用于信号分类的设备制造技术

本发明专利技术涉及一种用于对组织进行分类的设备（1），其包括具有至少一个卷积层（31a‑31e）的人工神经网络（3），其中，卷积层（31a‑31e）包含多个可训练的卷积核（32a‑32c）并且对于每个卷积核（32a‑32c）提供一个激活卡（33a‑33c），并且在所述至少一个卷积层（31a‑31e）之后连接至少一个分类器层（35a‑35b）。此外，本发明专利技术涉及用于训练的一种设备和一种方法以及用于运行所述设备的方法（200）和所属的计算机程序。

【技术实现步骤摘要】
用于信号分类的设备
本专利技术涉及一种用于对信号分类的设备、一种用于训练的方法和一种用于运行的方法，所述设备例如可以应用到图像数据或音频数据上。
技术介绍
在分析处理例如图像数据或音频数据时，总是又提出以下任务：在所述数据中识别确定的对象或其他特征。这样的任务对于计算机是要求高的，因为图像数据或音频数据对于计算机而言首先仅仅作为不具有更深的含义的数值存在并且展开高维度的问题空间。例如，在具有24比特的色彩深度的VGA-分辨率（640x480像素）中存在数量级1012个不同的图像。这么大数量的图像适于借助对象的或特征的内容分类成数量级适中的10-100个类别。为了克服该复杂性，使用人工神经网络。这样的神经网络例如可以由多个依次连接的层组成，在所述层中，任务的维度通过卷积核的应用以及通过下采样来明显减少。这样的神经网络的特征此外在于，强大地并行处理这些数据。GB2454857B提供一个用于以下方法的示例：在所述方法中，显微镜图像借助自学习的神经网络来如下分类：所述显微镜图像包含哪些对象。
技术实现思路
在本专利技术的范围中，发展一种用于对输入信号分类的设备。该设备包括具有至少一个卷积层的人工神经网络。所述至少一个卷积层包含多个可训练的卷积核。通过在输入信号中在所有可能的位置上逐次地应用相应的卷积核，对于每个卷积核产生一个激活卡，所述激活卡给在所述至少一个卷积层的输入中的离散位置分别分配一个输出值。所述输出值是所述输入与相应的卷积核的局部一致性的度量。在此，多个卷积层绝对可以串联连接。例如，获得图像数据作为输入信号的第一卷积层可以包含多个卷积核，所述多个卷积核识别对象——诸如线和弧——的简单的几何基础元素。于是另外的卷积层例如可以被构造用于，识别由这些几何元素组成的简单的对象（例如房子、交通标志或汽车）。该信息又可以应用在另外的卷积层中，以便例如识别复杂的状况，例如由多个交通参与者、交通标志和建筑物组成的交通状况，在该交通状况中，在至少半自动的驾驶中可以求取优先行驶情况。如果存在多个卷积层，则一个卷积层的输出不必强制性地仅仅转交给相邻的卷积层，而是也可以直接转交给不相邻的卷积层。该处理链不限于图像数据，而是也可以例如借助音频数据来一样好地执行。在此，例如第一卷积层也可以包含用于识别其他交通参与者的、喇叭的和警铃的行驶噪音的卷积核，并且在后一卷积层中可以由此推断出作为整体的交通状况。在所述至少一个卷积层、例如最后的卷积层之后连接至少一个分类器层，所述至少一个分类器层借助可训练的权重将其输入映射到一组针对以下的概率上，即所述输入属于多个类别之一。例如，可以如下对作为整体的交通状况进行分类：自身车辆是允许继续行驶还是有义务等待。可以在借助最后的卷积层识别的所有复杂特征的概览中如下评估组织的图像：组织是健康的还是病态地改变。同样可以如下评估部件的图像：所述部件是否受损坏。所述至少一个卷积层的输出附加地导至至少一个聚合层中，所述至少一个聚合层被构造用于给从所述至少一个卷积层获得的每一个激活卡分配至少一个聚合值。如果多个卷积层依次连接，则可以优选地将最后的卷积层的输出导至聚合层中。该聚合层然后评估与分类器层相同的实际情况、也即激活卡特别准确地说明，在输入信号中的哪些部分区域已经对由分类器层求取的概率做出贡献。然而替代地或组合地，也可以将其他卷积层的输出导至聚合层中。已经识别，聚合值包含关于输入信号中的哪些部分区域对于输入信号的通过分类器层的分类是关联的结论。通过这种方式，例如可以对分类进行可信度检查。此外，例如可以在部件分类为损坏的情况下或者在组织分类为病态地改变的情况下辨识以下损坏部位：所述损坏部位对于这种评价是决定性的。在自身车辆有等待义务方面评价行驶状况时，可以辨识以下车辆：必须等待所述车辆。聚合引起由卷积层提供的信息的明显密集。然而这对通过分类器层的分类的准确性不具有影响，因为分类器层一如既往地获得全部信息。当分类器层如同聚合层一样从相同的卷积层得到分类器层的输入时，关于由分类器层进行的分类，聚合值的说服力是最大的。然而，这不是强制性的。例如可以期望的是，在相比提供给分类器层的抽象等级更精细的抽象等级上分析与输入信号的部分的关联性。在本专利技术的一种特别有利的构型中，设有分析处理单元，所述分析处理单元被构造用于通过从所述至少一个卷积层获得的激活卡的借助在聚合层中存储的权重的经加权的求和来求取所述至少一个卷积层的输出的关联性卡。该关联性卡恰恰在由至少一个卷积层最后检查的等级上抽象出。分析处理单元例如可以集成到聚合层中或者与该聚合层一起构成组件。当待分类的输入信号是图像数据时，关联性卡尤其特别易于理解。然而，关联性卡不限于该应用情况。例如，视觉上易于理解的关联性卡也可以对于作为输入信号的音频数据来产生，其方式是，将音频数据转换成对于相应的应用情况在视觉上易于理解的表示。因此，例如喇叭的或警铃的信号可以以音频信号的图形表示在频域中容易地发现。因为每个卷积层减少输入信号的维度，所以关联性卡通常相比输入信号是明显更小维度的。在图像作为输入信号的情况下，这例如意味着，关联性卡相比原始图像是明显更小像素分辨率的。关联性卡可以例如相应地升档（hochskalieren），以便关联性卡以对于观察者而言有说服力的方式置于输入信号上，即例如置于原始图像上。升档可以例如通过双线性内插来实现。在本专利技术的另一个特别有利的构型中，所述分析处理单元获得由所述分类器层求取的至少一个概率作为输入并且根据所述概率考虑在所述聚合层中存储的不同的权重。通过这种方式，可以在关联性卡中将从聚合值和激活卡获得的信息与从分类器层获得的分类如下合并：即还更准确地概述输入信号的对于决定关联的部分。在本专利技术的另一个特别有利的构型中，所述聚合层也构造为分类器层，所述分类器层通过以可训练的权重对所述聚合值加权来求取到类别的所属性的概率。通过这种方式一方面可能的是，与通过首要设置的分类器层的分类分开地训练所述权重，以便所述权重接着可以用于关联性卡的求取。在输入信号中的关联区域的识别于是因此可以从也在首要设置的分类器层的训练中应用的相同的学习数据获益。另一方面，作为分类器层的聚合层的附加功能不限于学习阶段。更确切地说，可以将通过这种方式从聚合层获得的分类用于对从首要设置的分类器层获得的分类进行可信度检查并且识别可能的故障功能。这例如在安全关键的应用——诸如在道路交通中的车辆的至少部分自动化的控制——中是重要的。与其中聚合层用作唯一的分类器的解决方案相比，一个重要的区别在于，首要设置的分类器层一如既往地动用由卷积层提供的全部信息。而如果聚合层是唯一的分类器，则分类仅仅还能够以通过聚合而急剧减少的数据量工作并且变得明显较不准确。聚合层可以例如被构造用于，通过关于包含在所述激活卡中的值的求和和/或平均值形成和/或最大值形成和/或最小值形成和/或方差形成和/或中值形成和/或百分数形成来求取至少一个聚合值。例如可以应用“globalaveragepooling：全局平均池化”，GAP。如果输入信号例如是图像数据并且卷积层的卷积核被构造用于识别确定的对象，则求和或平均值形成的结果尤其是关于在图像区域中总共包含多少个这样类型的对象的度量。如果例如对一个图像包含所确定的类型的一个或多个图像的本文档来自技高网...

【技术保护点】
1.一种用于对组织、尤其视网膜进行分类的设备（1），所述设备包括具有至少一个卷积层（31a‑31e）的人工神经网络（3），其中，所述卷积层（31a‑31e）包含多个可训练的卷积核（32a‑32c）并且对于每个卷积核（32a‑32c）提供一个激活卡（33a‑33c），所述激活卡给在所述至少一个卷积层（31a‑31e）的输入中的离散位置分别分配一个输出值，所述输出值是所述输入与相应的卷积核（32a‑32c）的局部一致性的度量，其中，在所述至少一个卷积层（31a‑31e）之后连接至少一个分类器层（35a‑35b），所述至少一个分类器层借助可训练的权重将其输入映射到一组针对以下的概率（36a‑36b）上：所述输入属于多个预给定的类别——尤其所述组织是健康的还是病态地改变——之一，其中，设有分析处理单元（4），所述分析处理单元被构造用于通过从所述至少一个卷积层（31a‑31e）获得的激活卡（33a‑33c）的借助在聚合层（37）存储的权重（38a‑38c）的经加权的求和来求取所述至少一个卷积层（31a‑31e）的输出（33a‑33c）的关联性卡（41），其中，所述关联性卡（41）指出组织的以下位置：所述位置对于评价是决定性的。...

【技术特征摘要】
2017.08.18 DE 102017214424.6;2018.04.12 DE 10201821.一种用于对组织、尤其视网膜进行分类的设备（1），所述设备包括具有至少一个卷积层（31a-31e）的人工神经网络（3），其中，所述卷积层（31a-31e）包含多个可训练的卷积核（32a-32c）并且对于每个卷积核（32a-32c）提供一个激活卡（33a-33c），所述激活卡给在所述至少一个卷积层（31a-31e）的输入中的离散位置分别分配一个输出值，所述输出值是所述输入与相应的卷积核（32a-32c）的局部一致性的度量，其中，在所述至少一个卷积层（31a-31e）之后连接至少一个分类器层（35a-35b），所述至少一个分类器层借助可训练的权重将其输入映射到一组针对以下的概率（36a-36b）上：所述输入属于多个预给定的类别——尤其所述组织是健康的还是病态地改变——之一，其中，设有分析处理单元（4），所述分析处理单元被构造用于通过从所述至少一个卷积层（31a-31e）获得的激活卡（33a-33c）的借助在聚合层（37）存储的权重（38a-38c）的经加权的求和来求取所述至少一个卷积层（31a-31e）的输出（33a-33c）的关联性卡（41），其中，所述关联性卡（41）指出组织的以下位置：所述位置对于评价是决定性的。2.根据权利要求1所述的设备（1），其中，所述分析处理单元（4）获得由所述分类器层（35a-35b）求取的至少一个概率（36a-36b）作为输入并且根据所述概率（36a-36b）考虑在所述聚合层（37）中存储的不同的权重（38a-38c）。3.根据权利要求1或2所述的设备（1），其中，所述至少一个卷积层（31a-31e）的激活卡（33a-33c）附加地提供给所述聚合层（37），所述聚合层此外被构造用于给从所述至少一个卷积层（31a-31e）获得的每一个激活卡（33a-33c）分配至少一个聚合值（37a-37c），其中，所述聚合层（37）也构造为分类器层，所述分类器层通过以可训练的权重（38a-38c）对所述聚合值（37a-37c）加权来求取到类别的所属性的概率（39a-39b）。4.根据权利要求3所述的设备（1），其中，所述聚合层（37）被构造用于通过关于包含在所述激活卡（33a-33c）中的值的求和和/或平均值形成和/或最大值形成和/或最小值形成和/或方差形成和/或中值形成和/或百分数形成来求取至少一个聚合值（37a-37c）。...

【专利技术属性】
技术研发人员：JM克勒，M贡达尔，
申请(专利权)人：罗伯特·博世有限公司，
类型：发明
国别省市：德国,DE