DEEP NEURAL NETWORK PROCESSING FOR SENSOR BLINDNESS DETECTION IN AUTONOMOUS MACHINE APPLICATIONS

• Main Authors: NISTER, David, PARK, Minwoo, BAJPAYEE, Abhishek, CVIJETIC, Neda, SEO, Hae-Jong
• Format: Patent
• Language: English; French
• Published: 04.06.2020
• Subjects: CALCULATING; COMPUTING; COUNTING; PHYSICS

In various examples, a deep neural network (DNN) is trained for sensor blindness detection using a region and context-based approach. Using sensor data, the DNN may compute locations of blindness or compromised visibility regions as well as associated blindness classifications and/or blindness attributes associated therewith. In addition, the DNN may predict a usability of each instance of the sensor data for performing one or more operations - such as operations associated with semi-autonomous or autonomous driving. The combination of the outputs of the DNN may be used to filter out instances of the sensor data - or to filter out portions of instances of the sensor data determined to be compromised - that may lead to inaccurate or ineffective results for the one or more operations of the system. Dans divers exemples, un réseau neuronal profond (DNN) est entraîné pour une détection de cécité de capteur à l'aide d'une approche basée sur une région et un contexte. A l'aide de données de capteur, le DNN peut calculer des emplacements de régions de cécité ou de visibilité compromise ainsi que des classifications de cécité associées et/ou des attributs de cécité associés. De plus, le DNN peut prédire une capacité d'utilisation de chaque instance des données de capteur pour effectuer une ou plusieurs opérations telles que des opérations associées à une conduite semi-autonome ou autonome. La combinaison des sorties du DNN peut être utilisée pour filtrer des instances des données de capteur ou pour filtrer des parties d'instances des données de capteur déterminées comme étant compromises qui peuvent conduire à des résultats imprécis ou inefficaces pour la ou les opérations du système.