对传感器获取的采集进行分类的方法技术

对传感器获取的采集进行分类的方法。该方法包括以下步骤：接收由传感器获取的多个采集的序列，各个采集包括多个元素；针对各个采集生成多个原始概率值，各个原始概率值被链接到多个预定类中的一个相应类并指示采集或采集的元素与相应类相关联的概率；针对序列的多个采集中的一个相应采集，根据多个基础概率值和多个上下文概率值来确定多个综合概率值，其中，基础概率值表示相应采集的原始概率值，并且上下文概率值表示序列的除相应采集之外的至少一个另外的采集的原始概率值，上下文概率值根据归一化规则进行归一化；以及基于综合概率值对相应采集或采集的元素进行分类。

【技术实现步骤摘要】
对传感器获取的采集进行分类的方法
本专利技术涉及一种对传感器获得的采集(capture)进行分类的方法。特别地，采集可以是由图像传感器获取的图像。
技术介绍
对传感器数据进行电子分类的方法已得到广泛使用。作为一个示例，现今图像分类被用于自主应用中，例如被用于交通工具的自主驾驶中。在这样的应用中，不仅需要对图像数据而且需要对来自其他传感器(例如雷达传感器和激光雷达传感器)的数据进行语义内容的处理和分析。为此，使用分类算法，其中，将整个采集和/或采集中的各个元素(例如，图像的像素)自动分配给一个或更多个类。由于分类的输出(即，分类结果)形成了自动应用(例如，自动生成用于自主驾驶汽车的指令)的安全关键基础，因此分类结果的高可靠性是必不可少的。现有技术的分类算法通常输出每个类的概率值，特别是伪概率值或置信度。例如，用于图像分类的算法可以输出图像的各个像素的概率值。然后，基于这些概率值，可以做出关于相应像素代表哪种类型的对象或类的判定。阻碍分类的高精度的一个问题是单个概率值本身并不总是非常可靠的。为了减少这种问题，已经提出了分析后续采集的概率值，这些采集是诸如视频序列之类的序列的一部分。这种方法允许考虑采集的概率值之间的时间依赖性，其中，就对分类结果的影响而言，可以排除或至少减少不适应系统趋势的单个异常值。作为一个示例，提出了多数表决法(majorityvotingscheme)，其中，选择固定数量的采集中具有最多数量的最大概率值的类作为正确的类。作为另一种选择，可以对若干个采集的概率值进行归一化，以使它们更具可比性。然而，已经发现，考虑到获得最佳分类精度，现有方法仍然不令人满意，或者现有方法太过复杂。
技术实现思路
本专利技术的根本目的是改善对采集或采集的元素进行分类的可靠性。然而，处理复杂度应该较低。根据一个方面，一种对采集进行分类的方法包括以下步骤：接收由传感器获取的多个采集的序列，各个采集包括多个元素；针对所述序列中的各个采集生成多个原始概率值，特别是伪原始概率值，各个原始概率值被链接到多个预定类中的一个相应类并指示所述采集或所述采集的元素与所述相应类相关联的概率；针对所述序列的多个采集中的一个相应采集，根据多个基础概率值和多个上下文概率值来确定多个综合概率值，其中，所述基础概率值表示所述相应采集的原始概率值，并且所述上下文概率值表示所述序列中所述相应采集之外的至少一个另外采集的原始概率值，所述上下文概率值被根据归一化规则进行归一化；基于所述综合概率值对所述相应采集或所述采集的元素进行分类。在所述采集是由图像形成的示例性情况下，类将图像中所示的对象划分为开发人员预定义的不同类别。例如，如果考虑道路场景，则可能存在针对车辆的类、针对行人的另一个类、针对道路的另一个类和针对建筑物的另一个类。由于在该示例中存在四个预定类，因此对于各个图像生成四个概率值，特别是伪原始概率值。属性“原始”表示直接采用基本概率值(underlyingprobabilityvalue)，而不应用如归一化那样的任何实质性的缩放修改。然后，其中一个类的原始概率值表示图像显示该特定类中的对象的(伪)概率。原始概率值也可以表示为原始置信度。例如，“车辆”类的原始概率值表示图像示出车辆或车辆一部分的概率或置信度。此外，可以规定，针对输入图像的各个像素生成多个概率值。然后，其中一个类的给定像素的概率值指示该相应像素与该特定类相关联的概率。然后，在上面给出的示例中，该“车辆”类的给定像素的概率值指示该像素示出车辆一部分的概率。优选地，通过卷积神经网络来执行采集分类，这通常是本领域技术人员已知的。卷积神经网络是一种人工神经网络，其被设计成模仿从眼睛到视觉皮层的人类视觉处理系统。卷积神经网络是由任意数量的连续层组成的，这些层被一起训练以完成对象分类的视觉任务。卷积神经网络的各个层都学习识别越来越复杂的、与特定任务相关的特征。卷积神经网络的最后一层输出像素数组，其中，将各个类的单个概率值指派给各个像素。尽管优选使用卷积神经网络对采集进行分类，但是要强调的是，也可以使用其他分类方式对采集进行分类，前提是它们适于为各个采集或各个采集的各个元素生成多个原始概率值，如上所述。所描述的用于对采集进行分类的方法的一个方面是确定综合概率值。属性“综合”意味着与原始概率值相关联的不确定性降低了，即被“综合”了。通常期望综合概率值提供改进的分类准确性。综合概率值是基于两组不同的概率值(即，基础概率值和上下文概率值)确定的。基础概率值通常代表确定了综合概率值的相应采集的原始概率值。在一个示例中，基础概率值是由相应采集的原始概率值形成的。如上所述，原始概率值也可以表示为原始置信度。基础概率值也可以表示为基础置信度。同样，上下文概率值可以表示为上下文置信度，并且综合概率值可以表示为综合置信度。应当理解，术语“概率”并不一定需要等于所有概率值中与其定义有关一类概率值的和。上下文概率值通常表示该序列中的至少一个另外的采集的原始概率值。另外的采集可以是该序列中除了相应采集(其原始概率值已由基础概率值表示)之外的任何另外采集。但是，优选地，上下文概率值表示在时间上接近于所述相应采集的采集的原始概率值。例如，另外的采集可以是与所述相应采集相邻的采集。特别地，另外的采集是来自该序列中紧接在所述相应采集之前的采集。鉴于是时间序列，这意味着另外的采集表示过去的采集，即相应采集的“历史”或“历史上下文”。与原始概率值相反，将上下文概率值归一化，即，将上下文概率值转换为预定义的尺度或范围。为此目的，应用归一化规则，该归一化规则优选地是预定的，但是也可以是自适应的。鉴于上下文概率值，归一化规则的应用允许控制基本原始概率值(underlyingrawprobabilityvalue)对所得综合概率值的影响。这是因为上下文概率值的原始概率值具有预定义的尺度或范围(即，预定的“标准(yardstick)”)，而基础概率值的原始概率值则没有。用更简单的话来说，“基础采集”的原始概率值未被归一化，即它们保持“原始”，而“上下文采集”的原始概率值被归一化。这样，整体分类精度显著提高。可以理解，原始概率值不服从预定义的尺度(或范围)，但原则上可以采用任何数，即，通常在最小值与最大值之间的任何数。因此，它们通常也可以表示为伪原始概率值或伪原始置信度。在实践中，原始概率值通常倾向于落入值的特定范围内和/或原始概率值服从诸如高斯分布之类的分布。但是，分布的范围或特定形式是未知的。然而，有可能对预期范围和/或分布做出粗略假设，并根据预期范围和/或分布(例如，表征分布形状的一个或更多个参数)调整预定义的尺度(或范围)以进行归一化。例如，预定义范围可以小于原始概率值的预期范围。特别地，预定义范围可以具有小于原始概率值的最大期望值的最大值。这确保了相对于其他采集的最大概率值，所述相应采集的高概率值将会是强有力的。另一方面，相应采集的较小值可能会被弱化，因为它们并不会因归一化而“受益”。这些效果提供了对于不同采集之间的概率值的自适应处理。相应采集的相对于预定义尺度具有本文档来自技高网...

【技术保护点】
1.一种对传感器获取的采集特别是图像进行分类的方法，所述方法包括以下步骤：/n接收由传感器获取的多个采集的序列(S)，各个采集包括多个元素；/n针对所述序列(S)中的各个采集(I

【技术特征摘要】
20190111 EP 19151486.81.一种对传感器获取的采集特别是图像进行分类的方法，所述方法包括以下步骤：
接收由传感器获取的多个采集的序列(S)，各个采集包括多个元素；
针对所述序列(S)中的各个采集(I1、I2)生成多个原始概率值(pr)，各个原始概率值(pr)被链接到多个预定类中的相应类并指示所述采集或所述采集的元素与所述相应类相关联的概率；
针对所述序列(S)的多个采集中的相应采集(I2)，根据多个基础概率值(pb)和多个上下文概率值(pcx)来确定多个综合概率值(pcs)，
其中，
所述基础概率值(pb)表示所述相应采集(I2)的原始概率值(pr)，并且
所述上下文概率值(pcx)表示所述序列中除所述相应采集之外的至少一个另外的采集(I1)的原始概率值(pr)，所述上下文概率值(pcx)根据归一化规则进行归一化；以及
基于所述综合概率值(pcs)对所述相应采集(I2)或所述相应采集的元素进行分类。


2.根据权利要求1所述的方法，其中，针对所述序列的多个采集(I1、I2)递归地确定所述综合概率值(pcs)。


3.根据权利要求1或2所述的方法，其中，用于确定所述相应采集(I2)的所述综合概率值(pcs)的所述上下文概率值(pcx)是通过针对所述另外的采集(I1)确定的综合概率值(pcs)形成的。


4.根据前述权利要求中的一项所述的方法，其中，所述多个采集(I1、I2)的序列表示采集的时间序列，优选是视频序列，并且其中，所述序列中的多个采集(I1、I2)中的包括所述相应采集(I2)和所述另外的采集(I1)的至少一些采集对应于不同的时间实例，
特别地，其中，所述另外的采集(I1)对应于第一时间实例，并且所述相应采集(I2)对应于第二时间实例，所述第一时间实例在所述第二时间实例之前。


5.根据前述权利要求中的一项所述的方法，其中，所述综合概率值(pcs)是通过根据合并规则合并所述基础概率值(pb)和所述上下文概率值(pcx)来确定的。


6.根据权利要求5所述的方法，其中，所述合并规则定义了...

【专利技术属性】
技术研发人员：I·弗里曼，K·弗里德里克斯，
申请(专利权)人：APTIV技术有限公司，
类型：发明
国别省市：巴巴多斯;BB