich spätere, erneute Durchführen von Schritt a) ermöglichen die Erzeugung von veränderten Trainingsdaten mit einer Datenmenge, welche die Datenmenge der vorhandenen Trainingsdaten um ein vielfaches übersteigt. Dabei ergibt sich mit jeder erneuten Durchführung eine zusätzliche Datenmenge für die veränderten Trainingsdaten, welche in etwa der Datenmenge der vorhandenen Trainingsdaten entspricht. Demnach wird eine Vervielfachung der Datenmenge an veränderten Trainingsdaten durch vielfache erneut Durchführung von Schritt b) ermöglicht.The variation of the algorithm and the later execution of step a) later enable the generation of changed training data with a data volume that exceeds the data volume of the existing training data many times over. With each new execution there is an additional amount of data for the changed training data, which corresponds approximately to the amount of data of the existing training data. Accordingly, the data quantity of changed training data can be multiplied by performing step b) again many times.

Bevorzugt ist der Algorithmus dergestalt, dass Trainingsdaten komprimiert werden.The algorithm is preferably such that training data is compressed.

Die Verwendung einer Datenkompression ermöglicht eine technisch etablierte und dadurch schnelle und einfache Veränderung der vorhandenen Trainingsdaten. Zudem wird durch Datenkompression sichergestellt, dass die Daten nicht derartig verändert werden, dass sie für eine Verwendung als Trainingsdaten für ein neuronales Netz unbrauchbar werden.The use of data compression enables a technically established and therefore quick and easy change of the existing training data. In addition, data compression ensures that the data are not changed in such a way that they become unusable for use as training data for a neural network.

Bevorzugt ist die Datenkompression eine verlusthafte Kompression.The data compression is preferably a lossy compression.

Für eine Datenkompression wird in Daten nach redundanten Dateneinheiten gesucht, welche dann entfernt werden. Dadurch wird die Größe der Daten reduziert. Bei einer verlusthaften Datenkompression werden auch Dateneinheiten entfernt, welche nicht vollständig redundant sind. Dabei werden bevorzugt solche nicht redundanten Daten entfernt, welche für einen Anwendungsfall nur eine geringe Relevanz aufweisen. Dies führt dazu, dass nach einer Dekompression die ursprünglichen Daten nicht vollständig wiederhergestellt werden können. Die Daten werden also durch eine Kompression verändert.For data compression, data is searched for redundant data units, which are then removed. This reduces the size of the data. In the event of lossy data compression, data units which are not completely redundant are also removed. It is preferred to remove non-redundant data that is of little relevance for an application. This means that the original data cannot be completely restored after decompression. The data is therefore changed by compression.

Veränderte Trainingsdaten umfassen Daten, welche ähnlich sind zu den vorhandenen Trainingsdaten. Für den Fall, dass die vorhandenen Trainingsdaten Bilddaten umfassen, welche ein Objekt zeigen, umfassen auch die veränderten Trainingsdaten, Bilddaten welche dasselbe Objekt zeigen. Durch die Datenkompression der Bilddaten sind die veränderten Trainingsdaten Bilddaten für einen menschlichen Betrachter kaum von den Bilddaten aus den vorhandenen Trainingsdaten zu unterscheiden. Die veränderten Trainingsdaten unterscheiden sich jedoch für das neuronale Netz derart von den vorhandenen Trainingsdaten, dass sie als zusätzliche Trainingsdaten zu den vorhandenen Trainingsdaten verwendet werden können.Modified training data include data that are similar to the existing training data. In the event that the existing training data include image data that show an object, the changed training data also include image data that show the same object. Due to the data compression of the image data, the changed training data image data for a human viewer can hardly be distinguished from the image data from the existing training data. However, the changed training data differ from the existing training data for the neural network in such a way that they can be used as additional training data in addition to the existing training data.

Durch die Datenkompression wird es ermöglicht, dass unkomprimierte Trainingsdaten nicht gespeichert werden müssen, so dass der benötigte Speicherplatz für die Trainingsdaten vorteilhaft reduziert wird. Weiterhin ermöglicht dies, dass Hardwaresysteme zum Erzeugen der vorhandenen Trainingsdaten kostengünstig ausgestaltet werden können.The data compression makes it possible that uncompressed training data does not have to be saved, so that the required one Storage space for the training data is advantageously reduced. Furthermore, this enables hardware systems to generate the existing training data at low cost.

Ein weiterer Vorteil von der Verwendung einer Datenkompression ist der, dass das neuronale Netz bei einem Einsatz für die Objekterkennung auch komprimierte Trainingsdaten verwenden kann. Dies ermöglicht ein weites Einsatzgebiet des neuronales Netzes. Zudem kann eine Hardwareumgebung für das neuronale Netz kostengünstiger ausgestaltet werden kann.Another advantage of using data compression is that the neural network can also use compressed training data when used for object recognition. This enables a wide range of applications for the neural network. In addition, a hardware environment for the neural network can be designed more cost-effectively.

Bevorzugt ist der Algorithmus dergestalt, dass Trainingsdaten dekomprimiert werden.The algorithm is preferably such that training data is decompressed.

Die Trainingsdaten sind erst nach einer Dekompression wieder zum Training des neuronalen Netzes verwendbar. Eine Dekompression ist für gängige Kompressionsverfahren schnell und einfach auf einer Vielzahl von Geräten durchführbar. Dies ermöglicht eine technisch etablierte Möglichkeit zur Verwendung der veränderten Trainingsdaten zum Training des neuronalen Netzes.The training data can only be used for training the neural network after decompression. Decompression can be carried out quickly and easily on a variety of devices for common compression methods. This enables a technically established possibility to use the changed training data for training the neural network.

Ein erfindungsgemäßes Computerprogrammprodukt umfasst ein Programm das, wenn es von einem Computer ausgeführt wird, den Computer veranlasst, ein erfindungsgemäßes Verfahren durchzuführen.A computer program product according to the invention comprises a program which, when executed by a computer, causes the computer to carry out a method according to the invention.

Eine erfindungsgemäße Rechenvorrichtung zum Erzeugen von Trainingsdaten für ein Neuronales Netz ist ausgebildet und eingerichtet, ein erfindungsgemäßes Verfahren durchzuführenA computing device according to the invention for generating training data for a neural network is designed and set up to carry out a method according to the invention

Ein erfindungsgemäßes neuronales Netz ist trainiert mit Trainingsdaten, welche erzeugt wurden mit einem erfindungsgemäßen Verfahren.A neural network according to the invention is trained with training data which were generated using a method according to the invention.

Die Vorteile des erfindungsgemäßen Verfahrens zum Erzeugen von Trainingsdaten für ein neuronales Netz ergeben sich in gleich Weise für ein erfindungsgemäßes Computerprogrammprodukt, eine erfindungsgemäße Rechenvorrichtung und ein erfindungsgemäßes neuronales Netz.The advantages of the method according to the invention for generating training data for a neural network result in the same way for a computer program product according to the invention, a computing device according to the invention and a neural network according to the invention.

Die abhängigen Ansprüche beschreiben vorteilhafte Ausführungsformen der Erfindung.The dependent claims describe advantageous embodiments of the invention.

Ein bevorzugtes Ausführungsbeispiel wird anhand der folgenden Figur näher erläutert.

  • 1 zeigt schematisch ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens zum Erzeugen von Trainingsdaten 1, 2 für ein neuronales Netz 4. Das Verfahren umfasst den Schritt:
    • a) Verändern von vorhandenen Trainingsdaten 1 für ein neuronales Netz 5 zu veränderten Trainingsdaten 2 für das neuronale Netz 5 mittels eines Algorithmus 3.
A preferred embodiment is explained in more detail with reference to the following figure.
  • 1 shows schematically an embodiment of a method according to the invention for generating training data 1 , 2nd for a neural network 4th . The process includes the step:
    • a) Change existing training data 1 for a neural network 5 to changed training data 2nd for the neural network 5 using an algorithm 3rd .

Die Trainingsdaten 1, 2 werden von einer Rechenvorrichtung 4 verwendet, um Parameter für das neuronale Netz 5 zu ermitteln. Durch Anwendung der Parameter für das neuronale Netz 5 ist es mit den Trainingsdaten 1, 2 trainiert.The training data 1 , 2nd are from a computing device 4th used to set parameters for the neural network 5 to investigate. By applying the parameters for the neural network 5 it is with the training data 1 , 2nd trained.

Das Verfahren umfasst den Schritt:

  • b) Variieren des Algorithmus 3 und erneutes Durchführen von Schritt a) zum Erzeugen zusätzlicher veränderter Trainingsdaten 2 für das neuronale Netz 4, 5.
The process includes the step:
  • b) Varying the algorithm 3rd and performing step a) again to generate additional changed training data 2nd for the neural network 4th , 5 .

Die Schritte a) und b) werden in diesem Ausführungsbeispiel 10.000 Mal durchgeführt. Die Datenmenge der veränderten Trainingsdaten 2 ist damit etwa um einen Faktor 10.000 größer als die Datenmenge der vorhandenen Trainingsdaten 1.Steps a) and b) are carried out 10,000 times in this exemplary embodiment. The amount of data of the changed training data 2nd is approximately 10,000 times larger than the amount of data in the existing training data 1 .

Der Algorithmus 3 ist dergestalt, dass Trainingsdaten 1, 2 komprimiert werden.The algorithm 3rd is such that training data 1 , 2nd be compressed.

In diesem Ausführungsbeispiel werden die vorhandenen Trainingsdaten 1, 2 verlusthaft komprimiert. Dies ermöglicht eine Veränderung der vorhandenen Trainingsdaten 1 zu veränderten Trainingsdaten 2.In this embodiment, the existing training data 1 , 2nd lossy compressed. This enables the existing training data to be changed 1 to changed training data 2nd .

Der Algorithmus 3 ist dergestalt, dass Trainingsdaten 1, 2 dekomprimiert werden.The algorithm 3rd is such that training data 1 , 2nd be decompressed.

Die vorhandenen Trainingsdaten 1 umfassen Bilddaten, wobei der Algorithmus 3 eine Bildkompression umfasst.The existing training data 1 include image data, the algorithm 3rd includes image compression.

Das neuronale Netz 5 wird trainiert, um eine Objekterkennung auf Basis der Trainingsdaten 1, 2 durchzuführen. Die vorhandenen Trainingsdaten 1 umfassen Bilddaten, insbesondere Bilder 7. Die Bilder 7 umfassen Bilder, welche Objekte zeigen, die für die Objekterkennung relevant sind.The neural network 5 is trained to object detection based on the training data 1 , 2nd perform. The existing training data 1 include image data, especially images 7 . The pictures 7 include images showing objects that are relevant to object recognition.

Die Bilder 7 werden komprimiert zu komprimierten Bildern 8. Nach der Dekompression ergeben sich veränderte Bilder 9, 9a, 9b, 9c, 9d. Die Bilder 9, 9a, 9b, 9c, 9d sind dabei verändert im Vergleich zu den vorhandenen Bildern 7. Die veränderten Trainingsdaten 1 umfassen ebenfalls Bilddaten und insbesondere Bilder 9, 9a, 9b, 9c, 9d welche Objekte zeigen, die für die Objekterkennung relevant sind.The pictures 7 are compressed into compressed images 8th . Images change after decompression 9 , 9a , 9b , 9c , 9d . The pictures 9 , 9a , 9b , 9c , 9d are changed compared to the existing images 7 . The changed training data 1 also include image data and in particular images 9 , 9a , 9b , 9c , 9d which show objects that are relevant for object recognition.

Dies ermöglicht ein Training der Objekterkennung des neuronalen Netzes 5 mit einer großen Anzahl an Bildern 9, 9a, 9b, 9c, 9d. Dies ermöglicht eine bessere Objekterkennung durch das neuronale Netz 5.This enables training in object recognition of the neural network 5 with a large number of images 9 , 9a , 9b , 9c , 9d . This enables one better object recognition through the neural network 5 .

Der Algorithmus 3 umfasst eine Bildkompression der JPEG Norm. Alternativ umfasst der Algorithmus 3 Bildkompressionen der GIF oder PNG Norm.The algorithm 3rd includes image compression of the JPEG standard. Alternatively, the algorithm includes 3rd Image compression of the GIF or PNG standard.

Durch die JPEG Norm wird eine verlusthafte Kompression derart ermöglicht, dass sich die vorhandenen Trainingsdaten 1 von den veränderten Trainingsdaten 2 unterscheiden. Zusätzlich ist es eine der am weitesten verbreiteten Kompressionsverfahren für Bilder, wodurch es von einer Vielzahl von Geräten unterstützt wird.The JPEG standard enables lossy compression in such a way that the existing training data 1 from the changed training data 2nd differentiate. In addition, it is one of the most widely used image compression methods, which supports a wide range of devices.

Das Variieren des Algorithmus 3 erfolgt automatisiert.Varying the algorithm 3rd is automated.

In diesem Ausführungsbeispiel erfolgt eine Variation des Algorithmus 3 über ein Anpassen der JPEG Qualitätsstufe. Dies ist einfach automatisiert durchführbar und ermöglicht eine schnelle Erzeugung einer Vielzahl an veränderten Trainingsdaten 2 ohne, dass manuelles Eingreifen nötig ist.In this embodiment, the algorithm is varied 3rd by adjusting the JPEG quality level. This can be carried out easily in an automated manner and enables a large number of changed training data to be generated quickly 2nd without the need for manual intervention.

Eine zusätzliche Variation erfolgt über das Wechseln zwischen 8 Bit und 12 Bit Kodierung und/oder über einen Wechsel zwischen Sequenzieller und/oder Progressiver Codierung.An additional variation takes place by changing between 8 bit and 12 bit coding and / or by changing between sequential and / or progressive coding.

Dies ermöglicht eine Vervielfältigung der vorhandenen Trainingsdaten 1 und damit eine Erhöhung der Datenmenge für die veränderten Trainingsdaten 2.This enables the existing training data to be reproduced 1 and thus an increase in the amount of data for the changed training data 2nd .

Die vorhandenen Trainingsdaten 1 umfassen alternativ Videodaten und/oder Audiodaten, wobei der Algorithmus 3 eine Videokompression und/oder eine Audiokompression umfasst.The existing training data 1 alternatively include video data and / or audio data, the algorithm 3rd includes video compression and / or audio compression.

Der Algorithmus 3 umfasst in dieser alternativen Ausgestaltung eine Videokompression der MPEG Norm für Videodaten. Dazu alternativ sind auch Kompressionen der VP Norm oder der MJPEG Norm denkbar.The algorithm 3rd in this alternative embodiment comprises video compression of the MPEG standard for video data. Alternatively, compressions of the VP norm or the MJPEG norm are also conceivable.

Der Algorithmus 3 umfasst in der alternativen Ausgestaltung eine Audiokompression der der MP3 Norm. Dazu alternativ sind auch Kompressionen der AC Norm, MP2 Norm, WMA Norm, LPEC Norm und/oder OPUS Norm denkbar.The algorithm 3rd in the alternative embodiment comprises audio compression of the MP3 standard. Alternatively, compressions of the AC standard, MP2 standard, WMA standard, LPEC standard and / or OPUS standard are also conceivable.

Ein Ausführungsbeispiel eines erfindungsgemäßen Computerprogrammprodukts umfasst ein Programm das, wenn es von einem Computer ausgeführt wird, den Computer veranlasst, ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens durchzuführen.An embodiment of a computer program product according to the invention comprises a program which, when executed by a computer, causes the computer to carry out an embodiment of a method according to the invention.

Ein Ausführungsbeispiel einer erfindungsgemäßen Rechenvorrichtung 6 zum Erzeugen von Trainingsdaten 2 für ein Neuronales Netz 5 ist ausgebildet und eingerichtet, ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens durchzuführen.An embodiment of a computing device according to the invention 6 for generating training data 2nd for a neural network 5 is designed and set up to carry out an embodiment of a method according to the invention.

Ein Ausführungsbeispiel eines erfindungsgemäßen neuronales Netzes 5 ist trainiert mit Trainingsdaten 2, welche erzeugt wurden mit einem Ausführungsbeispiel eines erfindungsgemäßen Verfahrens.An embodiment of a neural network according to the invention 5 is trained with training data 2nd , which were generated with an embodiment of a method according to the invention.

ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE 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 documents listed by the applicant has been generated automatically and is only included 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

  • US 2018293706 [0002]US 2018293706 [0002]

Claims (10)

Verfahren zum Erzeugen von Trainingsdaten (1, 2) für ein neuronales Netz (4), umfassend den Schritt: a) Verändern von vorhandenen Trainingsdaten (1) für ein neuronales Netz (5) zu veränderten Trainingsdaten (2) für das neuronale Netz (5) mittels eines Algorithmus (3).Method for generating training data (1, 2) for a neural network (4), comprising the step: a) changing existing training data (1) for a neural network (5) to changed training data (2) for the neural network (5) using an algorithm (3). Verfahren nach Anspruch 1, umfassend den Schritt: b) Variieren des Algorithmus (3) und erneutes Durchführen von Schritt a) zum Erzeugen zusätzlicher veränderter Trainingsdaten (2) für das neuronale Netz (5).Procedure according to Claim 1 , comprising the step: b) varying the algorithm (3) and performing step a) again to generate additional changed training data (2) for the neural network (5). Verfahren nach einem der vorhergehenden Ansprüche, wobei der Algorithmus (3) dergestalt ist, dass Trainingsdaten (1, 2) komprimiert werden.Method according to one of the preceding claims, wherein the algorithm (3) is such that training data (1, 2) are compressed. Verfahren nach einem der vorhergehenden Ansprüche, wobei der Algorithmus (3) dergestalt ist, dass Trainingsdaten (1, 2) dekomprimiert werden.Method according to one of the preceding claims, wherein the algorithm (3) is such that training data (1, 2) are decompressed. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Variieren des Algorithmus (3) automatisiert erfolgt.Method according to one of the preceding claims, wherein the variation of the algorithm (3) takes place automatically. Verfahren nach einem der vorhergehenden Ansprüche, wobei die vorhandenen Trainingsdaten (1) Bilddaten umfassen, und wobei der Algorithmus (3) eine Bildkompression umfasst.Method according to one of the preceding claims, wherein the existing training data (1) comprise image data, and wherein the algorithm (3) comprises image compression. Verfahren nach einem der vorhergehenden Ansprüche, wobei die vorhandenen Trainingsdaten (1) Videodaten und/oder Audiodaten umfassen, und wobei der Algorithmus (3) eine Videokompression und/oder einen Audiokompression umfasst.Method according to one of the preceding claims, wherein the existing training data (1) comprise video data and / or audio data, and wherein the algorithm (3) comprises video compression and / or audio compression. Computerprogrammprodukt, umfassend ein Programm das, wenn es von einem Computer ausgeführt wird, den Computer veranlasst, ein Verfahren nach einem der Ansprüche 1 bis 7 durchzuführen.A computer program product comprising a program that, when executed by a computer, causes the computer to perform a method according to one of the Claims 1 to 7 perform. Rechenvorrichtung (6) zum Erzeugen von Trainingsdaten (2) für ein neuronales Netz (5), ausgebildet und eingerichtet, ein Verfahren nach einem der Ansprüche 1 bis 7 durchzuführen.Computing device (6) for generating training data (2) for a neural network (5), designed and set up, a method according to one of the Claims 1 to 7 perform. Neuronales Netz (5), trainiert mit Trainingsdaten (2), welche erzeugt wurden mit einem Verfahren nach einem der Ansprüche 1 bis 7.Neural network (5), trained with training data (2), which were generated with a method according to one of the Claims 1 to 7 .
DE102020002511.0A 2019-05-23 2020-04-25 Method for generating training data for a neural network Pending DE102020002511A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019113851.5 2019-05-23
DE102019113851.5A DE102019113851A1 (en) 2019-05-23 2019-05-23 Method for generating training data for a neural network

Publications (1)

Publication Number Publication Date
DE102020002511A1 true DE102020002511A1 (en) 2020-06-18

Family

ID=67224038

Family Applications (2)

Application Number Title Priority Date Filing Date
DE102019113851.5A Withdrawn DE102019113851A1 (en) 2019-05-23 2019-05-23 Method for generating training data for a neural network
DE102020002511.0A Pending DE102020002511A1 (en) 2019-05-23 2020-04-25 Method for generating training data for a neural network

Family Applications Before (1)

Application Number Title Priority Date Filing Date
DE102019113851.5A Withdrawn DE102019113851A1 (en) 2019-05-23 2019-05-23 Method for generating training data for a neural network

Country Status (1)

Country Link
DE (2) DE102019113851A1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020203514A1 (en) 2020-03-19 2021-09-23 Zf Friedrichshafen Ag Method for generating training data, vehicle and training system

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180293706A1 (en) 2017-04-05 2018-10-11 Here Global B.V. Deep convolutional image up-sampling

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180293706A1 (en) 2017-04-05 2018-10-11 Here Global B.V. Deep convolutional image up-sampling

Also Published As

Publication number Publication date
DE102019113851A1 (en) 2019-08-01

Similar Documents

Publication Publication Date Title
DE102016125918A1 (en) Compressed recurrent neural network models
DE102020002511A1 (en) Method for generating training data for a neural network
EP1606794A1 (en) Speaker-dependent voice recognition method and voice recognition system
DE102021204550A1 (en) Method for generating at least one data set for training a machine learning algorithm
DE112018007277T5 (en) DEVICE AND METHOD FOR AUTOMATIC ERROR THRESHOLD DETECTION FOR IMAGES
EP3719651A1 (en) Method for characterizing the operating state of a computer system
DE102009031872A1 (en) Method and device for automatically searching for documents in a data memory
DE102007012634A1 (en) Automatically creating a mesh of a component model
DE102021208759A1 (en) Method of training a machine learning algorithm to generate test specifications for testing a software-based system
EP2137649B1 (en) Automatic mesh generation method for a component model
DE102019119568A1 (en) Method for identifying a conspicuous traffic situation
EP2812788A1 (en) Method for deleting information, use of a method, computer program product and computer system
DE102020106953A1 (en) Control validation procedure
DE102021213425A1 (en) Method for generating an output based on an input
WO2023175376A1 (en) Generating and assigning metadata
DE102019203010A1 (en) Method for providing current data in a motor vehicle and data provision system
EP3494507B1 (en) Method for checking the availability and integrity of a data object stored in a distributed manner
DE102020115192A1 (en) Computer-implemented method for simulating an accident in a motor vehicle using a neural network
DE102004051771A1 (en) Apparatus and methods for testing and determining test values
DE102021001518A1 (en) Method for data-based communication between a first person and a second person by means of a communication system
WO2016146169A1 (en) Determining behavior-similar components for a system
DE112019003220T5 (en) Information processing apparatus, information processing system, program and information processing method
DE10147558A1 (en) Process for developing a complex vehicle
DE102020207324A1 (en) Plausibility check of the output of an image classifier with a generator for modified images
DE102017222549A1 (en) Control procedure and speech dialogue system

Legal Events

Date Code Title Description
R084 Declaration of willingness to licence
R230 Request for early publication