[發明專利]用于機器學習模塊的難度適應訓練

在審

• 申請號: 202010884586.8
• 申請日: 2020-08-28
• 公開（公告）號: CN112446413A
• 公開（公告）日: 2021-03-05
• 發明（設計）人: K·帕特爾;張丹;M·法伊弗;W·H·柏魯奇
• 申請（專利權）人: 羅伯特·博世有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00;G06N3/04;G06N3/08
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 陳曉;劉春元

1.一種方法，包括：擴充用于機器學習模塊（1）的訓練數據集（11*），所述機器學習模塊（1）要將輸入圖像數據（11）映射到關于使用方法進行圖像分類而言是有意義的輸出數據（13），所述方法包括：

? 提供（110）與標簽（13a）相關聯的訓練輸入數據的樣本（11a），從某種意義上說如果機器學習模塊（1）將此訓練輸入數據的樣本（11a）映射到與標簽（13a）對應的輸出數據（13），則這關于圖像分類而言被認為是有意義的；

? 從訓練輸入數據的樣本（11a）和相關聯的標簽（13a）獲得（120）難度函數（14），所述難度函數（14）被配置成將訓練輸入數據的樣本（11a）或其在工作空間（20）中的表示（21a）映射到關于圖像分類評估此樣本（11a）的難度（14a）的度量；

? 獲得（130）訓練輸入數據的至少一個候選樣本（15）和/或其在工作空間（20）中的表示（25）；

? 借助于難度函數（14），計算（140）關于圖像分類評估此候選樣本（15）和/或其表示（25）的難度（14a）的度量；以及

? 響應于此難度滿足預定標準（150），將候選樣本（15）包括（160）在訓練數據集（11*）中，

并且進一步包括：利用擴充的訓練數據集（11*）來訓練機器學習模塊（1）。

2.根據權利要求1所述的方法（100），其中，圖像分類包括：將輸入數據（11）的每個記錄映射到輸出數據（13）的記錄，所述輸出數據（13）的記錄針對多個離散類別的集合中的每個類別，指示輸入數據的記錄（11）屬于相應類別的概率和/或置信度。

3.根據權利要求2所述的方法（100），其中，難度函數（14）的獲得（120）包括：基于訓練輸入數據的樣本（11a）和相關聯的標簽（13a），訓練（121）判別式分類器（16），其將訓練輸入數據的樣本（11a）和/或其在工作空間（20）中的表示（21a）映射到指示此訓練輸入數據的樣本（11a）屬于離散類別中的每一個的概率和/或置信度的分類（16a），并且其中，由難度函數（14）確定的難度（14a）取決于此分類（16a）。

4.根據權利要求3所述的方法（100），其中，由難度函數（14）確定的難度（14a）至少部分地基于分類（16a）的歧義。

5.根據權利要求3或4中任一項所述的方法（100），其中，由難度函數（14）確定的難度（14a）至少部分地基于分類（16a）的熵。

6.根據權利要求3至5中任一項所述的方法（100），進一步包括：將候選樣本（15）與對應于由判別式分類器（16）確定的分類（16a）的標簽相關聯（141）。

7.根據權利要求1至6中任一項所述的方法（100），其中，挑選（115）工作空間（20），使得：訓練輸入數據的樣本（11a）關于圖像分類的相似度與這些樣本（11a）在工作空間（20）中的表示（21a）之間的距離的相關程度比其與這些樣本（11a）之間的距離的相關程度相同或更高。

8.根據權利要求7所述的方法（100），進一步包括：在工作空間（20）內實行（131）對訓練輸入數據的候選樣本（15）的候選表示（25）的搜索，使得由難度函數（14）確定的難度（14a）滿足預定標準（150），并且將此候選表示（25）變換（132）成候選樣本（15）。

9.根據權利要求8所述的方法（100），其中，搜索的實行（131）包括：基于工作空間（20）中的表示（25），通過在工作空間（20）中求解關于優值函數的優化問題來獲得（131a）候選表示（25），其中，優值函數至少部分地基于難度函數（14）。

10.根據權利要求8所述的方法（100），其中，搜索的實行（131）包括：從工作空間（20）繪制（131b）隨機表示（25），并且評估這些隨機表示（25）是否滿足預定標準（150）。