CN112150344B 用于确定一类别的对象的置信值的方法 （罗伯特·博世有限公司）

描述一种用于确定一类别的对象的置信值神经网络的层的多个输出图像来创建(S1)激活激活签名的面与对象框架的面的重叠的面部分2对于所述对象的所述类别，借助所述神经网络的层的多个输出图像来创将所述激活签名缩放(S2)到所述输入图将所述激活签名的面与对象框架的面的重叠的面部分相对于所述激活签名的面进行借助梯度法计算所述神经网络的层的多个输出图像中的每个单个输出图像对于所确对所述输出图像中的每个输出图像以所述输出图像的相应的重要性将激活函数应用于经合并的所述多个经加权的输出图像，用以增3.根据权利要求1或2所述的方法，其中，5.根据权利要求1或2所述的方法，其中，通过关于所述多个输出图像中的输出图像确定所述神经网络的类别输出值的梯度来计算所述神经网络的层的多个输出图像中的每个单个输出图像对于所确定的对象的分类将所述类别输出值的梯度在相应的输出图像的所有像素上进行平均，对所述输出图像中的每个输出图像以所述输出图像的相应的重要性将经加权的输出图像的在所述经加权的输出图像中布置在相应位置的所有像素值相通过将所相加的像素值的所有负值置零来放大对所述分类有积极影响的所相加的像7.根据权利要求1或2所述的方法，其中，8.根据权利要求1或2所述的方法，其中，根3部分自动化的车辆的操控信号和/或用于警告车辆乘9.一种用于确定一类别的对象的置信值的设备(210)，所述设备设置用于执行根据权4[0002]为了控制至少部分自动化的系统(例如作为移动平台形式的示例的自行驶的车辆的运行的前提是对周围环境的解读和对该周围环境的状态的评估——例如决策过程(例如[0003]关于这种例如使用深度神经网络的至少部分自动化的系统的安全性的基本问题件——例如光学传感器的雾或降低的数据质量(例如单个图像中的或图像序列中的运动模给一类别的对象或对象段的过程中的偏差：在确定的过程中出现的识别图案5的面(Flache)与对象框架的面的重叠的面部分相对于激活签名的面进行比较，以便确定量化并由此借助神经网络来支持对象识别，其方式是说明除对象的确定和/或分类之外的关于对象识别的可信度的附加信息。甚至当正确地确定了对象和/或对对象进行正确地分[0016]对于神经网络的实施补充地，人工卷积神经网络(英语ConvolutionalNeuralNetwork)的结构还包括一个或多个卷积层(英语convolutionallayer)，必要时跟随有池化层(PoolingLayer)。所述序列的层可以具有或不具有归一化层(例如批量归一化(Batch-Normalisierung))、零填充层(Zero-Padding-Schichten)、丢弃层(Dropout-6[0019]最后的卷积层提取最复杂的特征，所述最复杂的特征布置在多个特征地图(具有后的卷积层中的特征图或特征地图的数量最大——例如在为了以全连接层进行分类而将坐标维度变为一维之前，从而可以优选地选择神经网络的最后的卷积层用于创建激活签的总和建立关系(insverhaltnissetzen)，其中，仅加上激活签名的7[0036]例如可以通过逐像素地相加其位置相对应的像素来实施多个经加权的输出图像值中对借助梯度法确定的重要性在输出图像的所有像像的梯度来计算神经网络的层的多个输出图像中的每个单个输出图像对于确定对象的分[0040]在另一步骤中，将类别输出值的梯度在相应的输出图像[0042]通过梯度法确定层的单个输出图像的重要性在很大程度上相应于经梯度加权的[0043]可以借助公式1来计算神经网络层的多个的k个输出图像中的每个单个输出图像8[0054]借助这样的阈值例如可以实现如下：根据当前情况和当前的置信值触发警报信和/或分类的结果，并且可以借助其他传感器来将所述参数与关于周围环境的其他信息进[0064]说明一种机器可读的存储介质，在该机器可读的存储介质上存储上述计算机程9经网络140对包含在输入图像中的对象进行确定和分类，并将所述结果传送给表示单元160，该表示单元将其结果(例如探测到的对象或输入图像的经分割的部分区域)提供给比[0072]替代地，神经网络140可以设置和训练用于将其输入图像语义分割成对象段。在到签名分析处理单元170。签名分析处理单元170借助神经网络140的多个输出图像来创建激活签名并将该激活签名缩放到输入图像的尺寸。签名分析处理单元170将经缩放的激活[0074]图2描绘一种具有设备210的系统200，该设备设置用于在应用情况下执行