DE102021205094A1 - Quality check of training data for image classifiers - Google Patents
Quality check of training data for image classifiers Download PDFInfo
- Publication number
- DE102021205094A1 DE102021205094A1 DE102021205094.8A DE102021205094A DE102021205094A1 DE 102021205094 A1 DE102021205094 A1 DE 102021205094A1 DE 102021205094 A DE102021205094 A DE 102021205094A DE 102021205094 A1 DE102021205094 A1 DE 102021205094A1
- Authority
- DE
- Germany
- Prior art keywords
- image
- calibration
- training
- images
- classification scores
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Abstract
Verfahren (100) zur Qualitätsprüfung von Trainingsdaten (2) für einen Bildklassifikator (1) mit den Schritten:• es wird ein Bildklassifikator (1) bereitgestellt (110), der auf das Ziel trainiert wurde, die Trainingsbilder (2a) auf die jeweils zugehörigen Soll-Klassifikations-Scores (2b) abzubilden;• es wird eine Relevanzbewertungsfunktion (5) bereitgestellt (120), die zu einem Eingabe-Bild (3) und hierfür vom Bildklassifikator (1) ermittelten Klassifikations-Scores (4) angibt, in welchem Maße (3#) Anteile des Eingabe-Bildes (3) für die Entscheidung des Bildklassifikators (1) relevant sind;• es wird eine Menge von Kalibrier-Bildern (6) bereitgestellt (130), für die bekannt ist, dass der Bildklassifikator (1) sie auf korrekte Klassifikations-Scores abgebildet hat;• mit der Relevanzbewertungsfunktion (5) werden Kalibrier-Bewertungen (6#) dahingehend ermittelt (140), in welchem Maße Anteile der Kalibrier-Bilder (6) für die Entscheidung des Bildklassifikators (1) in Bezug auf diese Kalibrier-Bilder (6) relevant sind;• mit der Relevanzbewertungsfunktion (5) wird eine Test-Bewertung (2a#) dahingehend ermittelt (150), in welchem Maße Anteile mindestens eines Trainingsbildes (2a) für die Entscheidung des Bildklassifikators (1) in Bezug auf dieses Trainingsbild (2a) relevant sind;• in Antwort darauf, dass die Test-Bewertung (2a#) im Einklang mit den Kalibrier-Bewertungen (6#) steht (160), wird festgestellt (170), dass die Soll-Klassifikations-Scores (2b) des Trainingsbildes (2a) korrekt sind;• andernfalls wird festgestellt (180), dass die Soll-Klassifikations-Scores (2b) des Trainingsbildes (2a) nicht korrekt sind.Method (100) for quality testing of training data (2) for an image classifier (1) with the steps: • an image classifier (1) is provided (110) that has been trained on the target, the training images (2a) on the respective associated Map target classification scores (2b);• a relevance evaluation function (5) is provided (120) that specifies classification scores (4) determined for an input image (3) and for this purpose by the image classifier (1), in which dimensions (3#) portions of the input image (3) are relevant for the decision of the image classifier (1);• a set of calibration images (6) is provided (130) for which it is known that the image classifier ( 1) it has mapped to correct classification scores;• with the relevance evaluation function (5), calibration evaluations (6#) are determined (140) to the extent to which parts of the calibration images (6) are relevant for the decision of the image classifier (1 ) in relation to this calibre r images (6) are relevant;• the relevance rating function (5) is used to determine (150) a test rating (2a#) to determine the extent to which parts of at least one training image (2a) are relevant for the decision of the image classifier (1) in are relevant with respect to this training image (2a);• in response to the test score (2a#) being consistent with the calibration scores (6#) (160), it is determined (170) that the target classification scores (2b) of the training image (2a) are correct;• otherwise it is determined (180) that the target classification scores (2b) of the training image (2a) are incorrect.
Description
Die vorliegende Erfindung betrifft die Qualitätsprüfung von Trainingsdaten für Bildklassifikatoren dahingehend, ob diese Trainingsdaten korrekte Soll-Klassifikations-Scores als „Labels“ enthalten.The present invention relates to quality testing of training data for image classifiers to determine whether this training data contains correct target classification scores as “labels”.
Stand der TechnikState of the art
Das Führen eines Fahrzeugs im öffentlichen Straßenverkehr ist eine komplexe Aufgabe, die eine kontinuierliche Erfassung des Fahrzeugumfelds und eine zeitnahe Reaktion auf das Auftauchen von Objekten, wie etwa Verkehrszeichen, sowie auf das Verhalten anderer Verkehrsteilnehmer erfordert. Voraussetzung für eine korrekte Reaktion ist, dass Objekte und andere Verkehrsteilnehmer korrekt klassifiziert werden, also beispielsweise ein Stoppschild immer als ein Stoppschild erkannt wird.Driving a vehicle on public roads is a complex task that requires continuous detection of the vehicle's surroundings and a prompt reaction to the appearance of objects, such as traffic signs, and the behavior of other road users. A prerequisite for a correct reaction is that objects and other road users are classified correctly, for example a stop sign is always recognized as a stop sign.
Um ein Fahrzeug zumindest teilweise automatisiert zu führen, ist es erforderlich, die Klassifikation von Objekten, die der Mensch bereits lange vor der ersten Fahrstunde erlernt, maschinell nachzubilden. Die
Für das Training derartiger KNNs werden Trainingsdaten benötigt. Diese Trainingsdaten enthalten beispielsweise Trainingsbilder sowie diejenigen Werte der Ausgangsgrößen, auf die das KNN diese Trainingsbilder idealerweise abbilden sollte, als Labels. Ein Trainingsbild kann beispielsweise zumindest einen Teil des Umfelds des Fahrzeugs zeigen. Die zugehörigen Labels können beispielsweise die Objekte angeben, die in der im Bild gezeigten Szenerie vorhanden sind.Training data are required for training such ANNs. This training data contains, for example, training images and those values of the output variables onto which the ANN should ideally map these training images as labels. A training image can, for example, show at least part of the surroundings of the vehicle. The associated labels can, for example, indicate the objects that are present in the scenery shown in the image.
Der Trainingserfolg ist grundsätzlich stark davon abhängig, dass die Labels in den Trainingsdaten im Hinblick auf die jeweilige Anwendung zutreffend sind. Die
Offenbarung der ErfindungDisclosure of Invention
Im Rahmen der Erfindung wurde ein Verfahren zur Qualitätsprüfung von Trainingsdaten für einen Bildklassifikator entwickelt. Dieser Bildklassifikator ist dazu ausgebildet, Eingabe-Bilder auf Klassifikations-Scores in Bezug auf eine oder mehrere Klassen abzubilden. Die Trainingsdaten enthalten Trainingsbilder und zugehörige Soll-Klassifikations-Scores.A method for quality testing of training data for an image classifier was developed as part of the invention. This image classifier is configured to map input images to classification scores related to one or more classes. The training data contains training images and associated target classification scores.
Für dieses Verfahren wird zunächst ein Bildklassifikator bereitgestellt, der auf das Ziel trainiert wurde, die Trainingsbilder auf die jeweils zugehörigen Soll-Klassifikations-Scores abzubilden. Das Verhalten des Bildklassifikators wird somit durch die in den Trainingsdaten enthaltenen Zuordnungen von Soll-Klassifikations-Scores zu Trainingsbildern bestimmt.For this method, an image classifier is first provided, which has been trained for the purpose of mapping the training images to the respectively associated target classification scores. The behavior of the image classifier is thus determined by the assignments of target classification scores to training images contained in the training data.
Es wird eine Relevanzbewertungsfunktion bereitgestellt, die zu einem Eingabe-Bild und hierfür vom Bildklassifikator ermittelten Klassifikations-Scores angibt, in welchem Maße Anteile des Eingabe-Bildes für die Entscheidung des Bildklassifikators relevant sind. Eine solche Relevanzbewertungsfunktion kann beispielsweise eine „heat map“ ausgeben, in der jedem Pixel des Eingabe-Bildes ein numerischer Wert für dessen Relevanz zugeordnet wird. Es kann aber auch beispielsweise lediglich eine binäre Maske ausgegeben werden, die angibt, welche Pixel des Eingabe-Bildes relevant sind und welche nicht.A relevance evaluation function is provided which, for an input image and classification scores determined for this by the image classifier, specifies the extent to which parts of the input image are relevant for the decision of the image classifier. Such a relevance evaluation function can, for example, output a "heat map" in which each pixel of the input image is assigned a numerical value for its relevance. However, it is also possible, for example, to simply output a binary mask which indicates which pixels of the input image are relevant and which are not.
Als Relevanzbewertungsfunktion kann beispielsweise das „Randomized input sampling“ oder die „Deep Taylor Decomposition“, aber auch eine beliebige andere Funktion verwendet werden.For example, “randomized input sampling” or “deep Taylor decomposition” can be used as a relevance evaluation function, but any other function can also be used.
Die Motivation für die Relevanzbewertungsfunktion ist, dass die Klassifikations-Scores allein noch keine zuverlässige Beurteilung erlauben, ob die verwendeten Trainingsdaten mit im Kontext der jeweiligen Anwendung richtigen Soll-Klassifikations-Scores gelabelt sind. Eine grundsätzliche Tendenz von Bildklassifikatoren, die vorliegenden Trainingsdaten „auswendig zu lernen“ („Overfitting“), ist unabhängig davon, ob die Labels korrekt sind oder nicht. Daher werden hier nicht die Klassifikations-Scores, sondern die Ausgabe der Relevanzbewertungsfunktion analysiert.The motivation for the relevance evaluation function is that the classification scores alone do not allow a reliable assessment of whether the training data used are labeled with the correct target classification scores in the context of the respective application. A fundamental tendency of image classifiers to “memorize” (“overfitting”) the available training data is independent of whether the labels are correct or not. Therefore, it is not the classification scores that are analyzed here, but the output of the relevance rating function.
Es wird eine Menge von Kalibrier-Bildern bereitgestellt, für die bekannt ist, dass der Bildklassifikator sie auf korrekte Klassifikations-Scores abgebildet hat. Dies können beispielsweise Bilder sein, die
- • von vornherein mit Soll-Klassifikations-Scores, die bekanntermaßen korrekt sind, als Labels versehen waren und
- • von dem Bildklassifikator auf Klassifikations-Scores abgebildet wurden, die diesen Soll-Klassifikations-Scores zumindest näherungsweise entsprechen.
- • a priori with target classification scores known to be correct, labeled and
- • were mapped by the image classifier to classification scores that at least approximately correspond to these target classification scores.
Als Kalibrier-Bilder können aber auch beispielsweise Bilder verwendet werden,
- • für die vorab kein Soll-Klassifikations-Score als Label bekannt war,
- • für die jedoch eine nachträgliche Prüfung der vom Bildklassifikator ermittelten Klassifikations-Scores ergibt, dass diese Klassifikations-Scores korrekt sind.
- • for which no target classification score was previously known as a label,
- • for which, however, a subsequent check of the classification determined by the image classifier Scores shows that these classification scores are correct.
Mit der Relevanzbewertungsfunktion werden einerseits Kalibrier-Bewertungen dahingehend ermittelt, in welchem Maße Anteile der Kalibrier-Bilder für die Entscheidung des Bildklassifikators in Bezug auf diese Kalibrier-Bilder relevant sind.With the relevance evaluation function, calibration evaluations are determined to the extent to which parts of the calibration images are relevant for the decision of the image classifier in relation to these calibration images.
Mit der Relevanzbewertungsfunktion wird andererseits eine Test-Bewertung dahingehend ermittelt, in welchem Maße Anteile mindestens eines Trainingsbildes für die Entscheidung des Bildklassifikators in Bezug auf dieses Trainingsbild relevant sind.On the other hand, the relevance evaluation function is used to determine a test evaluation as to the extent to which parts of at least one training image are relevant for the decision of the image classifier in relation to this training image.
Es wird geprüft, inwieweit die Test-Bewertung im Einklang mit den Kalibrier-Bewertungen steht. In Antwort darauf, dass die Test-Bewertung im Einklang mit den Kalibrier-Bewertungen steht, wird festgestellt, dass die Soll-Klassifikations-Scores des Trainingsbildes korrekt sind. Steht die Test-Bewertung hingegen nicht im Einklang mit den Kalibrier-Bewertungen, wird festgestellt, dass die Soll-Klassifikations-Scores des Trainingsbildes nicht korrekt sind.It is checked to what extent the test rating is consistent with the calibration ratings. In response to the test score being consistent with the calibration scores, the target classification scores of the training image are determined to be correct. If, on the other hand, the test evaluation is not consistent with the calibration evaluations, it is determined that the target classification scores of the training image are incorrect.
Wenn eine hinreichende Menge an Kalibrier-Bildern vorhanden ist (also nicht etwa nur ein einzelnes Kalibrier-Bild, das vom Bildklassifikator zufällig richtig eingeordnet worden sein kann), kann der Bildklassifikator all diesen Kalibrier-Bildern nur dann korrekte Klassifikations-Scores zuordnen, wenn er sich für seine Entscheidung jeweils auf die in Bezug auf die Klassifikation aussagekräftigen Bildbereiche stützt. Der Bildklassifikator muss dann also gelernt haben, welche Bildbereiche in Bezug auf bestimmte Klassen relevant sind. Dieses Lernergebnis spiegelt sich in einer bestimmten charakteristischen Verteilung der als relevant erachteten Bildanteile wider.If there is a sufficient number of calibration images (i.e. not just a single calibration image that the image classifier may have randomly classified correctly), the image classifier can only assign correct classification scores to all these calibration images if it bases its decision on the image areas that are meaningful in relation to the classification. The image classifier must then have learned which image areas are relevant in relation to certain classes. This learning result is reflected in a certain characteristic distribution of the image parts considered relevant.
Dies bedeutet umgekehrt, dass der Bildklassifikator auch anderen Bildern mit hoher Wahrscheinlichkeit die richtigen Klassifikations-Scores zuordnen wird, wenn er sich auf Bildanteile aus dieser Verteilung stützt. Für die Trainingsbilder entsprechen diese Klassifikations-Scores zumindest näherungsweise den Soll-Klassifikations-Scores, denn hierauf war ja das Training gerichtet.Conversely, this means that the image classifier will also assign the correct classification scores to other images with a high degree of probability if it is based on image parts from this distribution. For the training images, these classification scores correspond at least approximately to the target classification scores, since this is what the training was aimed at.
Es kann nun der Fall eintreten, dass die Klassifikations-Scores zu einem Trainingsbild unter Heranziehung ganz anderer Bildbereiche ermittelt werden, als dies auf Grund der besagten Verteilung zu erwarten ist. Dies deutet darauf hin, dass der Bildklassifikator Soll-Klassifikations-Scores anstrebt, die ihm durch das Training mit einem falschen Label mehr oder weniger „aufgezwungen“ wurden, ohne in der Sache richtig zu sein. Dementsprechend kann in Antwort darauf, dass die Test-Bewertung nicht im Einklang mit den Kalibrier-Bewertungen steht, festgestellt werden, dass die Soll-Klassifikations-Scores des Trainingsbildes nicht korrekt sind.The case can now arise that the classification scores for a training image are determined using completely different image areas than is to be expected on the basis of the said distribution. This suggests that the image classifier is aiming for target classification scores that were more or less “forced” on it by training with an incorrect label, without being correct on the merits. Accordingly, in response to the test score not being consistent with the calibration scores, it may be determined that the target classification scores of the training image are incorrect.
Die Prüfung, inwieweit die Test-Bewertung im Einklang mit den Kalibrier-Bewertungen steht, kann insbesondere beispielsweise beinhalten, aus mindestens einer Kalibrier-Bewertung mindestens ein Merkmal und/oder mindestens eine Größe auszuwerten sowie aus der Test-Bewertung ein hierzu korrespondierendes Merkmal, bzw. eine hierzu korrespondierende Größe, zu ermitteln. Es kann dann geprüft werden, inwieweit dieses korrespondierende Merkmal, bzw. diese korrespondierende Größe, im Einklang mit dem Merkmal bzw. der Größe für die Kalibrier-Bewertung steht. Auf diese Weise wird der Vergleich der Test-Bewertungen mit den Kalibrier-Bewertungen ein Stück weit abstrahiert. Dies erleichtert es insbesondere, eine bestimmte Test-Bewertung mit einer Vielzahl von Kalibrier-Bewertungen zu vergleichen, die zu inhaltlich ganz unterschiedlichen Kalibrier-Bildern gehören.The examination of the extent to which the test evaluation is consistent with the calibration evaluations can include, for example, evaluating at least one characteristic and/or at least one variable from at least one calibration evaluation and determining a corresponding characteristic from the test evaluation, or to determine a variable corresponding thereto. It can then be checked to what extent this corresponding feature or this corresponding variable is consistent with the feature or the variable for the calibration evaluation. In this way, the comparison of the test ratings with the calibration ratings is abstracted to a certain extent. In particular, this makes it easier to compare a specific test assessment with a large number of calibration assessments that belong to calibration images that have very different content.
Als Merkmale bzw. Größen eigenen sich hierbei insbesondere beispielsweise
- • ein quantitativer Anteil des Kalibrier-Bildes, dem die Relevanzbewertungsfunktion eine Relevanz oberhalb eines vorgegebenen Schwellwerts zuordnet; und/oder
- • eine Norm der Variabilität der mit der Relevanzbewertungsfunktion ermittelten Relevanz innerhalb des Kalibrier-Bildes; und/oder
- • Koordinaten von Orten im Kalibrier-Bild, denen die Relevanzbewertungsfunktion eine Relevanz oberhalb eines vorgegebenen Schwellwerts zuordnet, sowie beliebige von diesen
- • a quantitative portion of the calibration image to which the relevance evaluation function assigns a relevance above a predetermined threshold; and or
- • a norm of the variability of the relevance determined with the relevance evaluation function within the calibration image; and or
- • Coordinates of locations in the calibration image to which the relevance evaluation function assigns a relevance above a predetermined threshold, and any of these
Koordinaten abgeleitete Größen, wie etwa ein Schwerpunkt dieser Orte. Die für das Trainingsbild ermittelten, hierzu korrespondieren Merkmale bzw. Größen werden tendenziell stark von diesen Referenzwerten abweichen, wenn die Zuordnung zwischen den Trainingsbildern und den hieraus ermittelten Klassifikations-Scores nicht der gleichen inhaltlichen Systematik genügt, die die Kalibrier-Bilder an die hieraus ermittelten Klassifikations-Scores bindet.Coordinates derived quantities, such as a centroid of these places. The features or sizes determined for the training image and corresponding thereto will tend to deviate greatly from these reference values if the association between the training images and the classification scores determined from them does not satisfy the same systematics in terms of content that the calibration images correspond to the classifications determined from them -Scores binds.
Vorteilhaft wird für das Merkmal, bzw. für die Größe, eine Verteilung, und/oder eine zusammenfassende Statistik, über alle Kalibrier-Bilder ermittelt. Es wird dann geprüft, ob das korrespondierende Merkmal, bzw. die korrespondierende Größe, für das Trainingsbild im Einklang mit dieser Verteilung, bzw. mit dieser zusammenfassenden Statistik, steht. Auf diese Weise lassen sich die qualitativ stark unterschiedlichen Rollen und Herkünfte von Kalibrier-Bewertungen einerseits und Test-Bewertungen andererseits besonders gut abbilden: Jede einzelne Test-Bewertung ist mit einer Vielzahl von Kalibrier-Bewertungen zu vergleichen, denn die Kalibrier-Bewertungen definieren die Verteilung, an der sich die Test-Bewertung messen lassen muss.Advantageously, a distribution and/or summarizing statistics are determined for the feature, or for the size, for all calibration images. It is then checked whether the corresponding feature or the corresponding variable for the training image is consistent with this distribution or with this summarizing statistic. In this way, the qualitatively very different roles and origins of calibration assessments on the one hand and test assessments on the other hand can be mapped particularly well: each A single test score is to be compared with a large number of calibration scores, because the calibration scores define the distribution against which the test score must be measured.
Zu diesem Zweck kann insbesondere beispielsweise die zusammenfassende Statistik einen Mittelwert und eine Standardabweichung beinhalten. Das korrespondierende Merkmal, bzw. die korrespondierende Größe, kann dann als im Einklang mit dieser Statistik gewertet werden, wenn es in einem in Standardabweichungen bemessenen Bereich um den Mittelwert liegt.For this purpose, for example, the summarizing statistics can contain a mean value and a standard deviation. The corresponding characteristic or quantity can then be considered as being in line with this statistic if it lies within a range, measured in standard deviations, around the mean.
Das Verhalten der Relevanzbewertungsfunktion hängt immer auch ein Stück weit von dem verwendeten Bildklassifikator ab. Dieser Einfluss lässt sich vermindern, indem mehrere Bildklassifikatoren bereitgestellt werden und ausgehend von jedem dieser Bildklassifikatoren jeweils festgestellt wird, inwieweit die Soll-Klassifikations-Scores des Trainingsbildes korrekt sind. Die ausgehend von den verschiedenen Bildklassifikatoren erhaltenen Feststellungen können dann zu einem Endergebnis zusammengeführt werden, beispielsweise durch einen Mehrheitsentscheid.The behavior of the relevance evaluation function always depends to some extent on the image classifier used. This influence can be reduced by providing a plurality of image classifiers and, based on each of these image classifiers, determining the extent to which the target classification scores of the training image are correct. The findings obtained from the various image classifiers can then be combined into a final result, for example by a majority vote.
Besonders vorteilhaft beinhalten die mehreren Bildklassifikatoren mehrere Abwandlungen ein und desselben Bildklassifikators. Dann beziehen sich die jeweils erhaltenen Feststellungen qualitativ alle auf das gleiche, dem ursprünglichen Bildklassifikator zu Grunde liegende Modell. Gleichzeitig ist das durch Zusammenführen dieser Feststellungen erhaltene Endergebnis ein Stück weit von kleinen Änderungen dieses Modells abstrahiert.The multiple image classifiers particularly advantageously include multiple modifications of one and the same image classifier. Then the findings obtained in each case relate qualitatively to the same model on which the original image classifier was based. At the same time, the end result obtained by bringing these findings together is somewhat abstracted from small modifications of this model.
Zu diesem Zweck kann beispielsweise ausgehend von einem Bildklassifikator mindestens eine Abwandlung dieses Bildklassifikators erzeugt werden, indem eine zufällige Auswahl von Neuronen oder anderen Verarbeitungseinheiten dieses Bildklassifikators deaktiviert wird („Drop-Out“).For this purpose, for example, starting from an image classifier, at least one modification of this image classifier can be generated by a random selection of neurons or other processing units of this image classifier being deactivated (“drop out”).
In einer weiteren vorteilhaften Ausgestaltung wird eine Menge von Gegen-Kalibrier-Bildern bereitgestellt wird, für die bekannt ist, dass der Bildklassifikator sie auf unzutreffende Klassifikations-Scores abgebildet hat. Für diese Gegen-Kalibrier-Bilder werden Gegen-Kalibrier-Bewertungen ermittelt. Es wird geprüft, inwieweit die Test-Bewertung im Einklang mit den Gegen-Kalibrier-Bewertungen steht. Idealerweise sollte die durch die Gegen-Kalibrier-Bilder definierte Verteilung komplementär zu der durch die Kalibrier-Bilder definierten Verteilung sein. Das heißt, eine Test-Bewertung sollte entweder mit der Verteilung der Kalibrier-Bewertungen oder mit der Verteilung der Gegen-Kalibrier-Bewertungen im Einklang stehen, nicht jedoch mit beiden Verteilungen gleichzeitig.In a further advantageous embodiment, a set of counter-calibration images is provided for which it is known that the image classifier has mapped them to incorrect classification scores. Counter-calibration scores are determined for these counter-calibration images. The extent to which the test rating is consistent with the counter-calibration ratings is checked. Ideally, the distribution defined by the counter-calibration images should be complementary to the distribution defined by the calibration images. That is, a test score should be consistent with either the distribution of calibration scores or the distribution of counter-calibrate scores, but not both distributions at the same time.
Diese Forderung lässt sich als Feedback für eine Optimierung der Merkmale bzw. Größen nutzen, die für den Abgleich der Test-Bewertungen gegen die Kalibrier-Bewertungen herangezogen werden.This requirement can be used as feedback for optimizing the features or quantities that are used to compare the test ratings with the calibration ratings.
So kann beispielsweise mindestens ein Merkmal, bzw. mindestens eine Größe, durch Optimierung dahingehend, dass sich beim Vergleich der Test-Bewertung mit Kalibrier-Bewertungen einerseits und mit Gegen-Kalibrier-Bewertungen andererseits ein maximaler Kontrast einstellt, ausgewählt werden. Die Test-Bewertung ist dann also nur entweder mit den Kalibrier-Bewertungen oder mit den Gegen-Kalibrier-Bewertungen im Einklang.For example, at least one feature or at least one variable can be selected by optimization such that a maximum contrast is obtained when comparing the test evaluation with calibration evaluations on the one hand and with counter-calibration evaluations on the other hand. The test rating is then only consistent with either the calibration ratings or the counter-calibration ratings.
Alternativ oder auch in Kombination hierzu kann mindestens ein Merkmal, bzw. mindestens eine Größe, unter Heranziehung einer von einem zusätzlichen Klassifikator bezogenen Bewertung ausgewählt werden, der anhand der Kalibrier-Bilder und der Gegen-Kalibrier-Bilder trainiert ist.Alternatively or also in combination with this, at least one feature or at least one variable can be selected using an evaluation related to an additional classifier, which is trained using the calibration images and the counter-calibration images.
Sollte im Rahmen des Verfahrens festgestellt werden, dass die Soll-Klassifikations-Scores eines oder mehrerer Trainingsbilder nicht korrekt sind, so kann dies als Feedback genutzt werden, um das Training des Bildklassifikators zu verbessern und so letztlich dessen Klassifikationsgenauigkeit zu steigern.If it is determined during the process that the target classification scores of one or more training images are incorrect, this can be used as feedback to improve the training of the image classifier and ultimately increase its classification accuracy.
Zu diesem Zweck können als nicht korrekt festgestellte Soll-Klassifikations-Scores mindestens eines Trainingsbildes verändert werden. Insbesondere kann dann, wenn Soll-Klassifikations-Scores mehrerer Trainingsbilder als nicht korrekt festgestellt werden, mit einer geeigneten Strategie eine neue Konfiguration von Soll-Klassifikations-Scores für diese Trainingsbilder ermittelt werden. Diese Strategie kann insbesondere beispielsweise beinhalten, dass die für die fraglichen Trainingsbilder ermittelten neuen Soll-Klassifikations-Scores nicht untereinander widersprüchlich sind.For this purpose, target classification scores that were determined to be incorrect can be changed in at least one training image. In particular, if target classification scores for a number of training images are determined to be incorrect, a new configuration of target classification scores for these training images can be determined using a suitable strategy. This strategy can include, for example, that the new target classification scores determined for the training images in question are not mutually contradictory.
Dieses Vorgehen ist ein Stück weit analog dazu, dass ein Kandidat in einer Multiple-Choice-Prüfung die Fragen, bei deren Beantwortung er sich unsicher ist, zunächst sammelt und am Ende der Prüfung im Rahmen der noch zur Verfügung stehenden Zeit noch einmal in einer Weise überarbeitet, dass die neuen Antworten zumindest in sich konsistent sind. Im Mittel lässt sich hiermit die erreichte Punktzahl erhöhen.This procedure is a bit analogous to the situation where a candidate in a multiple-choice exam first collects the questions he is unsure about answering and then again at the end of the exam in the time available in a way revised so that the new answers are at least internally consistent. On average, this increases the number of points achieved.
Es kann aber auch beispielsweise mindestens ein Trainingsbild, dessen Soll-Klassifikations-Scores als nicht korrekt festgestellt wurden, aus den Trainingsdaten entfernt werden. Für die vom Bildklassifikator letztendlich erzielte Klassifikationsgenauigkeit kann das Weglassen des Trainingsbildes durchaus ein kleineres Übel sein als das Beibehalten dieses Trainingsbildes mit Soll-Klassifikations-Scores, die zu den Soll-Klassifikations-Scores anderer Trainingsbilder widersprüchlich sind.However, it is also possible, for example, to remove at least one training image from the training data whose target classification scores were determined to be incorrect. For the classification accuracy ultimately achieved by the image classifier, omitting the training image can be a lesser evil than doing so hold this training image with target classification scores that are inconsistent with the target classification scores of other training images.
Dieses Vorgehen ist ein Stück weit analog dazu, dass bei der Fusion einer Vielzahl von Bildern eines Objekts aus verschiedenen Perspektiven zu einem dreidimensionalen Modell dieses Objekts im Wege der Photogrammetrie qualitativ schlechte Bilder verworfen werden sollten. Es geht dann zwar eine Ansicht aus der jeweiligen Perspektive verloren, aber dies wirkt sich weniger nachteilig auf die Fusion aus als das Beibehalten des schlechten Bildes, das Widersprüche zu anderen Bildern erzeugen könnte.This procedure is a bit analogous to the fact that when a large number of images of an object from different perspectives are merged into a three-dimensional model of this object by means of photogrammetry, poor-quality images should be discarded. A view from each perspective is then lost, but this is less detrimental to fusion than retaining the poor image, which could create inconsistencies with other images.
Wenn die Trainingsdaten durch Anpassen von Soll-Klassifikations-Scores und/oder durch das Weglassen von Trainingsbildern verändert wurden, kann der Bildklassifikator hiermit erneut trainiert werden. Es kann dann beispielsweise beurteilt werden, ob bei nochmaliger Durchführung des hier beschriebenen Verfahrens ein höherer Anteil der Soll-Klassifikations-Scores als korrekt festgestellt wird. Es kann auch beispielsweise beurteilt werden, ob nach einem Training mit den veränderten Trainingsdaten die Klassifikationsgenauigkeit bei einer Messung mittels Test- oder Validierungsdaten besser ist als im ursprünglichen trainierten Zustand.If the training data has been changed by adjusting target classification scores and/or by omitting training images, the image classifier can be retrained with this. It can then be assessed, for example, whether a higher proportion of the target classification scores is found to be correct when the method described here is carried out again. For example, it can also be assessed whether, after training with the changed training data, the classification accuracy in a measurement using test or validation data is better than in the originally trained state.
In einer weiteren vorteilhaften Ausgestaltung werden dem erneut trainierten Bildklassifikator Bilder, die mit mindestens einem Sensor aufgenommen wurden, als Eingabe-Bilder zugeführt. Diese Eingabe-Bilder werden von dem Bildklassifikator auf einen oder mehrere Klassifikations-Scores abgebildet. Aus den Klassifikations-Scores wird ein Ansteuersignal gebildet. Mit diesem Ansteuersignal wird ein Fahrzeug, ein Überwachungssystem, und/oder ein System für die Qualitätskontrolle von in Serie gefertigten Produkten angesteuert.In a further advantageous embodiment, images that were recorded with at least one sensor are fed to the retrained image classifier as input images. These input images are mapped by the image classifier to one or more classification scores. A control signal is formed from the classification scores. A vehicle, a monitoring system and/or a system for the quality control of mass-produced products is controlled with this control signal.
Das Verfahren ist insbesondere im Zusammenhang mit der Qualitätskontrolle oder anderen Anwendungen vorteilhaft, in denen zumindest für einige der Klassen Trainingsbilder mit hohen Soll-Klassifikations-Scores in Bezug auf diese Klassen knapp sind. So ist es beispielsweise bei der Serienfertigung von Produkten der Normalfall, dass ein geprüftes Exemplar des Produkts fehlerfrei ist, und der Ausnahmefall, dass dieses Exemplar einen Mangel oder Schaden aufweist. Wenn nun ein Bildklassifikator darauf trainiert wird, Bilder der Produkte binär in die Klassen „OK“ und „nicht OK = NOK“ einzuteilen, gibt es sehr viel mehr Anschauungsmaterial für die Klasse „OK“ als für die Klasse „NOK“. Dies begünstigt ein „Overfitting“ während des Trainings, bei dem ein im Vergleich zur verfügbaren Menge an Trainingsdaten überparametrisierter Bildklassifikator die Trainingsdaten mehr oder weniger „auswendig lernt“, statt aus diesen Trainingsdaten eine verallgemeinerte Lehre zu ziehen. Die Berücksichtigung der entscheidungsrelevanten Bildanteile schafft hier für die Zwecke der Beurteilung, inwieweit Soll-Klassifikations-Scores im Hinblick auf die vorliegende Anwendung korrekt sind, eine zusätzliche Informationsquelle, die von einem eventuellen „Overfitting“ des Bildklassifikators nicht betroffen ist.The method is particularly advantageous in connection with quality control or other applications where training images with high target classification scores in relation to these classes are scarce for at least some of the classes. For example, in the series production of products, it is the normal case that a tested example of the product is free of defects, and the exceptional case that this example has a defect or damage. If an image classifier is now trained to classify images of the products into the classes "OK" and "not OK = NOK" in binary form, there is much more illustrative material for the class "OK" than for the class "NOK". This encourages “overfitting” during training, where an image classifier that is over-parameterized compared to the amount of training data available more or less “memorizes” the training data rather than drawing a generalized lesson from that training data. The consideration of the decision-relevant image parts creates an additional source of information for the purpose of assessing the extent to which target classification scores are correct with regard to the present application, which is not affected by a possible "overfitting" of the image classifier.
Weiterhin gibt es gerade bei der Qualitätskontrolle auch Vorwissen darüber, welche Bildbereiche überhaupt entscheidungsrelevant sein können. So befindet sich das gefertigte Produkt typischerweise immer an der gleichen Position im Bild. Daher ist klar, welche Bildbereiche überhaupt zum Produkt gehören und welche Bildbereiche (etwa ein Hintergrund) Informationen enthalten, die nichts mit dem Produkt selbst zu tun haben. Der Bildklassifikator kann durchaus eine richtige Entscheidung aus den falschen Gründen treffen. Wenn er aber nicht die Bildbereiche berücksichtigt, die er berücksichtigen sollte, hat er wahrscheinlich nicht das gelernt, was er lernen sollte, sondern eine „Abkürzung“ gefunden und ein „Overfitting“ hierauf vollführt.Furthermore, especially in quality control, there is also prior knowledge about which image areas can be relevant to the decision at all. The finished product is typically always in the same position in the image. It is therefore clear which image areas actually belong to the product and which image areas (e.g. a background) contain information that has nothing to do with the product itself. The image classifier may well make a right decision for the wrong reasons. However, if he is not considering the areas of the image he should be considering, he probably has not learned what he was supposed to learn, but found a "short cut" and "overfitted" on it.
Das Verfahren kann insbesondere ganz oder teilweise computerimplementiert sein. Daher bezieht sich die Erfindung auch auf ein Computerprogramm mit maschinenlesbaren Anweisungen, die, wenn sie auf einem oder mehreren Computern ausgeführt werden, den oder die Computer dazu veranlassen, das beschriebene Verfahren auszuführen. In diesem Sinne sind auch Steuergeräte für Fahrzeuge und Embedded-Systeme für technische Geräte, die ebenfalls in der Lage sind, maschinenlesbare Anweisungen auszuführen, als Computer anzusehen.In particular, the method can be fully or partially computer-implemented. The invention therefore also relates to a computer program with machine-readable instructions which, when executed on one or more computers, cause the computer or computers to carry out the method described. In this sense, control devices for vehicles and embedded systems for technical devices that are also able to execute machine-readable instructions are also to be regarded as computers.
Ebenso bezieht sich die Erfindung auch auf einen maschinenlesbaren Datenträger und/oder auf ein Downloadprodukt mit dem Computerprogramm. Ein Downloadprodukt ist ein über ein Datennetzwerk übertragbares, d.h. von einem Benutzer des Datennetzwerks downloadbares, digitales Produkt, das beispielsweise in einem Online-Shop zum sofortigen Download feilgeboten werden kann.The invention also relates to a machine-readable data carrier and/or a download product with the computer program. A downloadable product is a digital product that can be transmitted over a data network, i.e. can be downloaded by a user of the data network and that can be offered for sale in an online shop for immediate download, for example.
Weiterhin kann ein Computer mit dem Computerprogramm, mit dem maschinenlesbaren Datenträger bzw. mit dem Downloadprodukt ausgerüstet sein.Furthermore, a computer can be equipped with the computer program, with the machine-readable data carrier or with the downloadable product.
Weitere, die Erfindung verbessernde Maßnahmen werden nachstehend gemeinsam mit der Beschreibung der bevorzugten Ausführungsbeispiele der Erfindung anhand von Figuren näher dargestellt.Further measures improving the invention are presented in more detail below together with the description of the preferred exemplary embodiments of the invention with the aid of figures.
Ausführungsbeispieleexemplary embodiments
Es zeigt:
-
1 Ausführungsbeispiel des Verfahrens 100; -
2 Beispielhafte Unterscheidung zwischen Trainingsbildern2a und 2a' mit korrekten (k) bzw. inkorrekten (i) Soll-Klassifikations-Scores 2b.
-
1 embodiment of themethod 100; -
2 Exemplary distinction between 2a and 2a' with correct (k) or incorrect (i) targettraining images classification scores 2b.
Zu den Trainingsdaten 2, die Trainingsbilder 2a und zugehörige Soll-Klassifikations-Scores 2b enthalten, wird in Schritt 110 ein auf diesen Trainingsdaten 2 trainierter Bildklassifikator 1 bereitgestellt. Gemäß Block 111 können auch mehrere Bildklassifikatoren 1 bereitgestellt werden, wobei es sich gemäß Block 111a insbesondere beispielsweise um Abwandlungen 1' eines Bildklassifikators 1 handeln kann. Derartige Abwandlungen 1' können durch Deaktivieren (Drop-Out) einer zufälligen Auswahl von Neuronen oder anderen Verarbeitungseinheiten aus dem ursprünglichen Bildklassifikator 1 erzeugt werden. Dies hat den Vorteil, dass diese Abwandlungen 1' ausgehend von einem mit den Trainingsdaten 2 trainierten Zustand des ursprünglichen Bildklassifikators 1 ebenfalls als mit den Trainingsdaten 2 trainiert behandelt werden können.In
In Schritt 120 wird die Relevanzbewertungsfunktion 5 bereitgestellt, die ein Eingabe-Bild 3 des Bildklassifikators 1 auf Maße 3# für eine Entscheidungsrelevanz von Bildanteilen, etwa in Form einer „heat map“, abbildet.In
In Schritt 130 wird eine Menge von Kalibrier-Bildern 6 bereitgestellt, die der Bildklassifikator 1 bekanntermaßen richtig klassifiziert hat. Gemäß Block 131 können zusätzlich Gegen-Kalibrier-Bilder 8 bereitgestellt werden, die der Bildklassifikator 1 bekanntermaßen falsch klassifiziert hat.In
In Schritt 140 werden mit der Relevanzbewertungsfunktion 5 Kalibrier-Bewertungen 6# ermittelt, die die Entscheidungsrelevanz von Anteilen der Kalibrier-Bilder 6 angeben. Ebenso können gemäß Block 141 Gegen-Kalibrier-Bewertungen 8# ermittelt werden, die die Entscheidungsrelevanz von Anteilen der Gegen-Kalibrier-Bilder 8 angeben.In
In Schritt 150 wird mit der Relevanzbewertungsfunktion 5 eine Test-Bewertung 2a# dahingehend ermittelt, in welchem Maße Anteile mindestens eines Trainingsbildes 2a für die Entscheidung des Bildklassifikators 1 in Bezug auf dieses Trainingsbild 2a relevant sind.In
In Schritt 160 wird geprüft, ob die Test-Bewertung 2a# in Einklang mit den Kalibrier-Bewertungen 6# steht. Ist dies der Fall (Wahrheitswert 1), wird in Schritt 170 festgestellt, dass die Soll-Klassifikations-Scores 2b des Trainingsbildes 2a korrekt sind. Andernfalls (Wahrheitswert 0) wird in Schritt 180 festgestellt, dass die Soll-Klassifikations-Scores 2b des Trainingsbildes 2a nicht korrekt sind.In
Gemäß Block 161 kann aus mindestens einer Kalibrier-Bewertung 6# mindestens ein Merkmal und/oder mindestens eine Größe ausgewertet werden. Gemäß Block 162 kann dann aus der Test-Bewertung 2a# ein hierzu korrespondierendes Merkmal, bzw. eine hierzu korrespondierende Größe, ausgewertet werden. Gemäß Block 163 kann dann geprüft werden, inwieweit dieses korrespondierende Merkmal, bzw. diese korrespondierende Größe, im Einklang mit dem Merkmal bzw. der Größe für die Kalibrier-Bewertung 6# steht.According to block 161, at least one feature and/or at least one variable can be evaluated from at least one
Hierbei kann insbesondere gemäß Block 163a für das Merkmal, bzw. für die Größe, eine Verteilung, und/oder eine zusammenfassende Statistik, über alle Kalibrier-Bilder 6# ermittelt werden. Es kann dann gemäß Block 163b geprüft werden, ob das korrespondierende Merkmal, bzw. die korrespondierende Größe, im Einklang mit dieser Verteilung, bzw. mit dieser zusammenfassenden Statistik, steht.In this case, in particular according to
Gemäß Block 164 kann die Gegenprobe dahingehend durchgeführt werden, inwieweit die Test-Bewertung 2a# im Einklang mit den Gegen-Kalibrier-Bewertungen 8# steht. Wie zuvor erläutert, sollte die Test-Bewertung 2a# entweder im Einklang mit der Verteilung der Kalibier-Bewertungen 6# oder mit der Verteilung der hierzu komplementären Gegen-Kalibrier-Bewertungen 8# stehen, nicht aber zu beiden Verteilungen gleichzeitig. Insbesondere kann ein Merkmal, für das das Verhalten in Bezug auf die Kalibrier-Bewertungen 6# maximal gegensätzlich zum Verhalten in Bezug auf die Gegen-Kalibrier-Bewertungen 8# ist, unter mehreren möglichen Merkmalen als besonders aussagekräftig ausgewählt werden.According to block 164, the cross-check can be performed as to how well the
Gemäß Block 165 können Feststellungen, inwieweit die Soll-Klassifikations-Scores 2b des Trainingsbildes 2a korrekt sind, für verschiedene Bildklassifikatoren 1, wie etwa durch Drop-Out erzeugte Abwandlungen 1' eines Bildklassifikators 1, zu einem Endergebnis 7 zusammengeführt werden.According to block 165, determinations of the extent to which the
Insoweit Soll-Klassifikations-Scores 2b als nicht korrekt identifiziert werden, können diese gemäß Block 190a verändert werden. Alternativ oder in Kombination hierzu können zugehörige Trainingsbilder 2a aus den Trainingsdaten 2 entfernt werden. Mit den solchermaßen veränderten Trainingsdaten 2' kann der Bildklassifikator 1 in Schritt 200 erneut trainiert werden.Insofar as
In Schritt 210 werden dem erneut trainierten Bildklassifikator 1* Bilder, die mit mindestens einem Sensor (9) aufgenommen wurden, als Eingabe-Bilder (3) zugeführt. In Schritt 220 werden die Eingabe-Bilder 3 von dem Bildklassifikator 1* auf einen oder mehrere Klassifikations-Scores 4 abgebildet. In Schritt 230 wird aus den Klassifikations-Scores 4 ein Ansteuersignal 230a gebildet. In Schritt 240 wird ein Fahrzeug 50, ein Überwachungssystem 60, und/oder ein System 70 für die Qualitätskontrolle von in Serie gefertigten Produkten, mit dem Ansteuersignal 230a angesteuert.In
Es sind beispielhaft drei Kalibrier-Bilder 6, 6', 6" aufgezeichnet, die alle ein Produkt 10 zeigen. In diesen Kalibrier-Bildern 6, 6', 6" sind jeweils die Kalibrier-Bewertungen 6#, 6#' bzw. 6#" in Form der jeweils entscheidungsrelevanten Anteile eingezeichnet.Three
Kalibrier-Bild 6 zeigt ein unbeschädigtes Produkt 10, das auch im Ganzen den entscheidungsrelevanten Anteil 6# für die richtige Entscheidung „OK“ des Bildklassifikators 1 bildet.
Kalibrier-Bild 6' zeigt ein Produkt 10 mit einer Fehlstelle 11, die den entscheidungsrelevanten Anteil 6#' für die richtige Entscheidung „nicht OK = NOK“ des Bildklassifikators 1 bildet.
Kalibrier-Bild 6" zeigt ein Produkt 10 mit einem Riss 12, dessen Umgebung den entscheidungsrelevanten Anteil 6#" für die richtige Entscheidung „nicht OK = NOK“ des Bildklassifikators 1 bildet.
Trainingsbild 2a zeigt ein Produkt 10 mit einer Fehlstelle 11, die sich an einer anderen Stelle befindet als im Kalibrier-Bild 6'. Dass diese Fehlstelle 11 als entscheidungsrelevanter Anteil 2a# identifiziert wird, steht im Einklang mit der Verteilung der Kalibrier-Bewertungen 6#, 6#' bzw. 6#". Somit wird festgestellt, dass der Soll-Klassifikations-Score 2b dieses Trainingsbildes 2a korrekterweise (k) „nicht OK = NOK“ ist.
Trainingsbild 2a' zeigt ein Produkt 10 mit einem Riss 12, der ähnlich zu dem in Kalibrier-Bild 6" ist. Dass ein Bereich im Bildhintergrund außerhalb des Produkts 10 als entscheidungsrelevanter Anteil 2a#' identifiziert wird, steht nicht im Einklang mit der Verteilung der Kalibrier-Bewertungen 6#, 6#' bzw. 6#". Somit wird festgestellt, dass der Soll-Klassifikations-Score 2b dieses Trainingsbildes 2a' inkorrekterweise (i) „OK“ ist.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN 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 cited 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
- WO 2018/184963 A2 [0003]WO 2018/184963 A2 [0003]
- DE 102019204139 A1 [0005]DE 102019204139 A1 [0005]
Claims (15)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021205094.8A DE102021205094A1 (en) | 2021-05-19 | 2021-05-19 | Quality check of training data for image classifiers |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021205094.8A DE102021205094A1 (en) | 2021-05-19 | 2021-05-19 | Quality check of training data for image classifiers |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021205094A1 true DE102021205094A1 (en) | 2022-11-24 |
Family
ID=83898878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021205094.8A Pending DE102021205094A1 (en) | 2021-05-19 | 2021-05-19 | Quality check of training data for image classifiers |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102021205094A1 (en) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018184963A2 (en) | 2017-04-04 | 2018-10-11 | Robert Bosch Gmbh | Direct vehicle detection as 3d bounding boxes using neural network image processing |
DE102019204139A1 (en) | 2019-03-26 | 2020-10-01 | Robert Bosch Gmbh | Training for artificial neural networks with better utilization of the learning data sets |
-
2021
- 2021-05-19 DE DE102021205094.8A patent/DE102021205094A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018184963A2 (en) | 2017-04-04 | 2018-10-11 | Robert Bosch Gmbh | Direct vehicle detection as 3d bounding boxes using neural network image processing |
DE102019204139A1 (en) | 2019-03-26 | 2020-10-01 | Robert Bosch Gmbh | Training for artificial neural networks with better utilization of the learning data sets |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102015222444A1 (en) | Apparatus and method for assessing odor perception | |
DE102010013943B4 (en) | Method and device for a functional test of an object recognition device of a motor vehicle | |
EP3393875B1 (en) | Method for the improved detection of objects by a driver assistance system | |
DE102019204139A1 (en) | Training for artificial neural networks with better utilization of the learning data sets | |
DE102016109030A1 (en) | Method for evaluating a headlight | |
DE102021205094A1 (en) | Quality check of training data for image classifiers | |
WO2020216622A1 (en) | Detecting and removing noise in labels of learning data for trainable modules | |
DE102020208474A1 (en) | Measuring the sensitivity of classifiers based on interacting disturbances | |
DE102019208735A1 (en) | Method for operating a driver assistance system for a vehicle and a driver assistance system for a vehicle | |
DE102021205271A1 (en) | Quality check of training data for classification models for semantic segmentation of images | |
WO2021245153A1 (en) | Regularised training of neural networks | |
EP3772017A1 (en) | Rail signal detection for autonomous railway vehicles | |
WO2020216621A1 (en) | Training trainable modules with learning data, the labels of which are subject to noise | |
DE102020203707A1 (en) | Plausibility check of the output of neural classifier networks | |
DE102019124257A1 (en) | Method, device, computer program and computer program product for determining AI training data in a vehicle and method, device, computer program and computer program product for determining relevant situation parameters for training an artificial intelligence unit of an automatically drivable vehicle | |
DE102020212005B4 (en) | Procedure for determining the image parts that are relevant for an image classifier | |
DE102022203288A1 (en) | Detecting mislabeled training examples for training classifiers | |
DE102021214253A1 (en) | Determination of the image parts that are relevant for image processing with a transformer network | |
DE102022204492A1 (en) | Faster converging pre-training for machine learning models | |
DE102020215539A1 (en) | Determining the robustness of an object detector and/or classifier for image data | |
DE102021104672A1 (en) | Generation of counterfactual images for the evaluation of image classifiers | |
DE102020210729A1 (en) | Training of classifier networks for a better explainability of the obtained classification scores | |
DE102022202696A1 (en) | Method for categorizing output data output by a machine learning algorithm | |
DE102020208621A1 (en) | Procedure for determining image areas on which an image classifier bases its decisions | |
DE102020214944A1 (en) | Determination of the image parts that are relevant for an image classifier with a reduced computing time requirement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: G06K0009660000 Ipc: G06V0030194000 |