[发明专利]用于训练神经网络以分类对象或事件的方法和系统

说明书

本发明涉及用于训练分类器的方法和系统。该方法包括：接收包括表示被监测环境中的对象或事件的数据的第一组传感器数据；接收第二组传感器数据，该第二组传感器数据表示与由第一组传感器数据表示的时间段对应的时间段；向导师分类器输入表示第一组数据并包括表示对象或事件的数据的数据；在导师分类器中生成对象或事件的分类；在学徒分类器训练过程中接收第二组传感器数据；在学徒分类器训练过程中接收在导师分类器中生成的分类；并且使用第二组传感器数据作为输入并且使用从导师分类器接收的分类作为第二组传感器数据的分类的基础事实，在学徒分类器训练过程中来训练学徒分类器。

技术领域

本发明涉及用于训练神经网络以分类对象或事件的方法和系统。

背景技术

对象和/或事件的分类可以借助于神经网络，时也称为人工智能AI，实现。现在的趋势是这些技术越来越多地用于从捕获的静止图像或视频中分类对象或事件。这些分类神经网络经常用于如字符识别、监测、监控、图像分析、自然语言处理等的应用中。存在可用于分类对象的许多神经网络算法/技术，例如，卷积(convolutional)神经网络、递归(recurrent) 神经网络等。

在图1中示出了用于训练用于分类的通用神经网络12的通用训练设置10。神经网络12被馈送标记数据14。标记数据14例如是要被分类的对象的图像，其中图像被标记有正确的分类，即标记数据14包括图像数据 16的基础事实18和图像数据16本身。图像数据16被输入到分类器，并且基础事实18被发送到损失函数计算器20。分类器12处理表示要被分类的对象的数据并且生成分类标识22。分类器中的处理包括当数据被馈送通过分类器12时将权重应用于值。分类标识22可以是特征向量、分类向量或对类别进行标识的单个值。在损失函数中，使用例如损失函数将分类标识22与基础事实18进行比较。然后将来自损失函数24的结果传递到配置为调节在分类器12中使用的权重的权重调节函数26。然后，当分类器12被完全训练时，可以如图2所示使用它，其中通过将要分类的数据30加载到分类器12中来执行分类。要分类的数据30与训练期间使用的标记数据处于相同的形式，但没有标记。分类器12然后输出标识为输入的数据确定的类别的数据32。

为了获得适当训练的分类器，需要大量标记的数据实例，例如，标记的图像。通常需要数十万个标记数据的实例，在很多情况下甚至是数百万个。该训练数据生成非常麻烦。对于一些分类，你可以购买大型标记数据集。最常见的数据集包括被分类的图像。这些现有数据集的一个问题是，它们可能没有标记你想要训练你的分类器识别的类别。现有数据集的另一个问题是它们可能不会使用你希望对其进行分类的输入数据的形式。

分类器可以是任何类型的神经网络、人工智能或机器学习方案。在本说明书中，人工智能包括神经网络，因此当我们描述神经网络时，它也适用于包括这种神经网络的任何人工智能。要用作分类器的神经网络可以以技术人员已知的许多不同方式来实现。神经网络有时被称为人工神经网络。

发明内容

本发明的一个目的是以较低劳动强度对分类器进行训练。

该目的借助于根据权利要求1的用于训练分类器的方法来实现。本发明的另外实施例在从属权利要求中给出。

更精确地，根据本发明的一个方面，用于训练分类器的方法包括：

接收包括表示被监测环境中的对象或事件的数据的第一组传感器数据，

接收表示与由第一组传感器数据表示的时间段对应的时间段的第二组传感器数据，

向导师(tutor)分类器输入表示第一组数据并包括表示对象或事件的数据的数据，

在导师分类器中生成对象或事件的分类，

在学徒(apprentice)分类器训练过程中接收第二组传感器数据，

在学徒分类器训练过程中接收在导师分类器中生成的分类，