DE102022204297A1 - Method for training a machine learning algorithm - Google Patents
Method for training a machine learning algorithm Download PDFInfo
- Publication number
- DE102022204297A1 DE102022204297A1 DE102022204297.2A DE102022204297A DE102022204297A1 DE 102022204297 A1 DE102022204297 A1 DE 102022204297A1 DE 102022204297 A DE102022204297 A DE 102022204297A DE 102022204297 A1 DE102022204297 A1 DE 102022204297A1
- Authority
- DE
- Germany
- Prior art keywords
- training
- machine learning
- learning algorithm
- cost function
- image data
- 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
- 238000012549 training Methods 0.000 title claims abstract description 145
- 238000010801 machine learning Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000006870 function Effects 0.000 claims abstract description 103
- 230000003287 optical effect Effects 0.000 claims abstract description 43
- 230000003416 augmentation Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
Die Erfindung betrifft ein Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens, welcher Eingabedaten in Ausgabedaten abbildet, wobei es sich bei den Eingabedaten um Bilddaten handelt, und wobei das Verfahren (1) folgende Schritte aufweist: Bereitstellen von gelabelten Bilddaten, wobei die gelabelten Bilddaten von wenigstens einem optischen Sensor stammen, und wobei die gelabelten Bilddaten Trainingsdaten zum Trainieren des Algorithmus des maschinellen Lernens darstellen (2) und Trainieren des Algorithmus des Algorithmus des maschinellen Lernens basierend auf den Trainingsdaten, wobei das Trainieren des Algorithmus des maschinellen Lernens ein Anwenden einer ersten Kostenfunktion, welche Prädiktionen mit Ground-Truth-Informationen vergleicht, aufweist, und wobei das Trainieren des Algorithmus des maschinellen Lernens ein Anwenden einer zweiten Kostenfunktion, welche, für jeden des wenigstens einen optischen Sensors, eine Ähnlichkeit von Prädiktionen auf von dem entsprechenden optischen Sensor bezüglich derselben Szene erzeugten Bilddaten auswertet, aufweist (3).The invention relates to a method for training a machine learning algorithm, which maps input data into output data, the input data being image data, and the method (1) having the following steps: providing labeled image data, the labeled image data from at least one optical sensor, and wherein the labeled image data represents training data for training the machine learning algorithm (2) and training the algorithm of the machine learning algorithm based on the training data, wherein training the machine learning algorithm involves applying a first cost function which compares predictions with ground truth information, and wherein training the machine learning algorithm involves applying a second cost function which, for each of the at least one optical sensor, has a similarity of predictions from the corresponding optical sensor with respect thereto Scene generated image data evaluated (3).
Description
Die Erfindung betrifft ein Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens, wobei das Trainieren des Algorithmus des maschinellen Lernens ein Bewerten der Prädiktionssymmetrie aufweist.The invention relates to a method for training a machine learning algorithm, wherein training the machine learning algorithm includes evaluating the prediction symmetry.
Algorithmen des maschinellen Lernens basieren darauf, dass Verfahren der Statistik verwendet werden, um eine Datenverarbeitungsanlage derart zu trainieren, dass diese eine bestimmte Aufgabe ausführen kann, ohne dass diese ursprünglich explizit hierzu programmiert wurde. Das Ziel des maschinellen Lernens besteht dabei darin, Algorithmen zu konstruieren, die aus Daten lernen und Vorhersagen treffen können. Diese Algorithmen erstellen mathematische Modelle, mit denen beispielsweise Daten klassifiziert werden können.Machine learning algorithms are based on the fact that statistical methods are used to train a data processing system so that it can carry out a specific task without it having originally been explicitly programmed for this purpose. The goal of machine learning is to construct algorithms that can learn from data and make predictions. These algorithms create mathematical models that can be used, for example, to classify data.
Weiter werden beispielsweise für die Überwachung von Autobahnen, Gebäuden, Umzäunungen oder Büros zunehmend intelligente beziehungsweise smarte Kamerasysteme eingesetzt. Smarte Kamerasysteme unterscheiden sich von herkömmlichen Kamerasystemen dadurch, dass die aufgenommenen Bilddaten direkt durch die Kamera, beispielsweise basierend auf einem Algorithmus des maschinellen Lernens, ausgewertet werden und die Ergebnisse der Bildverarbeitung ausgegeben werden.For example, intelligent or smart camera systems are increasingly being used to monitor highways, buildings, fences or offices. Smart camera systems differ from conventional camera systems in that the image data recorded is evaluated directly by the camera, for example based on a machine learning algorithm, and the results of the image processing are output.
Um derartige smarte Kamerasysteme einsetzen zu können, ist es wichtig, diese zunächst zu kalibrieren beziehungsweise einzurichten. Hierzu werden neben den Bilddaten weitere Informationen benötigt, beispielsweise Informationen über eine intrinsische Kalibrierung, die Orientierung, oder über erkannte Objekte beziehungsweise Begrenzungen. Diese Informationen werden dabei häufig manuell erzeugt und eingegeben, wobei die Installationszeit von smarten Kamerasystemen reduziert werden kann und diese unempfindlich gegen potenzielle Änderungen der Ausrichtung gemacht werden können, wenn dieser Prozess automatisiert werden würde.In order to be able to use such smart camera systems, it is important to first calibrate or set them up. In addition to the image data, further information is required for this, for example information about intrinsic calibration, orientation, or recognized objects or boundaries. This information is often generated and entered manually, although the installation time of smart camera systems can be reduced and they can be made insensitive to potential changes in orientation if this process were automated.
Für die automatisierte Schätzung dieser Informationen eignen sich dabei insbesondere Deep-Learning trainierte Algorithmen des maschinellen Lernens, zumal diese in der Lage sind, auch komplexe Szeneninhalte zu interpretieren. Als nachteilig erweist sich dabei jedoch, dass sich die Korrektheit der entsprechenden bereitgestellten, zum Kalibrieren verwendeten Informationen nur schlecht überprüfen lässt, da für gewöhnlich keine hochgenauen Kalibrierinformationen vorliegen. Vielmehr müssen viele Parameter basierend auf wenigen Hinweisen in Bilddaten abgeleitet werden, welche anschließend Ground-Truth Informationen beziehungsweise Grund- beziehungsweise Basiswissen, das heißt Wissen über eine korrekte Klassifizierung, bilden, wobei diese Informationen jedoch sehr unsicher sein und nicht die tatsächlichen Informationen wiedergeben können.Machine learning algorithms trained in deep learning are particularly suitable for the automated estimation of this information, especially since they are able to interpret even complex scene content. However, the disadvantage here is that it is difficult to check the correctness of the corresponding information used for calibration, since there is usually no highly accurate calibration information available. Rather, many parameters must be derived based on a few clues in image data, which then form ground truth information or basic knowledge, i.e. knowledge about a correct classification, although this information can be very uncertain and does not reflect the actual information.
Aus der Druckschrift
Der Erfindung liegt somit die Aufgabe zugrunde, ein verbessertes Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens anzugeben, mit welchem der Einfluss falscher beziehungsweise ungenauer Ground-Truth-Informationen abgeschwächt werden kann.The invention is therefore based on the object of specifying an improved method for training a machine learning algorithm, with which the influence of false or inaccurate ground truth information can be weakened.
Die Aufgabe wird gelöst durch ein Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens gemäß den Merkmalen des Patentanspruchs 1.The task is solved by a method for training a machine learning algorithm according to the features of patent claim 1.
Die Aufgabe wird zudem auch gelöst durch ein Steuergerät zum Trainieren eines Algorithmus des maschinellen Lernens gemäß den Merkmalen des Patentanspruchs 8.The task is also solved by a control device for training a machine learning algorithm according to the features of patent claim 8.
Offenbarung der ErfindungDisclosure of the invention
Gemäß einer Ausführungsform der Erfindung wird diese Aufgabe gelöst durch ein Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens, welcher Eingabedaten in Ausgabedaten abbildet, wobei es sich bei den Eingabedaten um Bilddaten handelt, und wobei das Verfahren ein Bereitstellen von gelabelten Bilddaten, wobei die gelabelten Bilddaten von wenigstens einem optischen Sensor stammen, und wobei die gelabelten Bilddaten Trainingsdaten zum Trainieren des Algorithmus des maschinellen Lernens darstellen, und ein Trainieren des Algorithmus des Algorithmus des maschinellen Lernens basierend auf den Trainingsdaten aufweist, wobei das Trainieren des Algorithmus des maschinellen Lernens ein Anwenden einer ersten Kostenfunktion, welche Prädiktionen mit Ground-Truth-Informationen vergleicht, aufweist, und wobei das Trainieren des Algorithmus des maschinellen Lernens ein Anwenden einer zweiten Kostenfunktion, welche, für jeden des wenigstens einen optischen Sensors, eine Ähnlichkeit von Prädiktionen auf von dem entsprechenden optischen Sensor bezüglich derselben Szene gelieferten Bilddaten auswertet, aufweist.According to one embodiment of the invention, this object is achieved by a method for training a machine learning algorithm which maps input data into output data, the input data being image data, and the method comprising providing labeled image data, the labeled image data from at least one optical sensor, and wherein the labeled image data represents training data for training the machine learning algorithm, and training the algorithm of the machine learning algorithm based on the training data, wherein training the machine learning algorithm comprises applying a first Cost function that compares predictions with ground truth information, and wherein training the machine learning algorithm involves applying a second cost function that, for each of the at least one optical sensor, has a similarity of pre dictions based on image data supplied by the corresponding optical sensor regarding the same scene.
Ein Sensor, welcher auch als Detektor, (Messgrößen- oder Mess-)Aufnehmer oder (Mess-) Fühler bezeichnet wird, ist ein technisches Bauteil, das bestimmte physikalische oder chemische Eigenschaften und/oder die stoffliche Beschaffenheit seiner Umgebung qualitativ oder als Messgröße quantitativ erfassen kann. Unter optischen Sensoren werden dabei insbesondere Sensoren bezeichnet, welche ausgebildet sind, Daten über ihre Umgebung aufzunehmen beziehungsweise zu erfassen, welche mit Hilfe eines speziellen Programmes als Bild beziehungsweise Grafik wiedergegeben werden können.A sensor, which is also referred to as a detector, (measurement or measuring) sensor or (measuring) sensor, is a technical component that records certain physical or chemical properties and/or the material properties of its environment qualitatively or quantitatively as a measured variable can. Optical sensors refer in particular to sensors that are designed to record or capture data about their surroundings, which can be reproduced as an image or graphic using a special program.
Als Bilddaten werden dabei ferner die Daten bezeichnet, welche mit Hilfe eines speziellen Programmes als Bild beziehungsweise Grafik wiedergegeben werden können. Unter gelabelten Bilddaten werden weiter gekennzeichnete beziehungsweise bekannte Bilddaten verstanden, das heißt Bilddaten in welchen bereits Label und/oder Feature gekennzeichnet wurden.Image data also refers to the data that can be reproduced as an image or graphic using a special program. Labeled image data is understood to mean further labeled or known image data, that is, image data in which labels and/or features have already been identified.
Unter Kostenfunktion beziehungsweise Loss wird ferner ein Verlust beziehungsweise ein Fehler zwischen ermittelten Ausgabewerten des Deep-Learning basierten Algorithmus des maschinellen Lernens und Referenzwerten, beispielsweise entsprechenden tatsächlichen Gegebenheiten beziehungsweise tatsächlich gemessenen Daten verstanden.A cost function or loss is also understood to mean a loss or an error between the determined output values of the deep learning-based machine learning algorithm and reference values, for example corresponding actual conditions or actually measured data.
Als Prädiktionen werden dabei durch den Algorithmus des maschinellen Lernens gemachte Vorhersagen bezüglich einzelnen Labeln und/oder Featuren beziehungsweise Ausgabedaten, welche der Algorithmus basierend auf vorgegebenen Eingabedaten ausgibt, verstanden.Predictions are understood to be predictions made by the machine learning algorithm regarding individual labels and/or features or output data that the algorithm outputs based on predetermined input data.
Dass das Trainieren des Algorithmus des maschinellen Lernens dabei neben der klassischen ersten Kostenfunktion auch auf einer zusätzlichen zweiten Kostenfunktion, die die Prädiktionen auf Bildmaterial derselben Kamera hinsichtlich der Ähnlichkeit beziehungsweise Symmetrie der Prädiktionen bewertet, basiert, hat den Vorteil, dass das Verfahren robuster gegen hohe Rauschlevel und Varianzen in Ground-Truth-Informationen ist.The fact that the training of the machine learning algorithm is based not only on the classic first cost function but also on an additional second cost function, which evaluates the predictions on image material from the same camera with regard to the similarity or symmetry of the predictions, has the advantage that the method is more robust against high noise levels and variances in ground truth information.
Insgesamt wird somit ein verbessertes Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens angegeben, mit welchem der Einfluss falscher beziehungsweise ungenauer Ground-Truth-Informationen abgeschwächt werden kann.Overall, an improved method for training a machine learning algorithm is provided, with which the influence of false or inaccurate ground truth information can be weakened.
In einer Ausführungsform weist das Verfahren weiter ein Erzeugen zusätzlicher Bilddaten durch wenigstens ein Augmentationsverfahren auf, wobei die Trainingsdaten die gelabelten Bilddaten und die zusätzlichen Bilddaten umfassen.In one embodiment, the method further comprises generating additional image data by at least one augmentation method, the training data comprising the labeled image data and the additional image data.
Unter Augmentationsverfahren werde dabei Verfahren zur Erzeugung weiterer Trainingsdaten verstanden, wobei insbesondere Augmentationsverfahren bekannt sind, welche durch leichtes Modifizieren bekannter gelabelter Daten neue Daten erzeugen.Augmentation methods are understood to be methods for generating further training data, with augmentation methods in particular being known which generate new data by slightly modifying known labeled data.
Somit kann das Verfahren auch bei Anwendungsfällen, bei denen große Datenmengen zum Trainieren des entsprechenden Algorithmus des maschinellen Lernens benötigt werden, beispielsweise beim Kalibrieren smarter Kamerasysteme angewendet werden, ohne dass zunächst neue Ground-Truth-Informationen manuell bestimmt werden müssen, wobei der Einfluss auf das Training durch vielfaches Einbringen falscher oder ungenauer Parameter im Rahmen der Augmentierung abgeschwächt werden kann.This means that the method can also be used in applications where large amounts of data are required to train the corresponding machine learning algorithm, for example when calibrating smart camera systems, without first having to manually determine new ground truth information, with the influence on this Training can be weakened by repeatedly introducing incorrect or inaccurate parameters as part of the augmentation.
Zudem kann die zweite Kostenfunktion eine Gewichtung aufweisen, welche ausgebildet ist, zu verhindern, dass sehr häufig erzeugte Trainingsdaten beim Trainieren des Algorithmus des maschinellen Lernens entsprechend häufig berücksichtigt werden.In addition, the second cost function can have a weighting which is designed to prevent very frequently generated training data from being taken into account correspondingly frequently when training the machine learning algorithm.
Unter Gewichtung wird dabei die Bewertung einzelner Einflussgrößen eines mathematischen Modells beispielsweise hinsichtlich ihrer Wichtigkeit und Zuverlässigkeit verstanden.Weighting refers to the evaluation of individual influencing variables of a mathematical model, for example in terms of their importance and reliability.
Hierdurch kann verhindert werden, dass ein Beispiel beim Trainieren des Algorithmus des maschinellen Lernens an Oberhand gewinnt, welches beispielsweise durch Augmentierung beziehungsweise Augmentationsverfahren sehr häufig eingebracht wurde, wodurch wiederum die Gefahr von Overfitting reduziert werden kann.This can prevent an example from gaining the upper hand when training the machine learning algorithm, which has been introduced very frequently, for example through augmentation or augmentation methods, which in turn can reduce the risk of overfitting.
Weiter kann die zweite Kostenfunktion ausgebildet ist, die Prädiktionen mit einem aus zumindest einem Teil der Prädiktionen gebildeten Durchschnittswert zu vergleichen.Furthermore, the second cost function can be designed to compare the predictions with an average value formed from at least some of the predictions.
Dass der Durchschnittswert dabei aus zumindest einem Teil der Prädiktionen gebildet wird, bedeutet dabei, dass ein entsprechender Durchschnittswert aus wenigstens einem Teil der entsprechenden Prädiktionen für alle Trainingsdaten gebildet wird.The fact that the average value is formed from at least some of the predictions means that a corresponding average value is formed from at least some of the corresponding predictions for all training data.
Hierdurch können zum Ausführen der zweiten Kostenfunktion und somit zum Trainieren des Algorithmus benötigte Ressourcen, beispielsweise Speicher- und/oder Prozessorkapazitäten, reduziert werden. Zudem werden Algorithmen des maschinellen Lernens für gewöhnlich in Batches, das heißt auf Teilen der Trainingsdaten trainiert, so dass für gewöhnlich nie alle Beispiele beziehungsweise Trainingsdaten gleichzeitig ausgewertet werden. Dadurch, dass die Prädiktionen mit dem Durchschnittswert verglichen werden, kann dabei entsprechend gewährleistet werden, dass die Prädiktionen nicht direkt mit allen Beispielen, sondern nur mit dem Durchschnittswert verglichen werden müssen.This allows resources required to execute the second cost function and thus to train the algorithm, for example Memory and/or processor capacities can be reduced. In addition, machine learning algorithms are usually trained in batches, i.e. on parts of the training data, so that all examples or training data are usually never evaluated at the same time. By comparing the predictions with the average value, it can be ensured that the predictions do not have to be compared directly with all examples, but only with the average value.
Auch können die erste Kostenfunktion und die zweite Kostenfunktion zu einer gemeinsamen Kostenfunktion zusammengefasst sein, wobei das Trainieren des Algorithmus des maschinellen Lernens ein Anwenden der gemeinsamen Kostenfunktion aufweist.The first cost function and the second cost function can also be combined into a common cost function, with training the machine learning algorithm comprising applying the common cost function.
Dass die erste Kostenfunktion und die zweite Kostenfunktion zu einer gemeinsamen Kostenfunktion zusammengefasst sind, bedeutet dabei, dass eine einzige Kostenfunktion basierend auf der ersten Kostenfunktion und der zweiten Kostenfunktion gebildet wird, beispielsweise in dem die klassische erste Kostenfunktion um einen weiteren Term bezüglich der zweiten Kostenfunktion erweitert wird.The fact that the first cost function and the second cost function are combined into a common cost function means that a single cost function is formed based on the first cost function and the second cost function, for example by expanding the classic first cost function by a further term with respect to the second cost function becomes.
Durch Zusammenfassen der ersten Kostenfunktion und der zweiten Kostenfunktion zu einer gemeinsamen Kostenfunktion können die zum Ausführen des Verfahrens beziehungsweise zum Trainieren des Algorithmus des maschinellen Lernens benötigten Ressourcen verringert werden und kann gleichzeitig auch die zum Trainieren des Algorithmus des maschinellen Lernens benötigte Zeit verkürzt werden.By combining the first cost function and the second cost function into a common cost function, the resources required to execute the method or to train the machine learning algorithm can be reduced and at the same time the time required to train the machine learning algorithm can also be shortened.
Ferner können die Trainingsdaten in mehrere Teile aufgeteilt werden, wobei der Schritt des Trainierens des Algorithmus des maschinellen Lernens für jeden Teil der Trainingsdaten ein aufeinanderfolgendes Anwenden der ersten Kostenfunktion und der zweiten Kostenfunktion auf den entsprechenden Teil der Trainingsdaten aufweist.Further, the training data may be divided into multiple parts, wherein the step of training the machine learning algorithm for each part of the training data comprises sequentially applying the first cost function and the second cost function to the corresponding part of the training data.
Dass die erste Kostenfunktion und die zweite Kostenfunktion aufeinanderfolgend auf einen Teil der Trainingsdaten angewendet werden, bedeutet dabei, dass die erste Kostenfunktion und die zweite Kostenfunktion nacheinander auf zumindest den Teil der Trainingsdaten angewendet werden.The fact that the first cost function and the second cost function are applied successively to a portion of the training data means that the first cost function and the second cost function are applied successively to at least the portion of the training data.
Somit können beide Kostenfunktionen auch alternierend und exklusiv ausgewertet werden.This means that both cost functions can also be evaluated alternately and exclusively.
Mit einer weiteren Ausführungsform der Erfindung wird auch ein Verfahren zum Kalibrieren wenigstens eines optischen Sensors angegeben, wobei das Verfahren ein Kalibrieren des wenigstens einen optischen Sensors basierend auf einem Algorithmus des maschinellen Lernens aufweist, und wobei der Algorithmus des maschinellen Lernens durch ein obenstehend beschriebenes Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens trainiert wurde.A further embodiment of the invention also provides a method for calibrating at least one optical sensor, wherein the method comprises calibrating the at least one optical sensor based on a machine learning algorithm, and wherein the machine learning algorithm is carried out by a method described above Training a machine learning algorithm has been trained.
Somit wird ein Verfahren zum Kalibrieren wenigstens eines optischen Sensors angegeben, welches auf einem Algorithmus des maschinellen Lernens, der durch ein verbessertes Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens, mit welchem der Einfluss falscher beziehungsweise ungenauer Ground-Truth-Informationen abgeschwächt werden kann, trainiert wurde, basiert. Insbesondere dass das Trainieren des Algorithmus des maschinellen Lernens dabei neben der klassischen ersten Kostenfunktion auch auf einer zusätzlichen zweiten Kostenfunktion, die die Prädiktionen auf Bildmaterial derselben Kamera hinsichtlich der Ähnlichkeit beziehungsweise Symmetrie der Prädiktionen bewertet, basiert, hat den Vorteil, dass das Verfahren robuster gegen hohe Rauschlevel und Varianzen in Ground-Truth-Informationen ist.Thus, a method for calibrating at least one optical sensor is specified, which is trained on a machine learning algorithm that is trained by an improved method for training a machine learning algorithm with which the influence of false or inaccurate ground truth information can be attenuated was based. In particular, the fact that training the machine learning algorithm is based not only on the classic first cost function but also on an additional second cost function, which evaluates the predictions on image material from the same camera with regard to the similarity or symmetry of the predictions, has the advantage that the method is more robust against high Noise levels and variances in ground truth information is.
Mit einer weiteren Ausführungsform der Erfindung wird auch ein Steuergerät zum Trainieren eines Algorithmus des maschinellen Lernens, welcher Eingabedaten in Ausgabedaten abbildet, wobei es sich bei den Eingabedaten um Bilddaten handelt, angegeben, wobei das Steuergerät eine Bereitstellungseinheit, welche ausgebildet ist, gelabelte Bilddaten bereitzustellen, wobei die gelabelten Bilddaten von wenigstens einem optischen Sensor stammen, und wobei die gelabelten Bilddaten Trainingsdaten zum Trainieren des Algorithmus des maschinellen Lernens darstellen, und eine Trainingseinheit, welche ausgebildet ist, den Algorithmus des maschinellen Lernens basierend auf den Trainingsdaten zu trainieren, aufweist, wobei das Trainieren des Algorithmus des maschinellen Lernens ein Anwenden einer ersten Kostenfunktion, welche Prädiktionen mit Ground-Truth-Informationen vergleicht, aufweist, und wobei das Trainieren des Algorithmus des maschinellen Lernens ein Anwenden einer zweiten Kostenfunktion, welche, für jeden des wenigstens einen optischen Sensors, eine Ähnlichkeit von Prädiktionen auf von dem entsprechenden optischen Sensor bezüglich derselben Szene gelieferten Bilddaten auswertet, aufweist.With a further embodiment of the invention, a control device for training a machine learning algorithm, which maps input data into output data, the input data being image data, is also specified, the control device being a provision unit which is designed to provide labeled image data, wherein the labeled image data comes from at least one optical sensor, and wherein the labeled image data represents training data for training the machine learning algorithm, and a training unit which is designed to train the machine learning algorithm based on the training data, wherein the Training the machine learning algorithm includes applying a first cost function that compares predictions with ground truth information, and wherein training the machine learning algorithm includes applying a second cost function that, for each of the at least one optical sensor, Similarity of predictions on image data supplied by the corresponding optical sensor regarding the same scene is evaluated.
Somit wird ein verbessertes Steuergerät zum Trainieren eines Algorithmus des maschinellen Lernens angegeben, mit welchem der Einfluss falscher beziehungsweise ungenauer Ground-Truth-Informationen abgeschwächt werden kann. Dass das Trainieren des Algorithmus des maschinellen Lernens dabei neben der klassischen ersten Kostenfunktion auch auf einer zusätzlichen zweiten Kostenfunktion, die die Prädiktionen auf Bildmaterial derselben Kamera hinsichtlich der Ähnlichkeit beziehungsweise Symmetrie der Prädiktionen bewertet, basiert, hat den Vorteil, dass das Verfahren robuster gegen hohe Rauschlevel und Varianzen in Ground-Truth-Informationen ist.An improved control device for training a machine learning algorithm is thus specified, with which the influence of incorrect or inaccurate ground truth information can be weakened. The fact that the machine learning algorithm is trained not only on the classic first cost function but also on an additional second cost function that bases the predictions on the same image material Camera based on the similarity or symmetry of the predictions, has the advantage that the method is more robust against high levels of noise and variances in ground truth information.
In einer Ausführungsform weist das Steuergerät dabei weiter eine Augmentierungseinheit, welche ausgebildet ist, durch wenigstens ein Augmentationsverfahren zusätzliche Bilddaten zu erzeugen, auf, wobei die Trainingsdaten die gelabelten Bilddaten und die zusätzlichen Bilddaten umfassen. Somit kann das Steuergerät auch bei Anwendungsfällen, bei denen große Datenmengen zum Trainieren des entsprechenden Algorithmus des maschinellen Lernens benötigt werden, beispielsweise beim Kalibrieren smarter Kamerasysteme angewendet werden, ohne dass zunächst neue Ground-Truth-Informationen manuell bestimmt werden müssen, wobei der Einfluss auf das Training durch vielfaches Einbringen falscher oder ungenauer Parameter im Rahmen der Augmentierung abgeschwächt werden kann.In one embodiment, the control device further has an augmentation unit which is designed to generate additional image data using at least one augmentation method, the training data comprising the labeled image data and the additional image data. This means that the control device can also be used in applications where large amounts of data are required to train the corresponding machine learning algorithm, for example when calibrating smart camera systems, without first having to manually determine new ground truth information, with the influence on this Training can be weakened by repeatedly introducing incorrect or inaccurate parameters as part of the augmentation.
Die zweite Kostenfunktion kann dabei wiederum eine Gewichtung aufweisen, welche ausgebildet ist, dass sehr häufig erzeugte Trainingsdaten beim Trainieren des Algorithmus des maschinellen Lernens entsprechend häufig berücksichtigt werden.. Hierdurch kann wiederum verhindert werden, dass ein Beispiel beim Trainieren des Algorithmus des maschinellen Lernens an Oberhand gewinnt, welches beispielsweise durch Augmentierung beziehungsweise Augmentationsverfahren sehr häufig eingebracht wurde, wodurch wiederum die Gefahr von Overfitting reduziert werden kann.The second cost function can in turn have a weighting, which is designed so that very frequently generated training data is taken into account correspondingly frequently when training the machine learning algorithm. This in turn can prevent one example from gaining the upper hand when training the machine learning algorithm gains, which was very often introduced, for example, through augmentation or augmentation processes, which in turn can reduce the risk of overfitting.
Zudem kann die zweite Kostenfunktion wiederum ausgebildet sein, die Prädiktionen mit einem aus zumindest einem Teil der Prädiktionen gebildeten Durchschnittswert zu vergleichen. Hierdurch können zum Ausführen der zweiten Kostenfunktion und somit zum Trainieren des Algorithmus des maschinellen Lernens benötigte Ressourcen, beispielsweise Speicher- und/oder Prozessorkapazitäten, reduziert werden. Zudem werden Algorithmen des maschinellen Lernens für gewöhnlich in Batches, das heißt auf Teilen der Trainingsdaten trainiert, so dass für gewöhnlich nie alle Beispiele beziehungsweise Trainingsdaten gleichzeitig ausgewertet werden. Dadurch, dass die Prädiktionen mit dem Durchschnittswert verglichen werden, kann dabei entsprechend gewährleistet werden, dass die Prädiktionen nicht direkt mit allen Beispielen, sondern nur mit dem Durchschnittswert verglichen werden müssen.In addition, the second cost function can in turn be designed to compare the predictions with an average value formed from at least some of the predictions. As a result, resources required for executing the second cost function and thus for training the machine learning algorithm, for example memory and/or processor capacities, can be reduced. In addition, machine learning algorithms are usually trained in batches, i.e. on parts of the training data, so that all examples or training data are usually never evaluated at the same time. By comparing the predictions with the average value, it can be ensured that the predictions do not have to be compared directly with all examples, but only with the average value.
Auch können die erste Kostenfunktion und die zweite Kostenfunktion wiederum zu einer gemeinsamen Kostenfunktion zusammengefasst sein, wobei die Trainingseinheit ausgebildet ist, den Algorithmus des maschinellen Lernens durch Anwenden der gemeinsamen Kostenfunktion zu trainieren. Durch Zusammenfassen der ersten Kostenfunktion und der zweiten Kostenfunktion zu einer gemeinsamen Kostenfunktion können die zum Trainieren des Algorithmus des maschinellen Lernens benötigten Ressourcen verringert werden und kann gleichzeitig auch die zum Trainieren des Algorithmus des maschinellen Lernens benötigte Zeit verkürzt werden.The first cost function and the second cost function can also be combined into a common cost function, with the training unit being designed to train the machine learning algorithm by applying the common cost function. By combining the first cost function and the second cost function into a common cost function, the resources required to train the machine learning algorithm can be reduced and at the same time the time required to train the machine learning algorithm can also be reduced.
Ferner können die Trainingsdaten wiederum in mehrere Teile aufgeteilt werden, wobei die Trainingseinheit ausgebildet sein kann, für jeden Teil der Trainingsdaten die erste Kostenfunktion und die zweite Kostenfunktion auf den entsprechenden Teil der Trainingsdaten aufeinanderfolgend anzuwenden. Somit können beide Kostenfunktionen auch alternierend und exklusiv ausgewertet werden.Furthermore, the training data can in turn be divided into several parts, wherein the training unit can be designed to successively apply the first cost function and the second cost function to the corresponding part of the training data for each part of the training data. This means that both cost functions can also be evaluated alternately and exclusively.
Mit einer weiteren Ausführungsform der Erfindung wird zudem auch ein System zum Trainieren eines Algorithmus des maschinellen Lernens angegeben, wobei das System wenigstens einen optischen Sensor zum Erzeugen von Bilddaten und ein obenstehend beschriebenes Steuergerät zum Trainieren eines Algorithmus des maschinellen Lernens aufweist, und wobei das Steuergerät ausgebildet ist, den Algorithmus des maschinellen Lernens basierend auf durch den wenigstens einen optischen Sensor erzeugten Bilddaten zu trainieren.A further embodiment of the invention also provides a system for training a machine learning algorithm, wherein the system has at least one optical sensor for generating image data and a control device described above for training a machine learning algorithm, and wherein the control device is formed is to train the machine learning algorithm based on image data generated by the at least one optical sensor.
Somit wird ein System zum Trainieren eines Algorithmus des maschinellen Lernens angegeben, welches auf einem verbesserten Steuergerät zum Trainieren eines Algorithmus des maschinellen Lernens, mit welchem der Einfluss falscher beziehungsweise ungenauer Ground-Truth-Informationen abgeschwächt werden kann, basiert. Dass das Trainieren des Algorithmus des maschinellen Lernens dabei neben der klassischen ersten Kostenfunktion auch auf einer zusätzlichen zweiten Kostenfunktion, die die Prädiktionen auf Bildmaterial derselben Kamera hinsichtlich der Ähnlichkeit beziehungsweise Symmetrie der Prädiktionen bewertet, basiert, hat den Vorteil, dass das Verfahren robuster gegen hohe Rauschlevel und Varianzen in Ground-Truth-Informationen ist.Thus, a system for training a machine learning algorithm is specified, which is based on an improved control device for training a machine learning algorithm with which the influence of false or inaccurate ground truth information can be mitigated. The fact that the training of the machine learning algorithm is based not only on the classic first cost function but also on an additional second cost function, which evaluates the predictions on image material from the same camera with regard to the similarity or symmetry of the predictions, has the advantage that the method is more robust against high noise levels and variances in ground truth information.
Mit einer weiteren Ausführungsform der Erfindung wird außerdem auch ein Steuergerät zum Kalibrieren wenigstens eines optischen Sensors angegeben, wobei das Steuergerät ausgebildet ist, den wenigstens einen optischen Sensors basierend auf einem Algorithmus des maschinellen Lernens zu kalibrieren, und wobei der Algorithmus des maschinellen Lernens durch ein obenstehend beschriebenes Steuergerät zum Trainieren eines Algorithmus des maschinellen Lernens trainiert wurde.With a further embodiment of the invention, a control device for calibrating at least one optical sensor is also specified, wherein the control device is designed to calibrate the at least one optical sensor based on a machine learning algorithm, and wherein the machine learning algorithm is characterized by the above described control device was trained to train a machine learning algorithm.
Somit wird ein Steuergerät zum Kalibrieren wenigstens eines optischen Sensors angegeben, welches auf einem Algorithmus des maschinellen Lernens, der durch ein verbessertes Steuergerät zum Trainieren eines Algorithmus des maschinellen Lernens, mit welchem der Einfluss falscher beziehungsweise ungenauer Ground-Truth-Informationen abgeschwächt werden kann, trainiert wurde, basiert. Insbesondere dass das Trainieren des Algorithmus des maschinellen Lernens dabei neben der klassischen ersten Kostenfunktion auch auf einer zusätzlichen zweiten Kostenfunktion, die die Prädiktionen auf Bildmaterial derselben Kamera hinsichtlich der Ähnlichkeit beziehungsweise Symmetrie der Prädiktionen bewertet, basiert, hat den Vorteil, dass das Verfahren robuster gegen hohe Rauschlevel und Varianzen in Ground-Truth-Informationen ist.Thus, a control device for calibrating at least one optical sensor is specified, which is trained on a machine learning algorithm, which is trained by an improved control device for training a machine learning algorithm with which the influence of false or inaccurate ground truth information can be attenuated was based. In particular, the fact that training the machine learning algorithm is based not only on the classic first cost function but also on an additional second cost function, which evaluates the predictions on image material from the same camera with regard to the similarity or symmetry of the predictions, has the advantage that the method is more robust against high Noise levels and variances in ground truth information is.
Zusammenfassend ist festzustellen, dass mit der vorliegenden Erfindung ein Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens angegeben wird, wobei das Trainieren des Algorithmus des maschinellen Lernens ein Bewerten der Prädiktionssymmetrie aufweist.In summary, the present invention provides a method for training a machine learning algorithm, wherein training the machine learning algorithm includes evaluating prediction symmetry.
Die beschriebenen Ausgestaltungen und Weiterbildungen lassen sich beliebig miteinander kombinieren.The configurations and further developments described can be combined with one another as desired.
Weitere mögliche Ausgestaltungen, Weiterbildungen und Implementierungen der Erfindung umfassen auch nicht explizit genannte Kombinationen von zuvor oder im Folgenden bezüglich der Ausführungsbeispiele beschriebenen Merkmalen der Erfindung.Further possible refinements, further developments and implementations of the invention also include combinations of features of the invention described previously or below with regard to the exemplary embodiments that are not explicitly mentioned.
Kurze Beschreibung der ZeichnungenBrief description of the drawings
Die beiliegenden Zeichnungen sollen ein weiteres Verständnis der Ausführungsformen der Erfindung vermitteln. Sie veranschaulichen Ausführungsformen und dienen im Zusammenhang mit der Beschreibung der Erklärung von Prinzipien und Konzepten der Erfindung.The accompanying drawings are intended to provide further understanding of embodiments of the invention. They illustrate embodiments and, in connection with the description, serve to explain principles and concepts of the invention.
Andere Ausführungsformen und viele der genannten Vorteile ergeben sich im Hinblick auf die Zeichnungen. Die dargestellten Elemente der Zeichnungen sind nicht notwendigerweise maßstabsgetreu zueinander gezeigt.Other embodiments and many of the advantages mentioned arise with regard to the drawings. The illustrated elements of the drawings are not necessarily shown to scale to one another.
Es zeigen:
-
1 ein Flussdiagramm eines Verfahrens zum Trainieren eines Algorithmus des maschinellen Lernens gemäß Ausführungsformen der Erfindung; und -
2 ein schematisches Blockschaltbild eines Systems zum Trainieren eines Algorithmus des maschinellen Lernens gemäß Ausführungsformen der Erfindung.
-
1 a flowchart of a method for training a machine learning algorithm according to embodiments of the invention; and -
2 a schematic block diagram of a system for training a machine learning algorithm according to embodiments of the invention.
In den Figuren der Zeichnungen bezeichnen gleiche Bezugszeichen gleiche oder funktionsgleiche Elemente, Bauteile oder Komponenten, soweit nichts Gegenteiliges angegeben ist.In the figures of the drawings, the same reference numerals designate the same or functionally identical elements, parts or components, unless otherwise stated.
Beispielsweise für die Überwachung von Autobahnen, Gebäuden, Umzäunungen oder Büros werden zunehmend intelligente beziehungsweise smarte Kamerasysteme eingesetzt. Smarte Kamerasysteme unterscheiden sich von herkömmlichen Kamerasystemen dadurch, dass die aufgenommenen Bilddaten direkt durch die Kamera, beispielsweise basierend auf einem Algorithmus des maschinellen Lernens, ausgewertet werden und die Ergebnisse der Bildverarbeitung ausgegeben werden.For example, intelligent or smart camera systems are increasingly being used to monitor highways, buildings, fences or offices. Smart camera systems differ from conventional camera systems in that the image data recorded is evaluated directly by the camera, for example based on a machine learning algorithm, and the results of the image processing are output.
Um derartige smarte Kamerasysteme einsetzen zu können, ist es wichtig, diese zunächst zu kalibrieren beziehungsweise einzurichten. Hierzu werden neben den Bilddaten weitere Informationen benötigt, beispielsweise Informationen über eine intrinsische Kalibrierung, die Orientierung, oder über erkannte Objekte beziehungsweise Begrenzungen. Diese Informationen werden dabei häufig manuell erzeugt und eingegeben, wobei die Installationszeit von smarten Kamerasystemen reduziert werden kann und diese unempfindlich gegen potenzielle Änderungen der Ausrichtung gemacht werden können, wenn dieser Prozess automatisiert werden würde.In order to be able to use such smart camera systems, it is important to first calibrate or set them up. In addition to the image data, further information is required for this, for example information about intrinsic calibration, orientation, or recognized objects or boundaries. This information is often generated and entered manually, although the installation time of smart camera systems can be reduced and they can be made insensitive to potential changes in orientation if this process were automated.
Für die automatisierte Schätzung dieser Informationen eignen sich dabei insbesondere Deep-Learning trainierte Algorithmen des maschinellen Lernens, zumal diese in der Lage sind, auch komplexe Szeneninhalte zu interpretieren. Als nachteilig erweist sich dabei jedoch, dass sich die Korrektheit der entsprechenden bereitgestellten, zum Kalibrieren verwendeten Informationen nur schlecht überprüfen lässt, da für gewöhnlich keine hochgenauen Kalibrierinformationen vorliegen. Vielmehr müssen viele Parameter basierend auf wenigen Hinweisen in Bilddaten abgeleitet werden, welche anschließend Ground-Truth Informationen beziehungsweise Grund- beziehungsweise Basiswissen, das heißt Wissen über eine korrekte Klassifizierung, bilden, wobei diese Informationen jedoch sehr unsicher sein und nicht die tatsächlichen Informationen wiedergeben können.Machine learning algorithms trained in deep learning are particularly suitable for the automated estimation of this information, especially since they are able to interpret even complex scene content. However, the disadvantage here is that it is difficult to check the correctness of the corresponding information used for calibration, since there is usually no highly accurate calibration information available. Rather, many parameters must be derived based on a few clues in image data, which then form ground truth information or basic knowledge, i.e. knowledge about a correct classification, although this information can be very uncertain and does not reflect the actual information.
Dass das Trainieren des Algorithmus des maschinellen Lernens dabei neben der klassischen ersten Kostenfunktion auch auf einer zusätzlichen zweiten Kostenfunktion, die die Prädiktionen auf Bildmaterial derselben Kamera hinsichtlich der Ähnlichkeit beziehungsweise Symmetrie der Prädiktionen bewertet, basiert, hat den Vorteil, dass das Verfahren 1 robuster gegen hohe Rauschlevel und Varianzen in Ground-Truth-Informationen ist.The fact that the training of the machine learning algorithm is based not only on the classic first cost function but also on an additional second cost function, which evaluates the predictions on image material from the same camera with regard to the similarity or symmetry of the predictions, has the advantage that method 1 is more robust against high Noise levels and variances in ground truth information is.
Insgesamt wird somit ein verbessertes Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens 1 angegeben, mit welchem der Einfluss falscher beziehungsweise ungenauer Ground-Truth-Informationen abgeschwächt werden kann.Overall, an improved method for training a machine learning algorithm 1 is specified, with which the influence of false or inaccurate ground truth information can be weakened.
Bei dem Algorithmus des maschinellen Lernens kann es sich dabei beispielsweise um ein künstliches neuronales Netz handeln.The machine learning algorithm can be, for example, an artificial neural network.
Zudem kann die zweite Kostenfunktion ausgebildet sein, Ähnlichkeiten in Prädiktionen auf durch denselben optischen Sensor zu unterschiedlichen Zeitpunkten und/oder bei unterschiedlichen Lichtbedingungen bezüglich derselben Szene erzeugten beziehungsweise jeweils dieselbe Szene kennzeichnenden Bilddaten zu erzeugen.In addition, the second cost function can be designed to generate similarities in predictions on image data generated by the same optical sensor at different times and / or under different lighting conditions with respect to the same scene or characterizing the same scene.
Wie
Das wenigstens eine Augmentationsverfahren kann dabei beispielsweise ein Erzeugen neuer Bilddaten durch Spiegeln und/oder Verschieben von Bilddaten umfassen.The at least one augmentation method can include, for example, generating new image data by mirroring and/or shifting image data.
Somit kann beispielsweise ein neuronales Netz mit nur wenigen zur Verfügung stehenden Beispielen beziehungsweise Trainingsdaten trainiert werden.This means, for example, that a neural network can be trained with only a few available examples or training data.
Gemäß den Ausführungsformen der
Zudem ist die zweite Kostenfunktion ausgebildet, die Prädiktionen mit einem aus zumindest einem Teil der Prädiktionen gebildeten Durchschnittswert zu vergleichen.In addition, the second cost function is designed to compare the predictions with an average value formed from at least some of the predictions.
Der Durchschnittswert kann dabei beispielsweise durch tiefpassgefilterte Mittelung von zumindest einem Teil der Prädiktionen gebildet werden.The average value can be formed, for example, by low-pass filtered averaging of at least some of the predictions.
Ferner kann dabei für jeden optischen Sensor und jede mögliche Szene jeweils ein separater Durchschnittswert gebildet werden.Furthermore, a separate average value can be formed for each optical sensor and each possible scene.
Gemäß den Ausführungsformen der
Insbesondere ist dabei die klassische Kostenfunktion um einen Term bezüglich der Ähnlichkeit von Prädiktionen erweitert.In particular, the classic cost function is expanded to include a term regarding the similarity of predictions.
Insbesondere kann die gemeinsame Kostenfunktion L dabei wie folgt definiert werden:
Somit wird der klassische Kostenterm um eine Komponente bezüglich der Symmetrie der Prädiktionen erweitert.The classic cost term is thus expanded to include a component relating to the symmetry of the predictions.
Gemäß den Ausführungsformen der
Der entsprechende Algorithmus kann anschließend beispielsweise zum Kalibrieren von smarten Kamerasystemen verwendet werden, wobei basierend auf dem Algorithmus des maschinellen Lernens Informationen über die Ausrichtung einer smarten Kamera, beispielsweise darüber, wie hoch die Kamera über einer Ebene aufgehängt ist, wie weit die Kamera nach unten schaut, oder eine Fokallänge der Kamera gewonnen werden können, und wobei die smarte Kamera anschließend basierend auf den gewonnen Informationen kalibriert werden kann.The corresponding algorithm can then be used, for example, to calibrate smart camera systems, with information about the orientation of a smart camera based on the machine learning algorithm, for example about how high the camera is suspended above a level, how far down the camera looks , or a focal length of the camera can be obtained, and the smart camera can then be calibrated based on the information obtained.
Ferner kann der Algorithmus des maschinellen Lernens basierend auf entsprechend gelabelten Trainingsdaten aber beispielsweise auch zur Segmentierung von Bilddaten oder zur Objekterkennung trainiert werden.Furthermore, the machine learning algorithm can be trained based on appropriately labeled training data, for example also for segmenting image data or for object recognition.
Wie
Gemäß den Ausführungsformen der
Das Steuergerät 12 weist ferner eine Bereitstellungseinheit 13, welche ausgebildet ist, gelabelte Bilddaten bereitzustellen, wobei die gelabelten Bilddaten von wenigstens einem der optischen Sensoren 11 stammen, und wobei die gelabelten Bilddaten Trainingsdaten zum Trainieren des Algorithmus des maschinellen Lernens darstellen, und eine Trainingseinheit 14, welche ausgebildet ist, den Algorithmus des Algorithmus des maschinellen Lernens basierend auf den Trainingsdaten zu trainieren, auf, wobei das Trainieren des Algorithmus des maschinellen Lernens ein Anwenden einer ersten Kostenfunktion, welche Prädiktionen mit Ground-Truth-Informationen vergleicht, aufweist, und wobei das Trainieren des Algorithmus des maschinellen Lernens ein Anwenden einer zweiten Kostenfunktion, welche, für jeden optischen Sensor 11 eine Ähnlichkeit von Prädiktionen auf von dem entsprechenden optischen Sensor bezüglich derselben Szene gelieferten Bilddaten auswertet, aufweist.The
Bei der Bereitstellungseinheit kann es sich dabei beispielsweise um einen Empfänger, welcher ausgebildet ist, von den optischen Sensoren erzeugte Bilddaten zu empfangen. Die Trainingseinheit kann ferner beispielsweise basierend auf einem in einem Speicher hinterlegten und durch einen Prozessor ausführbaren Code realisiert werden.The provision unit can be, for example, a receiver which is designed to receive image data generated by the optical sensors. The training unit can also be implemented, for example, based on code stored in a memory and executable by a processor.
Wie
Die Augmentierungseinheit kann dabei wiederum beispielsweise basierend auf einem in einem Speicher hinterlegten und durch einen Prozessor ausführbaren Code realisiert werden.The augmentation unit can in turn be implemented, for example, based on code stored in a memory and executable by a processor.
Gemäß den Ausführungsformen der
Zudem ist die zweite Kostenfunktion wiederum ausgebildet, die Prädiktionen mit einem aus zumindest einem Teil der Prädiktionen gebildeten Durchschnittswert zu vergleichen.In addition, the second cost function is again designed to compare the predictions with an average value formed from at least some of the predictions.
Gemäß den Ausführungsformen der
Zudem sind die Trainingsdaten in mehrere Teile aufgeteilt, wobei die dargestellte Trainingseinheit 14 ausgebildet ist, für jeden Teil der Trainingsdaten die erste Kostenfunktion und die zweite Kostenfunktion auf den entsprechenden Teil der Trainingsdaten aufeinanderfolgend anzuwenden.In addition, the training data is divided into several parts, with the
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturCited patent literature
- US 6985780 B2 [0006]US 6985780 B2 [0006]
Claims (15)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022204297.2A DE102022204297A1 (en) | 2022-05-02 | 2022-05-02 | Method for training a machine learning algorithm |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022204297.2A DE102022204297A1 (en) | 2022-05-02 | 2022-05-02 | Method for training a machine learning algorithm |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022204297A1 true DE102022204297A1 (en) | 2023-11-02 |
Family
ID=88306620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022204297.2A Pending DE102022204297A1 (en) | 2022-05-02 | 2022-05-02 | Method for training a machine learning algorithm |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102022204297A1 (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6985780B2 (en) | 2000-03-10 | 2006-01-10 | Adept Technology, Inc. | Smart camera |
-
2022
- 2022-05-02 DE DE102022204297.2A patent/DE102022204297A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6985780B2 (en) | 2000-03-10 | 2006-01-10 | Adept Technology, Inc. | Smart camera |
Non-Patent Citations (3)
Title |
---|
FENG, Di, et al. Deep multi-modal object detection and semantic segmentation for autonomous driving: Datasets, methods, and challenges. IEEE Transactions on Intelligent Transportation Systems, 2020, 22. Jg., Nr. 3, S. 1341-1360. |
JIANG, Peng; OSTEEN, Philip; SARIPALLI, Srikanth. Semcal: Semantic lidar-camera calibration using neural mutual information estimator. In: 2021 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems (MFI). IEEE, 2021. S. 1-7. |
Machine learning. In: Wikipedia, The free Encyclopedia. Bearbeitungsstand: 30. April 2022, 06:36 UTC. URL: https://en.wikipedia.org/w/index.php?title=Machine_learning&oldid=1085379414 [abgerufen am 04.05.2023] |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018128158A1 (en) | DEVICE FOR INSPECTION OF THE APPEARANCE PICTURE | |
DE19521346A1 (en) | Image processing and inspection by extracting identification features | |
DE102018109276A1 (en) | SCREENING BASIC SUPPORT FOR DYNAMIC LIGHTING SCENARIOS | |
DE102018205561A1 (en) | Device for classifying signals | |
DE102017006260A1 (en) | Method for determining detection properties of at least one environmental sensor in a vehicle and vehicle, designed to carry out such a method | |
DE102022204297A1 (en) | Method for training a machine learning algorithm | |
DE102020103575A1 (en) | Feature point detection apparatus and method for detecting feature points in image data | |
EP3830754B1 (en) | Method and device for determining an explanation map | |
DE102018133092B3 (en) | Computer-implemented method for analyzing measurement data from a measurement of an object | |
DE102019220364A1 (en) | Calibration device and method for calibrating a device | |
DE102018207933A1 (en) | Method and verification system for checking a manufactured gear unit | |
DE102019217300A1 (en) | Method for training an artificial neural network, computer program, storage medium, device, artificial neural network and application of the artificial neural network | |
DE602004011478T2 (en) | DISPLAY THE ACCURACY OF A QUANTITATIVE ANALYSIS | |
DE102022206892A1 (en) | Method for determining an optimal architecture of an artificial neural network | |
DE102022203067A1 (en) | Method for recognizing objects in image data | |
DE102021210322A1 (en) | Method for generating a data set for training and/or testing a machine learning algorithm based on an ensemble of data filters | |
DE102010019735B4 (en) | Method for automatic detection of defect pixels of a detector of an imaging fluoroscopy system and corresponding transillumination system | |
DE102021204343A1 (en) | Controller for generating training data for training a machine learning algorithm | |
DE202022103792U1 (en) | Device for determining an optimal architecture of an artificial neural network | |
DE102022208384A1 (en) | Method for determining a quality condition of a test object | |
DE102022210131A1 (en) | Method and controller for generating additional data for training and/or validating an anomaly detector | |
DE102022202696A1 (en) | Method for categorizing output data output by a machine learning algorithm | |
DE102022204364A1 (en) | Quality determination of object recognition by a neural network | |
DE102021211197A1 (en) | Method and device for ensuring the functionality of a video system | |
DE202021102338U1 (en) | Control unit for generating training data for training a machine learning algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |