DE102020207564A1 - Method and apparatus for training an image classifier - Google Patents
Method and apparatus for training an image classifier Download PDFInfo
- Publication number
- DE102020207564A1 DE102020207564A1 DE102020207564.6A DE102020207564A DE102020207564A1 DE 102020207564 A1 DE102020207564 A1 DE 102020207564A1 DE 102020207564 A DE102020207564 A DE 102020207564A DE 102020207564 A1 DE102020207564 A1 DE 102020207564A1
- Authority
- DE
- Germany
- Prior art keywords
- quality value
- output signal
- image
- quality
- classification
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
- B25J9/1697—Vision controlled systems
-
- 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)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
Computerimplementiertes Verfahren zum Trainieren eines ersten Bildklassifikators (60), wobei der erste Bildklassifikator (60) ausgebildet ist zu einem dem ersten Bildklassifikator (60) übermittelten Eingabebild (x) ein erstes Ausgabesignal (y) und einen Gütewert (g) zu ermitteln, wobei das erste Ausgabesignal (y) eine Klassifikation des Eingabebildes charakterisiert und der Gütewert (g) eine Güte der Klassifikation charakterisiert, wobei das Verfahren zum Trainieren die folgenden Schritte umfasst:• Bereitstellen (501) eines zweiten Bildklassifikators, wobei der zweite Bildklassifikator ausgebildet ist, zu einem übermittelten Eingabebild (x) ein zweites Ausgabesignal zu ermitteln, wobei das zweite Ausgabesignal eine Klassifikation des Eingabebildes (x) charakterisiert;• Ermitteln (502) von einer Mehrzahl von zweiten Ausgabesignalen zu einer Mehrzahl von Eingabebildern mittels des zweiten Bildklassifikators,• Ermitteln (503) eines zu einem Eingabebild korrespondierenden Gütewertes, wobei der Gütewert basierend auf einem dem Eingabebild zugeordneten zweiten Ausgabesignal und dem zugeordneten gewünschten Ausgabesignal ermittelt wird und eine Güte der Klassifikation des zweiten Ausgabesignals charakterisiert;• Ermitteln (504) eines Gütewertmodells basierend auf einer Mehrzahl von Eingabebildern und korrespondieren Gütewerten, wobei das Gütewertmodell ausgebildet ist zu einem Eingabebild einen Gütewert zu ermitteln;• Bereitstellen (505) des zweiten Bildklassifikators und des Gütewertmodells als ersten Bildklassifikator.Computer-implemented method for training a first image classifier (60), the first image classifier (60) being designed to determine a first output signal (y) and a quality value (g) for an input image (x) transmitted to the first image classifier (60), the first output signal (y) characterizes a classification of the input image and the quality value (g) characterizes a quality of the classification, the method for training comprising the following steps: • providing (501) a second image classifier, the second image classifier being formed into a transmitted input image (x) to determine a second output signal, wherein the second output signal characterizes a classification of the input image (x);• determining (502) a plurality of second output signals for a plurality of input images by means of the second image classifier,• determining (503) a quality value corresponding to an input image, where the quality value is determined based on a second output signal assigned to the input image and the assigned desired output signal and characterizes a quality of the classification of the second output signal;• determining (504) a quality value model based on a plurality of input images and corresponding quality values, the quality value model being designed to determining a quality value from an input image;• providing (505) the second image classifier and the quality value model as a first image classifier.
Description
Stand der TechnikState of the art
Vorteile der ErfindungAdvantages of the invention
Bildklassifikatoren können verwendet werden, um die Umwelt eines zumindest teilautomatisierten Roboters wahrzunehmen. Diese Wahrnehmung kann dann verwendet werden, um mögliche Aktionen des Roboters zu planen.Image classifiers can be used to perceive the environment of an at least partially automated robot. This perception can then be used to plan possible actions of the robot.
Bildklassifikatoren können jedoch Fehler bei der Umfeldwahrnehmung begehen, die ein ungewünschtes oder sogar gefährliches Verhalten des Roboters provozieren können. Zum Beispiel ist denkbar, dass der Roboter ein zumindest teilautomatisiertes Fahrzeug ist und ein Bildklassifikator zur Wahrnehmung von in der Nähe des Fahrzeugs befindlichen Fußgängern verwendet wird, um basierend auf der Wahrnehmung eine kollisionsfreie Trajektorie durch die Umwelt zu planen. Falls der Bildklassifikator einen Fußgänger fälschlicherweise nicht detektiert, kann dies zu einer Trajektorie führen, auf der das Fahrzeug mit dem nicht erkannten Fußgänger kollidiert.Image classifiers can, however, make mistakes in the perception of the surroundings, which can provoke undesired or even dangerous behavior of the robot. For example, it is conceivable that the robot is an at least partially automated vehicle and an image classifier is used to perceive pedestrians in the vicinity of the vehicle in order to plan a collision-free trajectory through the environment based on the perception. If the image classifier incorrectly does not detect a pedestrian, this can lead to a trajectory on which the vehicle collides with the undetected pedestrian.
Der Vorteil des Verfahrens mit den Merkmalen des unabhängigen Anspruchs 1 ist, dass es erlaubt einen Bildklassifikator zu trainieren, der zusätzlich zur Klassifikation einen Gütewert ermittelt, der charakterisiert, inwiefern die Klassifikation des Bildklassifikators korrekt ist. Dieser Wert erlaubt das Ansteuern eines zumindest teilautomatisierten Roboters wesentlich sicherer zu gestalten. Zum Beispiel ist denkbar, dass bei einem ermittelten niedrigen Gütewert das Fahrzeug aus dem genannten Beispiel sich nur mit sehr niedriger Geschwindigkeit bewegen darf oder die Geschwindigkeit reduziert wird. Weiterhin ist denkbar, dass in diesem Fall die Steuerung des Fahrzeugs an einen Fahrer oder eine Leitstelle übergeben wird.The advantage of the method with the features of independent claim 1 is that it allows an image classifier to be trained which, in addition to the classification, determines a quality value that characterizes the extent to which the classification of the image classifier is correct. This value allows the control of an at least partially automated robot to be made much safer. For example, it is conceivable that when a low quality value is determined, the vehicle from the example mentioned may only move at a very low speed or that the speed is reduced. It is also conceivable that in this case the control of the vehicle is transferred to a driver or a control center.
Der Gütewert verbessert dadurch das Verhalten eines Roboters hin zu einem sichereren und entsprechend gewünschtem Verhalten.The quality value improves the behavior of a robot towards a safer and correspondingly desired behavior.
Offenbarung der ErfindungDisclosure of the invention
In einem ersten Aspekt beschäftigt sich die Erfindung mit einem computerimplementierten Verfahren zum Trainieren eines ersten Bildklassifikators, wobei der erste Bildklassifikator ausgebildet ist zu einem dem ersten Bildklassifikator übermittelten Eingabebild ein erstes Ausgabesignal und einen Gütewert zu ermitteln, wobei das erste Ausgabesignal eine Klassifikation des Eingabebildes charakterisiert und der Gütewert eine Güte der Klassifikation charakterisiert, wobei das Verfahren zum Trainieren die folgenden Schritte umfasst:
- • Bereitstellen eines zweiten Bildklassifikators, wobei der zweite Bildklassifikator ausgebildet ist, zu einem übermittelten Eingabebild ein zweites Ausgabesignal zu ermitteln, wobei das zweite Ausgabesignal eine Klassifikation des Eingabebildes charakterisiert;
- • Ermitteln von einer Mehrzahl von zweiten Ausgabesignalen zu einer Mehrzahl von Eingabebildern mittels des zweiten Bildklassifikators, wobei einem Eingabebild der Mehrzahl von Eingabebildern ein gewünschtes Ausgabesignal zugeordnet ist und ein zweites Ausgabesignal aus der Mehrzahl von zweiten Ausgabesignalen dem Eingabebild zugeordnet wird welches vom zweiten Bildklassifikator für das Eingabebild ermittelt wurde;
- • Ermitteln eines zu einem Eingabebild korrespondierenden Gütewertes, wobei der Gütewert basierend auf einem dem Eingabebild zugeordneten zweiten Ausgabesignal und dem zugeordneten gewünschten Ausgabesignal ermittelt wird und eine Güte der Klassifikation des zweiten Ausgabesignals charakterisiert;
- • Ermitteln eines Gütewertmodells basierend auf einer Mehrzahl von Eingabebildern und korrespondieren Gütewerten, wobei das Gütewertmodell ausgebildet ist zu einem Eingabebild einen Gütewert zu ermitteln;
- • Bereitstellen des zweiten Bildklassifikators und des Gütewertmodells als ersten Bildklassifikator.
- • providing a second image classifier, the second image classifier being designed to determine a second output signal for a transmitted input image, the second output signal characterizing a classification of the input image;
- • Determination of a plurality of second output signals for a plurality of input images by means of the second image classifier, with one input image of the plurality of input images being assigned a desired output signal and a second output signal from the plurality of second output signals being assigned to the input image which is assigned by the second image classifier for the Input image was determined;
- • Determining a quality value corresponding to an input image, the quality value being determined based on a second output signal assigned to the input image and the assigned desired output signal and characterizing a quality of the classification of the second output signal;
- • Determining a quality value model based on a plurality of input images and corresponding quality values, the quality value model being designed to determine a quality value for an input image;
- • Providing the second image classifier and the quality model as the first image classifier.
Das Verfahren kann als eine Möglichkeit verstanden werden, einen Bildklassifikator um ein Gütewertmodell zu erweitern, welches zum Zeitpunkt der Klassifikation ermitteln kann, inwiefern die Klassifikation des Bildklassifikators korrekt ist. Zu diesem Zweck ermittelt das Verfahren während des Trainings des Bildklassifikators jeweils Gütewerte des zweiten Klassifikators auf einer Mehrzahl von Bildern, mit denen anschließend das Gütewertmodell trainiert wird. Das Gütewertmodell ist daher in der Lage nach dem Training die Güte der Klassifikation des zweiten Bildklassifikators zu ermitteln.The method can be understood as a possibility of adding a quality value model to an image classifier, which at the time of classification can determine to what extent the classification of the image classifier is correct. For this purpose, the method determines quality values of the second classifier on a plurality of images during the training of the image classifier, with which the quality value model is then trained. The quality value model is therefore able to determine the quality of the classification of the second image classifier after the training.
Ein Bildklassifikator kann im Allgemeinen ein Eingabebild falsch klassifizieren. Die Güte einer Klassifikation kann daher als ein Maß verstanden werden, inwiefern ein von einem Bildklassifikator ermitteltes Ausgabesignal von einem gewünschten Ausgabesignal abweicht. Eine hohe Güte kann eine entsprechende korrekte Klassifikation anzeigen, während eine niedrige Güte eine entsprechende Fehlklassifikation anzeigen kann.An image classifier can generally misclassify an input image. The quality of a classification can therefore be understood as a measure of the extent to which an output signal determined by an image classifier deviates from a desired output signal. A high quality can indicate a corresponding correct classification, while a low quality can indicate a corresponding misclassification.
Während Klassifikationen diskret sind, können Bildklassifikatoren einer Klassifikation beispielsweise einen prozentualen Wert zuordnen, über den bestimmt werden kann, inwiefern der Bildklassifikator sich der klassifizierten Klasse sicher ist. In diesem Sinn kann die Güte einer Klassifikation als ein kontinuierliches Maß verstanden werden. Zum Beispiel ist denkbar, dass ein Bildklassifikator einer falschen Klasse eine Wahrscheinlichkeit von 51% zuordnet, während er einer korrekten Klasse 49% Wahrscheinlichkeit zuordnen. Die Güte der Klassifikation kann in diesem Fall so gewählt werden, dass sie zwar einer korrekten Klassifikation nicht entspricht, aber ebenso wenig einer komplett falschen Klassifikation, da der korrekten Klasse eine verhältnismäßig hohe Wahrscheinlichkeit zugeordnet wurde.While classifications are discrete, image classifiers can assign a classification, for example, a percentage value that can be used to determine to what extent the Image classifier is sure of the classified class. In this sense, the quality of a classification can be understood as a continuous measure. For example, it is conceivable that an image classifier assigns a probability of 51% to a wrong class, while it assigns a 49% probability to a correct class. In this case, the quality of the classification can be selected such that it does not correspond to a correct classification, but just as little to a completely wrong classification, since a relatively high probability was assigned to the correct class.
Der zweite Bildklassifikator kann zur Ermittlung des zweiten Ausgabesignals ein entsprechendes Eingabebild an ein Machine-Learning-Modell weiterleiten, welches wiederum ausgebildet ist eine Klassifikation des Eingabebildes zu ermitteln, insbesondere ein Convolutional Neural Network. Weiterhin ist denkbar, dass der zweite Bildklassifikator das Eingabebild anpasst, z.B. Farbwerte des Bildes ändern, oder Merkmale aus dem Eingabebild extrahiert, z.B. Kanten, Ecken, Gradienten oder andere über diskrete Faltungen ermittelbare Merkmale, und dann das angepasste Bild bzw. die extrahierten Merkmale an das Machine Learning Modell weiterleitet. Weiterhin ist denkbar, dass der Klassifikator eine Ausgabe des Machine Learning Modells nachverarbeitet und die nachverarbeitete Ausgabe als Ausgabesignal zur Verfügung stellt.To determine the second output signal, the second image classifier can forward a corresponding input image to a machine learning model, which in turn is designed to determine a classification of the input image, in particular a convolutional neural network. It is also conceivable that the second image classifier adapts the input image, e.g. changing color values of the image, or extracts features from the input image, e.g. edges, corners, gradients or other features that can be determined via discrete folds, and then adapts the adapted image or the extracted features forwards the machine learning model. It is also conceivable that the classifier post-processes an output of the machine learning model and makes the post-processed output available as an output signal.
Die Klassifikation, die durch das Ausgabesignal charakterisiert wird, kann dem Eingabebild eine oder mehrere Klassen zuordnen. Alternativ oder zusätzlich kann die Klassifikation auch ein Objekt und seine Position im Eingabebild beschreiben (Objektdetektion). Alternativ oder zusätzlich kann die Klassifikation auch einer Mehrzahl von Pixeln des Eingabebildes eine entsprechende Klasse zuordnen (Semantische Segmentierung).The classification that is characterized by the output signal can assign one or more classes to the input image. Alternatively or additionally, the classification can also describe an object and its position in the input image (object detection). As an alternative or in addition, the classification can also assign a corresponding class to a plurality of pixels of the input image (semantic segmentation).
Ein Bildklassifikator kann ausgebildet sein, Bilddaten eines bestimmten Sensortyps als Eingabebilder zu verarbeiten, insbesondere Bilder, die von einer Videokamera, einem RADAR-Sensoren, einem LIDAR-Sensoren, einem Ultraschallsensor oder einer Thermalkamera aufgezeichnet wurden. Darüber hinaus ist denkbar, dass ein Bildklassifikator derart ausgebildet ist, dass er Bilddaten von Kombinationen verschiedener Sensortypen verarbeiten kann.An image classifier can be designed to process image data of a certain sensor type as input images, in particular images that have been recorded by a video camera, a RADAR sensor, a LIDAR sensor, an ultrasonic sensor or a thermal camera. In addition, it is conceivable that an image classifier is designed in such a way that it can process image data from combinations of different sensor types.
Der Gütewert kann als skalarer Wert verstanden werden, der eine Bewertung der Genauigkeit der Klassifikation charakterisiert. Beispielsweise kann der Gütewert zwischen 0 und 1 liegen und als Wahrscheinlichkeit verstanden werden, dass die Klassifikation des Eingabebildes korrekt. Alternativ ist denkbar, dass der Gütewert diskret ist und eine Güteklasse charakterisiert und das Gütewertmodell wiederum ein Bildklassifikator ist, welches die Güteklasse ermittelt.The quality value can be understood as a scalar value that characterizes an evaluation of the accuracy of the classification. For example, the quality value can be between 0 and 1 and can be understood as the probability that the classification of the input image is correct. Alternatively, it is conceivable that the quality value is discrete and characterizes a quality class and the quality value model is in turn an image classifier which determines the quality class.
Im Allgemeinen kann das Gütewertmodell ein weiteres Machine-Learning-Modell sein, welches entsprechend entweder eine Klassifikation oder eine Regression durchführt.In general, the figure of merit model can be a further machine learning model, which accordingly carries out either a classification or a regression.
Das Bereitstellen des zweiten Bildklassifikators kann auf unterschiedliche Arten durchgeführt werden. Zum Beispiel kann der zweite Bildklassifikator auf einer Mehrzahl von Trainingsbilder trainiert werden. Es ist aber auch denkbar, dass ein bereits trainierter Bildklassifikator aus einer Quelle bezogen wird, wie zum Beispiel dem Internet, und als zweiter Bildklassifikator zur Verfügung gestellt wird.The second image classifier can be provided in different ways. For example, the second image classifier can be trained on a plurality of training images. However, it is also conceivable that an image classifier that has already been trained is obtained from a source, such as the Internet, and is made available as a second image classifier.
Zum Ermitteln eines zu einem Eingabebild korrespondierenden Gütewerts während des Trainings, kann Beispielsweise ein Wert ermitteln werden, der die Abweichung vom zum Eingabebild korrespondierenden gewünschten Ausgabesignal und vom zweiten Bildklassifikator zum Eingabebild ermittelten Ausgabesignal charakterisiert, und der Wert als Gütewert verwendet werden.To determine a quality value corresponding to an input image during training, a value can be determined, for example, which characterizes the deviation from the desired output signal corresponding to the input image and the output signal determined by the second image classifier for the input image, and the value can be used as a quality value.
Im Allgemeinen ist vorstellbar, dass das zum Eingabebild ermittelte Ausgabesignals und das gewünschte Ausgabesignal jeweils als Vektoren vorliegen. Als Gütewert kann in diesem Fall zum Beispiel eine Norm einer Differenz der beiden Vektoren verwendet werden, zum Beispiel die Li-Norm.In general, it is conceivable that the output signal determined for the input image and the desired output signal are each available as vectors. In this case, for example, a norm of a difference between the two vectors can be used as the quality value, for example the Li norm.
Weiterhin ist denkbar, dass die beiden Vektoren als Vektor von Wahrscheinlichkeiten bezüglich der möglichen Klassen vorliegen. In diesem Fall ist denkbar, dass eine Kreuzentropie zwischen den durch die Vektoren charakterisierten Wahrscheinlichkeitsverteilungen als Gütewert verwendet wird.It is also conceivable that the two vectors are present as a vector of probabilities with regard to the possible classes. In this case it is conceivable that a cross entropy between the probability distributions characterized by the vectors is used as the quality value.
In einem weiteren Aspekt der Erfindung ist vorstellbar, dass im Schritt des Ermitteins des Gütewertes der Gütewert zusätzlich basierend auf anderen Eingabebildern zugeordneten zweiten Ausgabesignalen und gewünschten Ausgabesignalen ermittelt wird.In a further aspect of the invention, it is conceivable that, in the step of determining the quality value, the quality value is additionally determined based on second output signals and desired output signals assigned to other input images.
Zum Beispiel ist denkbar, dass die Mehrzahl von Eingabebildern Sequenzen von Eingabebildern enthalten, die einen zeitlichen Verlauf darstellen. Zum Beispiel können Sequenzen aus aufeinanderfolgenden Bildern einer Videoaufnahme bestehen.For example, it is conceivable that the plurality of input images contain sequences of input images that represent a time course. For example, sequences can consist of successive images of a video recording.
Für eine Sequenz kann dann jeweils ein Gütewert ermittelt werden, der anschließend beim Training des Gütewert für alle Eingabebilder der Sequenz verwendet wird. Zum Beispiel ist denkbar, dass jeweils Kreuzentropiewerte für alle Eingabebilder der Sequenz ermittelt werden und als Gütewert der Sequenz der Durchschnitt, der Median, das Minimum oder das Maximum der Kreuzentropiewerte verwendet wird. Weiterhin ist denkbar, dass für die vom zweiten Bildklassifikator ermittelten Ausgabesignale für die Eingabebilder der zweiten Sequenz eine Klassifikationsperformanz bezüglich der Sequenz als Gütewert verwendet wird. Zum Beispiel ist denkbar, dass für die Sequenz die Klassifikationsgenauigkeit ermittelt wird und als Gütewert für alle Eingabebilder zum Training des Gütewertmodells verwendet wird.A quality value can then be determined for each sequence, which is then used when training the quality value for all input images of the sequence. For example, it is conceivable that cross entropy values are determined for all input images of the sequence and that the quality value is the Sequence the mean, median, minimum, or maximum of the cross entropy values is used. It is also conceivable that a classification performance with respect to the sequence is used as the quality value for the output signals determined by the second image classifier for the input images of the second sequence. For example, it is conceivable that the classification accuracy is determined for the sequence and used as a quality value for all input images for training the quality value model.
Für den Fall, dass die Bildklassifikatoren zur Objektdetektion ausgebildet sind, kann das Verfahren mit Average Precision oder Mean Average Precision als Klassifikationsperformanz durchgeführt werden.In the event that the image classifiers are designed for object detection, the method can be carried out with Average Precision or Mean Average Precision as the classification performance.
Für den Fall, dass die Bildklassifikatoren zur semantischen Segmentierung ausgebildet sind, kann das Verfahren mit der Intersection over Union oder mean Intersection over Union als Klassifikationsperformanz durchgeführt werden.In the event that the image classifiers are designed for semantic segmentation, the method can be carried out with the intersection over union or mean intersection over union as classification performance.
Der Vorteil der Verwendung von anderen Ausgabesignalen zur Ermittlung eines Gütewertes ist, dass das Gütewertmodell nicht nur mit Informationen bezüglich eines Eingabebildes trainiert wird, sondern darüber hinaus Informationen von anderen Eingabebildern erhält. Dies ermöglicht es dem Gütewertmodell Situationen zu bestimmen, in denen die Klassifikation des aktuellen Eingabebildes zwar noch eine hohe Güte aufweist, sich jedoch in sehr kurzer Zeit ändert. Hierdurch erhält das Gütewertmodell die Möglichkeit bestimmte zukünftige Klassifikationsgüten zu antizipieren und dies im Gütewert anzuzeigen. Ein System, welches den Gütewert z.B. zur Steuerung verwendet, kann hierdurch auf ein mögliches baldiges verschlechtern der Klassifikationsgüte hingewiesen werden und entsprechende Maßnahmen einleiten, um das System weiter in einem gewünschten Zustand zu halten. Dies erhöht die Performanz, Zuverlässigkeit und Sicherheit des Systems.The advantage of using other output signals to determine a quality value is that the quality value model is not only trained with information relating to an input image, but also receives information from other input images. This enables the quality model to determine situations in which the classification of the current input image is still of high quality, but changes in a very short time. This gives the quality model the possibility to anticipate certain future classification qualities and to display this in the quality value. A system that uses the quality value, e.g. for control purposes, can be notified of a possible deterioration in the quality of the classification in the near future and appropriate measures can be taken to keep the system in a desired state. This increases the performance, reliability and security of the system.
In einem weiteren Aspekt beschäftigt sich die Erfindung mit einem computerimplementierten Verfahren zum Ansteuern eines Aktors basierend auf einem Ausgabesignal und einem Gütewert, wobei das Ausgabesignal eine Klassifikation eines Eingabebildes charakterisiert und der Gütewert eine Güte der Klassifikation charakterisiert, umfassend die Schritte:
- • Trainieren eines ersten Bildklassifikators nach einem der vorhergehenden Aspekte;
- • Bereitstellen des ersten Bildklassifikators an ein Steuerungssystem;
- • Ermitteln des Ausgabesignals und des Gütewerts durch das Steuerungssystem, wobei das Steuerungssystem das Eingabebild an den ersten Bildklassifikator übermittelt, um das Ausgabesignal und den Gütewert zu ermitteln;
- • Ansteuern des Aktors entsprechend der durch das Ausgabesignal charakterisierten Klassifikation und der durch den Gütewert charakterisierten Güte der Klassifikation.
- • training a first image classifier according to one of the preceding aspects;
- • Providing the first image classifier to a control system;
- Determination of the output signal and the quality value by the control system, the control system transmitting the input image to the first image classifier in order to determine the output signal and the quality value;
- • Activation of the actuator in accordance with the classification characterized by the output signal and the quality of the classification characterized by the quality value.
Unter einem Aktor kann eine Vorrichtung verstanden werden, die ein Signal in eine mechanische Bewegung bzw. Veränderung physikalischer Größen umwandelt. Zum Beispiel kann ein Aktor ein Motor sein, der einen zumindest teilweise automatisierten Roboter antreibt.An actuator can be understood to mean a device that converts a signal into a mechanical movement or change in physical quantities. For example, an actuator can be a motor that drives an at least partially automated robot.
Der Vorteil dieser Herangehensweise ist, dass zur Steuerung des Aktors neben der eigentlichen Klassifikation die Güte der Klassifikation mitberücksichtigt werden kann. Zum Beispiel ist denkbar, dass bei einer niedrigen Güte der Aktor in seiner Bewegung bzw. Fähigkeit zur Veränderung physikalischer Größen entsprechend eingeschränkt wird. Beispielsweise ist denkbar, dass der Aktor ein Motor ist und bei einem entsprechenden niedrigen Gütewert die maximale Geschwindigkeit des Motors eingeschränkt wird. Dies bietet den Vorteil, dass der Aktor auch bei einer möglichen Fehlklassifikation des Bildklassifikators weiter korrekt und sicher betrieben werden kann.The advantage of this approach is that, in addition to the actual classification, the quality of the classification can also be taken into account to control the actuator. For example, it is conceivable that in the case of a low quality the actuator is correspondingly restricted in its movement or ability to change physical quantities. For example, it is conceivable that the actuator is a motor and the maximum speed of the motor is restricted at a correspondingly low quality value. This offers the advantage that the actuator can continue to be operated correctly and safely even in the event of a possible misclassification of the image classifier.
In einem weiteren Aspekt ist denkbar, dass das Verfahren aus dem vorherigen Aspekt verwendet wird, um einen zumindest teilweise automatisierten Roboter zu steuern und eine maximale Bewegungsgeschwindigkeit des Roboters begrenzt wird und/oder eine dem Roboter mögliche Aktionen nicht ausgeführt wird und/oder die Steuerung des Roboters an einen Menschen übergeben wird genau dann, wenn der Gütewert eine inadäquate Güte der Klassifikation anzeigt.In a further aspect, it is conceivable that the method from the previous aspect is used to control an at least partially automated robot and a maximum movement speed of the robot is limited and / or an action possible for the robot is not carried out and / or the control of the Robot is handed over to a human precisely when the quality value indicates an inadequate quality of the classification.
Unter einem zumindest teilweise automatisierten Roboter kann ein Roboter verstanden werden, der zumindest zeitweise eine Aufgabe ohne die Steuerung eines Menschen durchführt. Ein solcher Roboter kann zum Beispiel ein zumindest teilweise autonomes Fahrzeug sein. Ein ermittelter Gütewert kann zum Beispiel als inadäquat erachtet werden, wenn ein hoher Gütewert eine entsprechende hohe Güte der Klassifikation anzeigt und der ermittelte Gütewert unter einen vordefinierten Schwellenwert fällt.An at least partially automated robot can be understood to mean a robot that at least temporarily performs a task without human control. Such a robot can, for example, be an at least partially autonomous vehicle. An ascertained quality value can be regarded as inadequate, for example, if a high quality value indicates a correspondingly high quality of the classification and the ascertained quality value falls below a predefined threshold value.
In diesem Fall kann zum Beispiel bestimmt werden, dass nicht mehr alle Aktionen, die der Roboter in der Lage wäre durchzuführen, sicher sind, da die Umwelt des Roboters nicht als korrekt klassifiziert erachtet werden kann. Im Fall des zumindest teilweise automatisierten Fahrzeugs kann beispielsweise bestimmt werden, dass das Fahrzeug keine Spurwechsel mehr durchführen darf, falls der Gütewert unter den vordefinierten Schwellenwert fällt.In this case, it can be determined, for example, that not all actions that the robot would be able to perform are safe, since the environment of the robot cannot be considered to be correctly classified. In the case of the at least partially automated vehicle, it can be determined, for example, that the vehicle is no longer allowed to change lanes if the quality value falls below the predefined threshold value.
Der Vorteil dieser Herangehensweise ist, dass der Roboter auch bei einer Fehlklassifikation der Umwelt weiter sicher betrieben werden kann, indem sein Funktionsumfang entweder beschränkt wird oder die Steuerung an einen Menschen übergeben wird.The advantage of this approach is that the robot can continue to operate safely even in the event of a misclassification of the environment by either limiting its functional scope or handing control over to a person.
Nachfolgend werden Ausführungsformen der Erfindung unter Bezugnahme auf die beiliegenden Zeichnungen näher erläutert. In den Zeichnungen zeigen:
-
1 schematisch einen Aufbau eines Steuerungssystems zur Ansteuerung eines Aktors; -
2 schematisch ein Ausführungsbeispiel zur Steuerung eines wenigstens teilautonomen Roboters; -
3 schematisch ein Ausführungsbeispiel zur Steuerung eines Fertigu ngssystems; -
4 schematisch ein Ausführungsbeispiel zur Steuerung eines persönlichen Assistenten und -
5 ein Flussdiagramm mit Schritten zum Trainieren eines Bildklassifikators.
-
1 schematically a structure of a control system for controlling an actuator; -
2 schematically an embodiment for controlling an at least partially autonomous robot; -
3 schematically an embodiment for controlling a manufacturing system; -
4th schematically an embodiment for controlling a personal assistant and -
5 Figure 12 is a flowchart showing steps for training an image classifier.
Beschreibung der AusführungsbeispieleDescription of the exemplary embodiments
Das Steuerungssystem (
Der erste Bildklassifikator (
Der erste Bildklassifikator (
Das Ausgabesignal (
Der Aktor (
In weiteren Ausführungsformen umfasst das Steuerungssystem (
In weiteren bevorzugten Ausführungsformen umfasst das Steuerungssystem (
In alternativen Ausführungsformen ist alternativ oder zusätzlich zum Aktor (
Bei dem Sensor (
Der erste Bildklassifikator (
Bei dem vorzugsweise im Kraftfahrzeug (
Für den Fall, dass ein Gütewert (
Alternativ ist auch vorstellbar, dass, falls der Gütewert (
Alternativ kann es sich bei dem wenigstens teilautonomen Roboter auch um einen anderen mobilen Roboter (nicht abgebildet) handeln, beispielsweise um einen solchen, der sich durch Fliegen, Schwimmen, Tauchen oder Schreiten fortbewegt. Bei dem mobilen Roboter kann es sich beispielsweise auch um einen wenigstens teilautonomen Rasenmäher oder einen wenigstens teilautonomen Putzroboter handeln. Auch in diesen Fällen kann das Ansteuersignal (
Bei dem Sensor (
Fall der ermittelte Gütewert (
Abhängig von den Signalen des Sensors (
Falls der zu einem Eingabebild (
Diese entsprechende Ansteuerung kann beispielsweise beinhalten, dass der persönliche Assistent (
Anstelle des persönlichen Assistenten (
In einem ersten Schritt (
In einem zweiten Schritt (
Alternativ ist auch vorstellbar, dass der erste Trainingsdatensatz (T1) als zweiter Trainingsdatensatz (T2) verwendet wird.Alternatively, it is also conceivable that the first training data set (T 1 ) is used as the second training data set (T 2).
Aus den ermittelten Ausgabesignalen und gewünschten Ausgabesignalen wird in einem dritten Schritt (
Alternativ ist vorstellbar, dass der Gütewert für ein Eingabebild auch basierend auf den ermittelten und gewünschten Ausgabesignalen anderer Eingabebilder ermittelt wird. Zum Beispiel ist denkbar, dass die Eingabebilder des zweiten Trainingsdatensatzes (T2) als Sequenzen von Aufnahmen einer Videokamera vorliegen. In diesem Fall können die Gütewerte für die Eingabebilder einer Sequenz derart ermittelt werden, dass für die Sequenz ein Gütewert bestimmt wird und dieser Gütewert für alle Eingabebilder der Sequenz als Gütewert verwendet wird.Alternatively, it is conceivable that the quality value for an input image is also determined based on the determined and desired output signals of other input images. For example, it is conceivable that the input images of the second training data set (T 2 ) are available as sequences of recordings from a video camera. In this case, the quality values for the input images of a sequence can be determined in such a way that a quality value is determined for the sequence and this quality value is used as a quality value for all input images of the sequence.
In einem vierten Schritt (
In einem fünften Schritt (
Der Begriff „Computer“ umfasst beliebige Geräte zur Abarbeitung vorgebbarer Rechenvorschriften. Diese Rechenvorschriften können in Form von Software vorliegen, oder in Form von Hardware, oder auch in einer Mischform aus Software und Hardware.The term “computer” encompasses any device for processing specifiable arithmetic rules. These calculation rules can be in the form of software, or in the form of hardware, or also in a mixed form of software and hardware.
Claims (10)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020207564.6A DE102020207564A1 (en) | 2020-06-18 | 2020-06-18 | Method and apparatus for training an image classifier |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020207564.6A DE102020207564A1 (en) | 2020-06-18 | 2020-06-18 | Method and apparatus for training an image classifier |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020207564A1 true DE102020207564A1 (en) | 2021-12-23 |
Family
ID=78822927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020207564.6A Pending DE102020207564A1 (en) | 2020-06-18 | 2020-06-18 | Method and apparatus for training an image classifier |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102020207564A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021204960A1 (en) | 2021-05-17 | 2022-11-17 | Robert Bosch Gesellschaft mit beschränkter Haftung | Numerically more stable training method for image classifiers |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018220941A1 (en) | 2018-12-04 | 2020-06-04 | Robert Bosch Gmbh | Evaluation of measured variables with AI modules taking into account measurement uncertainties |
-
2020
- 2020-06-18 DE DE102020207564.6A patent/DE102020207564A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018220941A1 (en) | 2018-12-04 | 2020-06-04 | Robert Bosch Gmbh | Evaluation of measured variables with AI modules taking into account measurement uncertainties |
Non-Patent Citations (2)
Title |
---|
CORBIERE, Charles, et al. Addressing failure prediction by learning model confidence. arXiv preprint arXiv:1910.04851v2, 2019 |
HECKER, Simon; DAI, Dengxin; VAN GOOL, Luc. Failure prediction for autonomous driving. In: 2018 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2018. S. 1792-1799 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021204960A1 (en) | 2021-05-17 | 2022-11-17 | Robert Bosch Gesellschaft mit beschränkter Haftung | Numerically more stable training method for image classifiers |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE202020101012U1 (en) | Device for predicting a suitable configuration of a machine learning system for a training data set | |
DE102020210352A1 (en) | Method and device for transfer learning between modified tasks | |
DE102020212515A1 (en) | Method and device for training a machine learning system | |
DE102020208642A1 (en) | Method and device for anomaly detection in technical systems | |
DE102020207564A1 (en) | Method and apparatus for training an image classifier | |
WO2020173700A1 (en) | Method and device for operating a control system | |
EP3853778A1 (en) | Method and device for operating a control system | |
DE102018218834A1 (en) | Method and device for determining a control signal | |
DE102022201679A1 (en) | Method and device for training a neural network | |
DE202020104005U1 (en) | Device for creating a system for the automated creation of machine learning systems | |
DE102020212514A1 (en) | Method for determining an output signal using a machine learning system | |
EP3582140B1 (en) | System for the automatic recognition of laboratory work objects and method for operating a system for automatic recognition of laboratory work objects | |
DE102021204040A1 (en) | Method, device and computer program for creating training data in the vehicle | |
DE102021202813A1 (en) | Method, device and computer program for an uncertainty assessment of an image classification | |
DE102020208828A1 (en) | Method and device for creating a machine learning system | |
DE102020204005A1 (en) | Method and apparatus for training an image classifier | |
DE102020208309A1 (en) | Method and device for creating a machine learning system | |
DE102020203807A1 (en) | Method and apparatus for training an image classifier | |
DE102019209228A1 (en) | Method and device for checking the robustness of an artificial neural network | |
DE102021108907A1 (en) | Method and device for determining a classification and/or a regression result under missing sensor data | |
DE102020211474A1 (en) | Method and device for training and operating an image classifier | |
EP3581935A1 (en) | System for the automatic recognition of laboratory work objects and method of operating a system for automatic recognition of laboratory work objects | |
DE102018216295B4 (en) | Method and device for determining a control signal for controlling an actuator | |
DE102019207408A1 (en) | Method and device for operating a neural network | |
DE102022205824A1 (en) | Method and device for training a neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified | ||
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: G06K0009600000 Ipc: G06V0030200000 |