【技术实现步骤摘要】
为分类器编辑带有有噪声的标签的学习数据记录
[0001]本专利技术涉及对训练数据的编辑，这些训练数据被需要用来训练分类器例如识别车辆周围环境中的对象。
技术介绍
[0002]通常，训练人类驾驶员在道路交通中对车辆的驾驶，其方式是使驾校学生在其培训范围内总是反复以特定规则来面对情况。驾校学生必须对这些情况分别做出反应并且从教练的评论或者甚至干预中获得该驾校学生的反应是对还是错的反馈。这种利用有限数目的情况进行的训练应该使驾校学生有能力在独立驾驶车辆时也胜任不熟悉的情况。
[0003]为了使车辆完全或部分自动化地参与道路交通，谋求利用能以非常类似的方式训练的模块来控制这些车辆。这些模块例如从车辆周围环境中获得传感器数据作为输入参量并且确定在车辆周围环境中的对象的分类，以便这样来得到对交通情况的可机器处理的表示。
[0004]对于该训练来说，需要足够数量的学习数据记录，这些学习数据记录分别包括学习输入参量值和所属的学习输出参量值。例如，学习输入参量值可包括图像，并且以在这些图像中包含哪些对象的信息作为学习输出参量来...
【技术保护点】
【技术特征摘要】
1.一种用于为分类器（1）编辑学习数据记录（2）的方法（100），其中所述学习数据记录（2）包括测量数据作为学习输入参量值（11a），所述测量数据是通过物理测量过程和/或通过对这种测量过程的部分或完整的模拟和/或通过对能利用这种测量过程来观察的技术系统的部分或完整的模拟来被获得的，其中所述学习数据记录（2）附加地包括学习输出参量值（13a），所述分类器（1）应该将所述学习输入参量值（11a）在名义上映射到所述学习输出参量值，所述方法具有如下步骤：
· 至少一个学习数据记录（2）的学习输入参量值（11a）由被训练达历元E2的一个或多个分类器（1、1a
‑
1c）多次以不一致的方式来处理（110），使得所述学习输入参量值被映射到不同的输出参量值（13）；
· 根据所述输出参量值（13）彼此间的偏差，确定（120）所述输出参量值（13）的不确定性（13b）的量度；
· 作为对所述不确定性（13b）满足（130）预先给定的标准的响应，根据如下一个或多个其它输出参量值（14）来确定（140）至少一个针对所述学习数据记录（2）被更新的学习输出参量值（13a*），所述一个或多个分类器（1、1a
‑
1c）将所述学习输入参量值（11a）在重置到具有历元E
1 < E2的更早的训练状态之后映射到所述一个或多个其它输出参量值，其特征在于，所述学习输入参量值（11a）被分类器（1）的多个变型（1a
‑
1c）映射（111）到不同的输出参量值（13），所述多个变型彼此间区别到所述变型随着训练的进行不会一致地相互转化的程度，而且针对由每个变型（1a
‑
1c）所确定的输出参量值（13）来确定（121）单独的不确定性（13c），而且其中只有固定数目的已经产生了具有最低不确定性（13c）的输出参量值（13）的那些变型（1a
‑
1c）才能对确定所述被更新的学习输出参量值（13a*）做出贡献（122）。2.根据权利要求1所述的方法（100），其中针对每个变型（1a
‑
1c）确定（141）单独的被更新的学习输出参量值（13a*）。3.根据权利要求1或2中任一项所述的方法（100），其中所述学习输入参量值（11a）在具有历元E1的更早的训练状态下由一个或多个分类器（1、1a
‑
1c）多次以不一致的方式处理（142）成输出参量值（14），而且其中确定（143）关于所述输出参量值（14）的汇总统计（14a）。4.根据权利要求3所述的方法（100），其中将所述汇总统计（14a）规定（144）为被更新的学习输出参量值（13a*）。5.根据权利要求2和3所述的方法（100），其中针对每个变型（1a
‑
1c）被更新的学习输出参量值（13a*）将正好一个类别分配（145）给所述学习输入参量值（11a），而且其中使所述学习输出参量值（13a*）分布（146）到所述变型（1a
‑
1c）上，使得关于所述变型（1a
‑
1c）的集成平均重现所述汇总统计（14a）。6.根据权利要求1至5中任一项所述的方法（100），其中所述学习输入参量值（11a）由至少一个分类器（1、1a
‑
1c）多次处理，其中随机控制地分别停用（117、147）所述分类器（1、1a
‑
1c）的一个或多个神经元和/或其它处理单元。7.根据权利要求1至6中任一项所述的方法（100），其中根据所述一个或多个分类器（1、1a
‑
1c）的训练状态来确定（148）所述一个或多个分类器（1、1a
‑
1c）将测试或生效输入参量值映射到...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。