CN111860761B 用于生成数字图像对作为神经网络的训练数据的方法 （罗伯特·博世有限公司）

用于生成数字图像对作为神经网络的训练用于生成数字图像对作为神经网络的训练经网络对受到噪声干扰的图像的受到噪声干扰一数字图像和所存储的第二数字图像的重叠区一和第二数字图像的周围环境的分别检测到的境的分别检测到的立体角彼此偏差得不超过所规定的差并且在所述第一和第二数字图像的重叠区域之内所述对象移动的程度低于所规定的21.一种用于创建数字图像对来训练神经网络对受到噪声干扰的图像的受到噪声干扰(S1)确定在移动平台的周围环境的所存储的第一数字图像和所存储的第二数字图像只要所述第一和第二数字图像的周围环境的分别检测到的立体角彼此偏差得不超过所规定的差并且在所述第一和第二数字图像的重叠区域之内所述对象移动的程度低于所2.根据权利要求1所述的方法，其中在所述第一和第二数字图像的重叠区域之内所述对象移动的程度利用所述移动平台的惯性导航系统的3.根据权利要求1或2所述的方法，其中利用4.根据权利要求1或2所述的方法，其中借助于雷达传感器的5.根据权利要求1或2所述的方法，其中6.根据权利要求1或2所述的方法，其中所存储的第一和第二数字图像通过LIDAR系统8.一种用于训练神经网络来对受到噪声干扰的图像的受到噪声干扰的图像部分进行络利用数字图像对的第一数字图像作为输入量被训练来生成所述数字图像对的第二数字9.一种用于借助于根据权利要求8来训练的神经网络对受到噪声干扰的图像的受到噪10.一种用于借助于图像对至少部分自动化的移动平台的周围环境表示的方法，所述11.根据权利要求10所述的方法，其中所述周围环境表示被用于操控至少部分自动化3下雪或起雾都造成对测量结果的影响。这些影响因素导致很多误探测(假阳性(False-去的方法特别是在自动驾驶的领域导致周围环境[0003]本发明公开了一种用于创建数字图像对来训练神经网络以便对受到噪声干扰的图像的受到噪声干扰的图像部分进行修正的方法、一种相对应的用于训练神经网络的方法、一种相对应的用于对受到噪声干扰的图像的受到噪声干扰的图像部分进行修正的方平台的周围环境的所存储的第一数字图像和所存储的第二数字图像的重叠区域之内对象立体角彼此偏差得不超过所规定的差并且在第一和第二数字图像的重叠区域之内对象移4[0007]这种神经网络基于不同单元或节点的聚集，这些单元或节点被称作人造神经经元可以对该信号进行处理并且接着将其它与该人造神经元连接的[0009]这种人造神经网络的架构可以是根据多层感知器(Multi-Layer-Perceptron，MLP)网络来构造的神经网络。多层感知器(MLP)网络属于人造前馈(feed-forward)神经网网络类似于上文提到的神经网络地来进一步开发。这种编码器-解码器神经网络的架构通入图案向下计算为相对于数据量较低的分辨率，以便获得所希望的信息并且减少冗余信接将在第一部分中和在第二部分中的一些层直(英文lightdetectionandranging(光探测和测距，即激光雷达))图像或者其它成像方[0013]例如在图像通过LIDAR(激光雷达)测量方法来生成的情况下，这些影响因素导致5有到达探测器并且测量无效或对象处在传感器些交通成员在拍摄这两个图像之间已经以太过不容许的程度改变了它们的位置并且因此而引起的拍摄立足点的容许的偏移和/或在分别两个成像系统之间的偏移通常在几厘米的[0020]移动平台可以被理解为移动的至少部分自动化的系统和/或驾驶员辅助系统。示6[0021]如果现在例如20张照片的序列满足上文提到的要求，则可以从中生成20的2次幂[0023]通过分析看来适合作为图像对来相对应地训练神经网络并且针对其分别可用惯以以与在针对重叠区域之内对象移动的程度进行分析时所描述的相同的方式性导航系统(该惯性导航系统必要时可以借助于惯性效应来识别在第一与第二图像之间不曾发生成像系统的移动)的数据，不仅可以得出关于图像区域的重叠方面的结论而且可以光雷达)系统的信号变换来生成。借助于激光束例如扫描移动平台的周围环境的LIDAR(激光雷达)系统的信号可以借助于变换来换算成二维图像并且接着被用于训练神经网络，以雷达)系统也具有尤其是由于环境影响所引起的误差，通过将这种神经网络应用于这种系7[0029]提出了一种用于训练神经网络来对受到噪声干扰的图像的受到噪声干扰的图像的并且该神经网络利用数字图像对的第一数字图像作为输入量被训练来生成该数字图像是图像对的第一图像被用作神经网络的输入量而且预先给定图像对的第二图像作为该神[0031]提出了一种用于借助于神经网络来对受到噪声干扰的图像的受到噪声干扰的图[0032]说明了一种用于借助于图像对至少部分自动化的移动平台的周围环境表示的方些图像的受到噪声干扰的图像部分按照用于对受到噪声干扰的图像的受到噪声干扰的图动平台的周围环境表示可以质量更高地被用于呈现或用于进一步分析、例如用于决策系部分自动化的车辆和/或将该周围环境表示的呈现发给车辆乘客。借助于这种周围环境表8[0046]图1d示出了如上文所描述的那样利用多个受到噪声干扰的图像对来训练的神经[0048]示例性的神经网络是由两部分构造的编码器-解码器网络。第一部分是如下层序个输出参数都具有与在该输入层中的相对应的参数[0053]该编码器与人造卷积神经网络(ConvolutionalNeuralNetwork)相对应地来构造并且具有一个或多个卷积层(convolutionallayer)，必要时在所述卷积层之后是池化频繁地重复，在足够的重复的情况下那么就谈及深度卷积神经网络(DeepConvolutional9[0062]图2示