用于借助于神经网络来确定输出信号的方法与流程

1.本发明涉及用于借助于神经网络来确定输出信号的计算机实现的方法、计算机实现的训练方法、神经网络、计算机程序和机器。


背景技术：

2.harm de vries等人的“modulating early visual processing by language”（advances in neural information processing systems，6594-6604页，2017中）公开了一种用于基于辅助输入来对神经网络层的输入进行缩放和移位的方法。
3.本发明的优点神经网络可以被用作解决各种技术问题的支柱。除了其他之外，这些还包括图像或音频分类、图像或音频分析、以及生成用于例如训练其他机器学习模型的图像数据。
4.神经网络由层组成，这些层接受层输入（可能来自神经网络的另一层）并且提供层输出（可能输出到神经网络的另一层）。为了训练神经网络，将层集成到执行缩放和移位操作的神经网络中可能是有益的，即对层输入进行缩放、对经缩放的层输入进行移位并且提供经缩放和移位的结果作为层输出。这些种类的层在神经网络的训练期间可能尤其是有益的，因为它们一般允许对神经网络进行更快的训练。
5.虽然通常用于缩放和移位的值是在训练期间确定的，并且然后被固定以用于推断，但是de vries等人提出了关于被提供给移位和缩放层的辅助输入来调节这些值。使用作者的语言，将来自辅助输入的信息调制到缩放和移位操作上。
6.然而，这种方法不允许并入来自多个不同信息源的知识，即来自多个辅助输入的知识。发明人发现，虽然天真地级联不同的调节输入并且使用标准的缩放和移位层是可能的，但是这种方法不便于下游层（即，缩放和移位层之后的层）将最相关的调节信息解纠缠（disentangle），这在特征提取和调制的不同阶段处可能是关键的。例如，在从图像中提取的深度特征的情况下，辅助输入中的一个可能对于仅调制精细粒度特征是相关的，而另一个可能证明对于增强粗略特征是有用的。
7.具有根据独立权利要求1的特征的方法的优点在于：利用神经网络对输入数据的处理使得能够并入来自多个辅助输入的信息。这具有神经网络能够关于期望输出来更准确地预测输出的效果。如果神经网络用于分类任务，则这可以被理解为神经网络能够以更高的准确度对输入数据进行分类。如果神经网络用于生成图像，则该方法允许获得看起来更逼真的图像，该图像进而可以用于训练另一机器学习系统。


技术实现要素：

8.在第一方面，本发明涉及一种用于基于输入信号并且借助于神经网络来确定输出信号的计算机实现的方法，其中神经网络基于通过神经网络的第一层确定的层输出来确定输出信号，其中层输出是基于对第一层的层输入进行缩放并且对经缩放的层输入进行移位来确定的，其中该缩放和移位基于被提供给第一层的多个辅助输入。
9.神经网络可以被理解为来自机器学习领域的模型。该神经网络被理解为能够利用数据来训练，以便推断关于该数据的一些信息。神经网络可以例如被配置成执行分类或回归，因此将神经网络的输入映射到至少一个离散或分别连续的值。
10.除了辨别性任务之外，神经网络还可以被配置成解决生成性问题。专门针对这种生成性问题而设计的神经网络的公知子类是生成性对抗网络，也被称为gan。这些神经网络可以尤其被配置成基于实值向量来确定图像，因此从隐空间映射到图片空间。
11.可以通过神经网络来解决的其他问题围绕着确定输入数据的概率。例如，神经网络可以被配置成：针对输入信号来确定在给定训练数据集合的情况下观察到输入信号的可能性。该问题也被称为预测关于训练数据的似然性或关于训练数据的对数似然性。针对这些任务，可以使用被称为归一化流的神经网络的子类。所获得的似然性可以尤其用于执行离群检测或异常检测或新颖性检测，即，可以由神经网络关于输入信号表征关于训练数据的离群或异常或新颖内容的可能性来对输入信号进行评分。
12.神经网络可以通过将输入信号转发通过多个层来处理输入信号。神经网络的第一层处理输入信号并且可以将其转发到另一层。神经网络的其他层可以接受来自前面的层的输入并且将其转发到随后的层。这里，神经网络中的信息流可以被理解为定义了各层关于前面的层和后续的层的次序。层的输出也可以用作神经网络的输出信号。为了训练，可以将输出信号与期望输出信号进行比较，并且可以根据所获得的输出信号与期望输出信号之间的差来适配神经网络的多个参数。以这种方式来适配参数被称为训练。
13.将执行缩放和移位操作的层包括到神经网络中对于训练神经网络是有益的。这些种类的层允许对后续的层的输入进行归一化，这可以示出加速了训练过程。由于加速允许利用更多的训练数据进行训练，因此这使得神经网络能够实现改进的性能，其中性能可以被理解为神经网络关于期望输出信号来确定输入信号的正确输出信号的能力。
14.发明人发现，通过将来自多个辅助输入的信息并入到缩放和移位中来增强执行缩放和移位的层是有益的。
15.辅助输入可以被理解为表征要由神经网络处理的输入信号的附加信息的至少一个值，优选地是值的向量或张量。例如，如果输入信号被传感器捕获，则辅助输入可以表征关于输入信号被取得的位置、输入信号被取得的一天中的时间的信息、或可容易获得的其他信息。辅助输入还可以例如以描述性语句的嵌入形式来表征输入信号的描述。简而言之，辅助输入可以表征对应于输入信号的元信息。
16.替代地，如果神经网络被配置成生成数据，例如生成图像数据，则辅助输入可以表征输出信号应该展现出的属性。例如，针对要由神经网络生成的图像数据，辅助输入可以表征一天中的时间或天气状况，它们应该由要生成的图像来表征。
17.在本发明的优选实施例中，基于将层输入分离成可定义数量的子集来确定层输出，其中针对每个子集：
•ꢀ
向第一层提供辅助输入；
•ꢀ
根据基于辅助输入所确定的第一值来对该子集进行缩放，并且根据基于辅助输入所确定的第二值来对该子集进行移位。
18.该实施例的优点在于：每个辅助输入被调制到层输入的特定部分上。如果层输入是神经网络的另一层的输出，则这使得该另一层的神经元（如果该另一层是全连接层）或滤
波器（如果该另一层是卷积层）能够适配于关于分别调制的辅助输入的具体细节。这是由于如下事实：即，在反向传播期间，关于辅助输入的梯度被传播回到该另一层中的相应神经元或滤波器。发明人发现，这使得神经元或滤波器能够更好地学习以检测某些语义特征，这进而改进了神经网络的总体性能。
19.优选地，层输入以张量的形式，并且对层输入进行分离是通过沿着张量的维度划分张量来实现的。
20.张量可以例如表征沿着张量的维度堆叠的多个特征图。每个特征图可能已经由神经网络的卷积层的滤波器生成。优选地，然后可以沿着该维度（即，特征图沿着其堆叠的维度）来划分层输入。然后，这使得卷积层的滤波器能够学习以检测如上所描述的语义特征。
21.张量也可以表征来自全连接层的输出。在这种情况下，可以沿着与全连接层的不同神经元的输出相对应的张量的维度来分离张量。
22.在优选实施例中，第一值由神经网络的第一子网络确定，和/或第二值由神经网络的子网络确定。
23.神经网络的子网络可以被理解为神经网络的所有层的连接层的子集。例如，第一层可以基于多层感知器来确定第一值，其中多层感知器被提供有辅助输入中的一个，并且确定第一和/或第二值。
24.子网络可以包括适合于处理辅助输入的任何类型的层。例如，如果以张量的形式来提供辅助输入，则子网络可以包括用于处理辅助输入的卷积层。
25.子网络还可以被配置成接受多个辅助输入并且提供多个第一值和多个第二值，例如针对每个子集有一个第一值和一个第二值。
26.子网络的最佳配置（即，所使用的层的类型、由子网络处理的输入、和/或由子网络提供的输出）可以例如借助于交叉验证针对神经网络的特定任务来确定。
27.在本发明的实施例中，输入信号包括至少一个图像和/或至少一个音频基准（datum），并且输出信号关于训练数据集来表征输入信号的分类和/或回归值和/或概率。
28.这可以被理解为神经网络被配置成用于图像分析和/或音频分析，具体地是图像分类和/或音频分类。图像分析和/或音频分析还可以包括关于训练数据集来确定图像和/或音频基准被观察到的概率。例如，神经网络可以表征归一化流，其中第一层是归一化流的层。在另一个实施例中，神经网络可以被配置成基于图像和/或音频基准来确定至少一个连续值，即，被配置成用于回归任务。
29.如果神经网络被配置成用于图像分析，则该方法可以进一步包括训练神经网络的步骤，其中训练步骤包括以下步骤：
•ꢀ
提供训练输入信号、表征期望分类和/或回归值的期望输出信号、以及多个辅助输入，辅助输入中的每一个表征输入信号的元信息；
•ꢀ
借助于神经网络针对训练输入信号来确定训练输出信号；
•ꢀ
根据损失值来适配神经网络的至少一个参数，该损失值表征训练输出信号关于期望输出信号的偏差。
30.这可以被理解为以监督方式来训练神经网络。例如，可以从所记录的输入信号的数据库来提供训练输入信号，其中该数据库还包含与输入信号相关联的元信息，该元信息然后与训练输入信号一起提供。训练输入信号也可以从传感器记录并且直接用于训练。例
如，可以从相机记录图像并且将该图像直接用于训练神经网络。在这种情况下，辅助输入可以由例如捕获关于该图像的附加信息（例如，记录的地点或位置、或一天中的时间）的其他传感器来提供。
31.然后，可以基于梯度下降优化、借助于演化算法的优化、或用于神经网络的二阶训练过程来适配神经网络的至少一个参数，例如神经网络的权重。
32.在另一个实施例中，该方法可以进一步包括训练神经网络的步骤，其中训练步骤包括以下步骤：
•ꢀ
从训练数据集确定第一训练输入信号；
•ꢀ
基于该训练输入信号并且借助于第二机器学习模型来确定多个辅助输入；
•ꢀ
确定至少一个随机抽取的值；
•ꢀ
借助于神经网络并且基于至少一个随机抽取的值和所确定的多个辅助输入来确定第二训练输入信号；
•ꢀ
确定表征第一训练输入信号的分类的第一损失值、表征第二训练输入信号的分类的第二损失值、以及表征第二机器学习模型针对第二训练图像的输出与该多个辅助输入之间的差的第三损失值；
•ꢀ
根据第一损失值的梯度、第二损失值的梯度和第三损失值的梯度来适配神经网络的至少一个参数，梯度中的每一个关于该至少一个参数。
33.这可以被理解为以无监督方式来训练神经网络。第二机器学习模型可以被理解为被配置成确定针对给定训练基准的相关辅助输入。例如，神经网络可以是被配置成用于生成行人的图像的gan。第二机器学习模型可以是第二神经网络，该第二神经网络被配置成接受行人的图像并且确定某些属性，诸如例如性别、年龄、身高、衣服或头饰的类型。然后，第二神经网络的层的输出可以被用作辅助输入。第二神经网络然后可以提供多个辅助输入（例如，来自不同的层），或者可以使用多个第二神经网络，其中每个第二神经网络用于确定一个辅助输入。然后可以将辅助输入提供给神经网络的缩放和移位层，其中还向神经网络提供至少一个随机抽取的值。
34.然后，神经网络确定第二训练输入信号。在gan的常用命名法中，这可以被理解为生成第二训练输入信号的神经网络。第一和第二训练输入信号然后可以被提供给辨别器，以确定用于训练神经网络的第一和第二损失值。此外，第二训练输入信号由一个第二神经网络或多个第二神经网络来处理，以便确定所生成的输入信号的辅助输入。这也可以被理解为将针对所生成的输入信号（即，第二输入信号）的辅助输入与提供给神经网络的辅助输入有多么一致进行比较。如果一个第二神经网络或多个第二神经网络的输出与最初确定的辅助输入一致，则这可以被理解为神经网络已经学习到了生成输入信号，该输入信号包括由提供给神经网络的辅助输入表征的期望信息。
35.如果神经网络被配置成用于生成输入信号，则所生成的输入信号进而可以用于训练又一个机器学习系统。例如，神经网络可以被配置成生成图像，其中然后利用所生成的图像来训练另一个机器学习系统。尤其可以使用所生成的图像以半监督方式或者使用所生成的图像以无监督方式来训练另一个机器学习系统。
36.在本发明的不同实施例中，还有可能在神经网络中使用多个缩放和移位层，并且针对每个这种层使用相同的辅助输入。
37.发明人发现，这使得神经网络能够学习在神经网络的信息流的不同点处调制相关信息。例如，神经网络的末端处的层通常捕获输入信号的高级概念、即粗略概念，而神经网络中较早的层通常学习提取输入信号的低级概念。通过在不同的缩放和移位层处提供辅助输入，使得神经网络能够学习哪些辅助输入对于确定低级概念是相关的，以及哪些辅助输入对于确定高级概念是相关的。发明人发现，这改进了神经网络的预测能力。
附图说明
38.将参考以下各图更详细地讨论本发明的实施例。各图示出了：图1 用于训练神经网络的训练系统；图2 控制致动器的包括神经网络的控制系统；图3 控制至少部分自主的机器人的控制系统；图4 控制制造机器的控制系统；图5 控制自动个人助理的控制系统；图6 控制访问控制系统的控制系统；图7 控制监控系统的控制系统；图8 控制成像系统的控制系统；图9 控制医学分析系统的控制系统。
具体实施方式
39.图1示出了用于借助于训练数据集（t）来训练神经网络（60）的训练系统（140）的实施例。训练数据集（t）包括用于训练神经网络（60）的多个输入信号（xi），其中训练数据集（t）针对每个输入信号（xi）进一步包括表征输入信号（xi）的分类和/或回归值的期望输出信号（ti）、以及多个辅助输入（ai）。
40.神经网络（60）包括至少一个缩放和移位层，该缩放和移位层被配置成对缩放和移位层的输入进行缩放并且对缩放的结果进行移位。缩放和移位层接受层输入作为输入。优选地，层输入可以采用张量或矩阵的形状。缩放和移位层被配置成沿着层输入的可定义维度对其输入进行切片，以便确定可定义数量的切片，其中每个切片表征层输入的子集。针对每个切片，确定表征缩放因子的第一值和表征移位常数的第二因子。针对每个切片，缩放和移位层被配置成根据以下公式来确定切片输出：其中o
(j)
是第j个切片s
(j)
的切片输出，f1是基于第j个辅助输入a
i(j)
所确定的第一值，并且f2是基于第j个辅助输入a
i(j)
所确定的第二值。然后，可以将每个切片的切片输出沿着层输入最初沿着其被切片的维度进行堆叠，并且然后可以提供堆叠的输出作为缩放和移位层的层输出。
41.第一值和第二值可以优选地由神经网络的子网络来确定。优选地，第一值和第二值由神经网络的两个不同的子网络来确定。在该实施例中，辅助输入以标量或向量的形式给出，并且一个子网络或多个子网络是多层感知器。在其他实施例中，辅助输入可以是另一种类型，和/或子网络可以是另一种类型。例如，辅助输入可以以张量的形式给出，和/或子
网络可以是卷积神经网络。
42.为了训练神经网络，训练数据单元（150）访问计算机实现的数据库（st2），该数据库（st2）提供训练数据集（t）。训练数据单元（150）从训练数据集（t）中优选随机地确定至少一个输入信号（xi），并且将输入信号（xi）以及针对输入信号（xi）的辅助输入（ai）传输到神经网络（60）。神经网络（60）基于该输入信号（xi）来确定输出信号（yi）。
43.将期望输出信号（ti）和所确定的输出信号（yi）传输到修改单元（180）。
44.基于期望输出信号（ti）和所确定的输出信号（yi），修改单元（180）然后确定用于神经网络（60）的新参数（φ'）。出于此目的，修改单元（180）使用损失函数来比较期望输出信号（ti）和所确定的输出信号（yi）。损失函数确定表征了所确定的输出信号（yi）与期望输出信号（ti）偏离多远的第一损失值。在给定的实施例中，负对数似然函数被用作损失函数。在替代实施例中，其他损失函数也是可设想到的。
45.此外，可设想的是，所确定的输出信号（yi）和期望输出信号（ti）均包括例如以张量形式的多个子信号，其中期望输出信号（ti）的子信号对应于所确定的输出信号（yi）的子信号。例如，可设想的是，分类器（60）被配置成用于对象检测，并且第一子信号关于输入信号（xi）的一部分来表征对象的出现概率，并且第二子信号表征该对象的确切位置。如果所确定的输出信号（yi）和期望输出信号（ti）包括多个对应的子信号，则优选地借助于合适的损失函数来针对每个对应的子信号确定第二损失值，并且所确定的第二损失值例如借助于加权和被合适地组合以形成第一损失值。
46.修改单元（180）基于第一损失值来确定新参数（φ'）。在给定的实施例中，这是使用梯度下降方法、优选地是随机梯度下降、adam或adamw来完成的。在进一步的实施例中，训练还可以基于用于训练神经网络的演化算法或二阶方法。
47.在其他优选实施例中，迭代地重复所描述的训练达预定数量的迭代步骤，或者迭代地重复所描述的训练直到第一损失值落到预定阈值以下为止。替代地或附加地，还可设想到的是，当关于测试或验证数据集的平均第一损失值落到预定阈值以下时终止该训练。在迭代中的至少一个中，在先前迭代中确定的新参数（φ'）被用作分类器（60）的参数（φ）。
48.此外，训练系统（140）可以包括至少一个处理器（145）和包含指令的至少一个机器可读存储介质（146），所述指令在被处理器（145）执行时使得训练系统（140）执行根据本发明的方面之一的训练方法。
49.图2中示出的是用于基于神经网络（60）的输出来控制致动器（10）的控制系统（40）。致动器（10）以及其环境（20）将被统称为致动器系统。在优选地均匀间隔的时间点处，传感器（30）感测致动器系统的状况。传感器（30）可以包括若干个传感器。优选地，传感器（30）是取得环境（20）的图像的光学传感器。传感器（30）的输出信号（s）（或者，在传感器（30）包括多个传感器的情况下，每一个传感器的输出信号（s））被传输到控制系统（40），所述输出信号（s）对感测到的状况进行编码。
50.由此，控制系统（40）接收传感器信号（s）的流。然后，它取决于传感器信号（s）的流来计算一系列控制信号（a），控制信号（a）然后被传输到致动器（10）。
51.控制系统（40）在可选的接收单元（50）中接收传感器（30）的传感器信号（s）的流。接收单元（50）将传感器信号（s）变换成输入信号（x）。替代地，在没有接收单元（50）的情况下，可以将每个传感器信号（s）直接取作输入信号（x）。输入信号（x）可以例如作为来自传感
器信号（s）的摘录而给出。替代地，可以处理传感器信号（s）以产生输入信号（x）。换句话说，根据传感器信号（s）来提供输入信号（x）。
52.输入信号（x）然后被传递到分类器（60）。此外，第二传感器（30a）确定也被提供给神经网络（60）的多个辅助输入（a）。第二传感器（30a）可以优选地包括多个传感器以确定多个辅助输入（a）。
53.神经网络（60）由参数（φ）来参数化，该参数（φ）被存储在参数存储装置（st1）中并且由其提供。
54.神经网络（60）从输入信号（x）来确定输出信号（y）。输出信号（y）包括向输入信号（x）指派一个或多个标签或回归值的信息。输出信号（y）被传输到可选的转换单元（80），该转换单元（80）将输出信号（y）转换成控制信号（a）。然后，控制信号（a）被传输到致动器（10）以用于相应地控制致动器（10）。替代地，输出信号（y）可以直接取作控制信号（a）。
55.致动器（10）接收控制信号（a），被相应地控制，并且实行与控制信号（a）相对应的动作。致动器（10）可以包括控制逻辑，该控制逻辑将控制信号（a）变换成进一步的控制信号，该进一步的控制信号然后用于控制致动器（10）。
56.在进一步的实施例中，控制系统（40）可以包括传感器（30）。在更进一步的实施例中，控制系统（40）替代地或附加地可以包括致动器（10）。
57.在仍进一步的实施例中，可以设想的是，代替于致动器（10）或者除了致动器（10）之外，控制系统（40）控制显示器（10a）。
58.此外，控制系统（40）可以包括至少一个处理器（45）和其上存储有指令的至少一个机器可读存储介质（46），所述指令如果被实行，则使得控制系统（40）实行根据本发明的方面的方法。
59.图3示出了一实施例，其中控制系统（40）用于控制至少部分自主的机器人，例如，至少部分自主的车辆（100）。
60.传感器（30）可以包括一个或多个视频传感器和/或一个或多个雷达传感器和/或一个或多个超声传感器和/或一个或多个lidar传感器。这些传感器中的一些或全部优选地但不一定集成在车辆（100）中。因此，输入信号（x）可以被理解为输入图像。辅助输入（a）可以尤其表征车辆（100）的环境（20）的元信息，例如一天中的时间和/或天气状态和/或环境（20）的温度和/或车辆的位置（例如，地理位置）。
61.图像分类器（60）可以被配置成基于输入图像（x）来检测至少部分自主的机器人附近的对象。因此，神经网络（60）可以被理解为图像分类器。输出信号（y）可以包括表征对象位于至少部分自主的机器人附近的何处的信息。然后可以根据该信息来确定控制信号（a），例如以避免与检测到的对象碰撞。
62.优选地集成在车辆（100）中的致动器（10）可以通过车辆（100）的制动器、推进系统、引擎、传动系或转向装置来给出。控制信号（a）可以被确定为使得致动器（10）被控制，使得车辆（100）避免与检测到的对象碰撞。还可以根据图像分类器（60）认为检测到的对象最可能是什么（例如，行人或树木）来对检测到的对象进行分类，并且可以取决于该分类来确定控制信号（a）。
63.替代地或附加地，控制信号（a）也可以用于控制显示器（10a），例如用于显示由图像分类器（60）检测到的对象。还可以想象的是，如果车辆（100）接近于与至少一个检测到的
对象碰撞，则控制信号（a）可以控制显示器（10a），使得其产生警告信号。警告信号可以是警告声音和/或触觉信号，例如车辆的方向盘的振动。
64.在进一步的实施例中，至少部分自主的机器人可以通过另一个移动机器人（未示出）给出，该移动机器人可以例如通过飞行、游泳、潜水或步行来移动。该移动机器人尤其可以是至少部分自主的割草机，或至少部分自主的清洁机器人。在所有上述实施例中，控制信号（a）可以被确定为使得移动机器人的推进单元和/或转向装置和/或制动器被控制，使得移动机器人可以避免与所述所标识的对象碰撞。
65.在进一步的实施例中，至少部分自主的机器人可以通过园艺机器人（未示出）给出，该园艺机器人使用传感器（30）、优选地是光学传感器来确定环境（20）中的植物的状态。致动器（10）可以控制用于喷洒液体的喷嘴和/或切割设备，例如刀片。取决于植物的所标识品种和/或所标识状态，可以确定控制信号（a）以使得致动器（10）向植物喷洒适当量的适当液体和/或对植物进行切割。
66.在更进一步的实施例中，至少部分自主的机器人可以通过家用电器（未示出）给出，该家用电器如例如洗衣机、炉子、烤箱、微波炉或洗碗机。传感器（30）（例如，光学传感器）可以检测将经历由家居电器进行处理的对象的状态。例如，在家用电器是洗衣机的情况下，传感器（30）可以检测洗衣机内部的衣物的状态。然后，可以取决于检测到的衣物材料来确定控制信号（a）。
67.图4中示出的是一实施例，其中控制系统（40）用于控制制造系统（200）的制造机器（11），例如冲压切割器、切割器、枪钻或夹具，例如作为生产线的一部分。该制造机器可以包括运输设备（例如传送带或装配线），该运输设备移动所制造的产品（12）。控制系统（40）控制致动器（10），致动器（10）又控制制造机器（11）。
68.传感器（30）可以通过捕获例如所制造的产品（12）的性质的光学传感器来给出。辅助输入（a）可以表征制造机器（11）的温度和/或压力和/或功率消耗、和/或气体浓度。
69.因此，神经网络（60）可以被理解为图像分类器。
70.图像分类器（60）可以确定所制造的产品（12）关于运输设备的位置。然后，可以取决于所制造的产品（12）的所确定位置来控制致动器（10），以用于所制造的产品（12）的后续制造步骤。例如，可以控制致动器（10），以在所制造的产品本身的特定位置处切割所制造的产品。替代地，可以设想的是，图像分类器（60）对所制造的产品是否破损或展现出缺陷进行分类。然后，可以控制致动器（10）以从运输设备中移除所制造的产品。
71.图5中示出的是一实施例，其中控制系统（40）用于控制自动个人助理（250）。传感器（30）可以是光学传感器，例如用于接收用户（249）的手势的视频图像。替代地，传感器（30）也可以是音频传感器，例如用于接收用户（249）的语音命令。辅助输入可以例如表征一天中的时间和/或温度和/或位置（例如，房间或建筑物内部的位置、或地理位置）。
72.控制系统（40）然后确定用于控制自动个人助理（250）的控制信号（a）。控制信号（a）是根据传感器（30）的传感器信号（s）来确定的。传感器信号（s）被传输到控制系统（40）。例如，神经网络（60）可以被配置成例如实行手势识别算法以标识用户（249）做出的手势。控制系统（40）然后可以确定控制信号（a）以用于传输到自动个人助理（250）。然后，它将控制信号（a）传输到自动个人助理（250）。
73.例如，可以根据由神经网络（60）识别的所标识用户手势来确定控制信号（a）。它可
以包括如下信息：该信息使得自动个人助理（250）从数据库中检索信息并且以适合用户（249）接收的形式输出该检索的信息。
74.在进一步的实施例中，可以设想的是，代替于自动个人助理（250），控制系统（40）控制家用电器（未示出），该家用电器是根据所标识的用户手势来控制的。该家用电器可以是洗衣机、炉子、烤箱、微波炉或洗碗机。
75.图6中示出的是一实施例，其中控制系统（40）控制访问控制系统（300）。访问控制系统（300）可以被设计成物理地控制访问。例如，它可以包括门（401）。传感器（30）可以被配置成检测对于决定是否准许访问相关的场景。它可以例如是用于提供图像或视频数据（例如用于检测人员的面部）的光学传感器。因此，神经网络（60）可以被理解为图像分类器。辅助输入可以是例如温度和/或一天中的时间和/或天气状况。
76.神经网络（60）可以被配置成例如通过将人员的检测到的面部与存储在数据库中的已知人员的其他面部相匹配来对人员的身份进行分类，从而确定人员的身份。然后可以取决于图像分类器（60）的分类、例如根据所确定的身份来确定控制信号（a）。致动器（10）可以是锁，该锁取决于控制信号（a）来打开或关闭门。替代地，访问控制系统（300）可以是非物理的逻辑访问控制系统。在这种情况下，控制信号可以用于控制显示器（10a）以示出关于该人员的身份和/或该人员是否被给予访问权的信息。
77.图7中示出的是一实施例，其中控制系统（40）控制监控系统（400）。该实施例在很大程度上与图6中所示的实施例相同。因此，将仅详细描述不同的方面。传感器（30）被配置成检测监控下的场景。控制系统（40）不一定控制致动器（10），但是可以替代地控制显示器（10a）。例如，神经网络（60）可以确定场景的分类，例如由光学传感器（30）检测到的场景是否正常或者该场景是否展现出异常。然后，被传输到显示器（10a）的控制信号（a）可以例如被配置成使得显示器（10a）取决于所确定的分类来调整所显示的内容，例如以突出显示被神经网络（60）认为异常的对象。
78.图8中示出的是由控制系统（40）控制的医学成像系统（500）的实施例。成像系统可以是例如mri装置、x射线成像装置或超声成像装置。传感器（30）可以例如是取得患者的至少一个图像的成像传感器，所述图像例如显示患者的不同类型的身体组织。辅助输入可以例如表征患者的临床相关数据，例如血压和/或身高和/或体重和/或心率和/或年龄。
79.然后，神经网络（60）可以确定所感测图像的至少一部分的分类。因此，该图像的至少一部分被用作去往神经网络（60）的输入图像（x）。因此，神经网络（60）可以被理解为图像分类器。
80.然后，可以根据该分类来选择控制信号（a），从而控制显示器（10a）。例如，神经网络（60）可以被配置成例如通过将图像中显示的组织分类为恶性或良性组织来检测所感测图像中的不同类型的组织。这可以借助于由神经网络（60）对输入图像（x）进行的语义分割来完成。然后可以确定控制信号（a）以使得显示器（10a）显示不同的组织，其例如通过显示输入图像（x）并且以相同的颜色对相同组织类型的不同区域进行着色。
81.在进一步的实施例（未示出）中，成像系统（500）可以用于非医学目的，例如确定工件的材料性质。在这些实施例中，神经网络（60）可以被配置成接收工件的至少一部分的输入图像（x）并且执行对输入图像（x）的语义分割，从而对工件的材料性质进行分类。然后可以确定控制信号（a）以使得显示器（10a）显示输入图像（x）以及关于检测到的材料性质的信
息。
82.图9示出了由控制系统（40）控制的医学分析系统（600）的实施例。向医学分析系统（600）供应微阵列（601），其中该微阵列包括已经暴露于医学试样的多个点（spot）（602，也被称为特征）。医学试样可以是例如人类试样或动物试样，它们例如是从拭子获得的。
83.微阵列（601）可以是dna微阵列或蛋白质微阵列。
84.传感器（30）被配置成感测微阵列（601）。传感器（30）优选地是光学传感器，诸如视频传感器。因此，神经网络（60）可以被理解为图像分类器。辅助输入可以例如表征关于从其取得试样的患者或动物的元信息，例如年龄和/或性别和/或对某些化合物的暴露时间和/或遗传倾向性（genetic predisposition）。
85.神经网络（60）被配置成基于由传感器（30）供应的微阵列的输入图像（x）来对试样的结果进行分类。特别地，神经网络（60）可以被配置成确定微阵列（601）是否指示试样中病原体（例如，病毒）的存在。
86.然后可以选择控制信号（a），使得显示器（10a）示出该分类的结果。
87.术语“计算机”可以被理解为覆盖用于处理预定义计算规则的任何设备。这些计算规则可以采用软件、硬件、或软件和硬件的混合的形式。
88.一般而言，多个可以被理解为被编入索引，也就是说，该多个中的每个元素被指派唯一的索引，其优选地通过将连续的整数指派给该多个中包含的元素。优选地，如果多个包括n个元素，其中n是该多个中的元素数量，则向这些元素指派从1到n的整数。还可以理解的是，该多个中的元素可以通过它们的索引被访问。