买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：电子科技大学

摘要：本发明公开了一种快速估计自动驾驶深度视觉感知神经网络不确定性的方法，在已有的一个不含Dropout的预测层基础上，增加含有N个相同结构的随机Dropout预测层，构成N+1通道随机Dropout推理预测模块，这样，进行一次不确定性推理便得到预测结果的不确定性和准确的预测结果，节省了不确定性估计所使用的时间。此外，本发明中，最终的预测结果为权重均值，使得预测结果更为准确，同时，N组有差异的预测结果的置信度分数熵进行sigmoid函数运算，得到的目标分数熵作为不确定性估计值，这样比简单的方差跟更为准确地反应自动驾驶深度视觉感知神经网络不确定性，从而提高不确定性估计的准确度。

主权项：1.一种快速估计自动驾驶深度视觉感知神经网络不确定性的方法，其特征在于，包括以下步骤：1、对于自动驾驶深度视觉感知神经网络，在预测模块中，在已有的一个不含Dropout的预测层基础上，增加含有N个相同结构和参数的随机Dropout预测层，其中，每一个随机Dropout预测层均为预测层前面加入一层Dropout而组成；此时，已有的一个不含Dropout的预测层与增加的N个相同结构的随机Dropout预测层构成N+1通道随机Dropout推理预测模块；2、载入感知模型预训练权重值，所述的预训练权重值是指训练改造前感知模型所得到的权重文件；3、读取一张待检测图像输入感知模型中，并且打开N+1通道随机Dropout推理预测模块中所有的随机Dropout预测层；4、感知模型对输入的待检测图像进行特征提取和融合，得到特征集合，并输入到N+1通道随机Dropout推理预测模块；5、在N+1通道随机Dropout推理预测模块中，每个随机Dropout预测层首先对输入的特征集合中的特征以一定的概率进行随机丢弃，使得输入的特征集合在在N个随机Dropout预测层中形成N个不同的特征集合，然后在预测层中对随机丢弃后的特征集合进行预测，使N个随机Dropout预测层输出N组有差异的预测结果Prediction_1，Prediction_2，...，Prediction_N；同时，在N+1通道随机Dropout推理预测模块中，不含Dropout的预测层直接对输入的特征集合进行预测，得到相应的预测结果Prediction，这样在N+1通道随机Dropout推理预测模块得到N+1组有差异的预测结果，其中：Predictionn＝[class_confn，bboxn]；class_confn＝[confn1，confn2，...，confnI] class_confn为第n组预测结果中的分类预测结果，n＝1，2，...，N，confni为分类预测结果class_confn的第i个预测位置的置信度分数集合，i＝1，2，...，I，I为预测位置数量，为置信度分数集合confni属于第c类的置信度分数，bboxn为第n组预测结果中的位置预测结果，其为：bboxn＝[bboxn1，bboxn2，...，bboxnI]其中，bboxni为第n组预测结果中第i个预测位置的边界框横坐标、纵坐标、宽度以及高度四个元素构成位置集合；6、计算最终预测结果首先，计算N组有差异的预测结果Prediction_1，Prediction_2，...，Prediction_N的平均值p2： 然后，将预测结果Prediction作为待校准值p1，计算权重均值WeightedMean：WeightedMean＝α×p1+β×p2其中α+β＝1权重均值WeightedMean进行非极大值抑制，得到最终预测结果；7、计算目标分数熵对于第i个预测位置目标属于第c类的目标分数熵根据以下公式确定： 将目标分数熵作为不确定性估计值。

全文数据：

权利要求：

百度查询： 电子科技大学 快速估计自动驾驶深度视觉感知神经网络不确定性的方法