对机器学习方法进行训练的方法和系统技术方案

本公开涉及对机器学习方法进行训练的方法和系统。对机器学习方法进行训练的计算机实现方法包括由计算机硬件组件执行的以下步骤：确定来自第一传感器的测量数据；基于第二传感器，确定真值的近似值；以及基于测量数据和真值的近似值对机器学习方法进行训练；其中，真值的近似质量较低的近似值对训练的影响比真值的近似质量较高的近似值对训练的影响低。值的近似质量较高的近似值对训练的影响低。值的近似质量较高的近似值对训练的影响低。

【技术实现步骤摘要】
对机器学习方法进行训练的方法和系统


[0001]本公开涉及对机器学习方法进行训练的方法和系统。

技术介绍

[0002]人工神经网络是用于各种任务、尤其是用于分类或对象检测的强大工具。
[0003]然而，人工神经网络必须被训练，通常使用涉及输入数据和输出数据的大型数据集来训练，人工神经网络应该基于输入数据计算输出数据。例如，针对要处理传感器数据的人工神经网络，可能需要标记数据(其可以被称为真值(ground truth))。这些标记数据通常是手动获取的，成本高且速度慢。
[0004]因此，需要改进(人工)神经网络的训练。

技术实现思路

[0005]本公开提供计算机实现方法、计算机系统和非暂时性计算机可读介质。在说明书和附图中给出了实施方式。
[0006]在一个方面，本公开涉及一种对机器学习方法进行训练的计算机实现方法，所述方法包括由计算机硬件组件执行(换句话说：实施)的以下步骤：确定来自第一传感器的测量数据；基于第二传感器，确定真值的近似值；以及基于测量数据和真值的近似值对机器学习方法进行训练；其中，真值的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对机器学习方法进行训练的计算机实现方法，所述计算机实现方法包括由计算机硬件组件执行的以下步骤：确定(102)来自第一传感器的测量数据；基于第二传感器，确定(104)真值的近似值；以及基于所述测量数据和所述真值的近似值对所述机器学习方法进行训练(106)；其中，真值的近似质量较低的近似值对所述训练的影响比真值的近似质量较高的近似值对所述训练的影响低。2.根据权利要求1所述的计算机实现方法，其中，规定了通过使用针对所述训练的优化准则，真值的近似质量较低的近似值对所述训练的影响比真值的近似质量较高的近似值对所述训练的影响低，其中，所述优化准则是基于映射的。3.根据权利要求2所述的计算机实现方法，其中，所述优化准则还是基于所述测量数据的能量图的。4.根据权利要求2或3所述的计算机实现方法，其中，所述优化准则包括所述测量数据与所述真值的近似值之间的交叉熵。5.根据权利要求3或4所述的计算机实现方法，其中，所述优化准则是基于包括基于所述交叉熵的第一被加数和基于所述能量图的第二被加数的总和的。6.根据权利要求1至5中任一项所述的计算机实现方法，其中，规定了通过过滤真值的近似质量较低的近似值，真值的近似质量较低的近似值对所述训练的影响比真值...

【专利技术属性】
技术研发人员：J，
申请(专利权)人：APTIV技术有限公司，
类型：发明
国别省市：