[发明专利]用于目标任务的机器学习模型训练方法、装置及设备

说明书

提供了一种用于目标任务的机器学习模型训练方法、装置及设备。该方法包括：获取针对目标任务的样本数据集；对样本数据集中的每个样本数据，执行包括下述各项的操作：针对该样本数据的多个子样本数据中的每个子样本数据，通过多个特征提取网络中对应于该子样本数据的模态的特征提取网络从该子样本数据中提取该子样本数据的特征向量；基于该样本数据的多个子样本数据相应的特征向量，通过分类网络获取该样本数据的分类结果；以及基于分类结果以及该样本数据的目标任务类别标签，调整分类网络的参数以及多个特征提取网络的参数。

技术领域

本公开涉及人工智能领域，特别是涉及一种用于目标任务的机器学习模型训练方法、装置、计算机设备、车辆、计算机可读存储介质和计算机程序产品。

背景技术

随着我国新能源智能汽车的日益普及，座舱智能化感知成为一个非常重要的方向。整车领域的智能化感知和控制对用户体验起到至关重要的作用。尤其是在自动触发场景中，通过智能化地感知，能够基于不同用户的习惯、基于不同用户的感知，对车辆的相关控制参数进行自适应调整，进而提升用户的体验。

发明内容

根据本公开的一方面，提供了一种用于目标任务的机器学习模型训练方法，包括：获取针对目标任务的样本数据集，其中，样本数据集中的每个样本数据包括多个子样本数据以及该样本数据对应的类别标签，多个子样本数据分别具有相应不同的多个模态，机器学习模型包括多个特征提取网络和分类网络，多个特征提取网络分别对应于多个模态；对样本数据集中的每个样本数据，执行包括下述各项的操作：针对该样本数据的多个子样本数据中的每个子样本数据，通过多个特征提取网络中对应于该子样本数据的模态的特征提取网络从该子样本数据中提取该子样本数据的特征向量；基于该样本数据的多个子样本数据相应的特征向量，通过分类网络获取该样本数据的分类结果；以及基于分类结果以及该样本数据的目标任务类别标签，调整分类网络的参数以及多个特征提取网络的参数。

根据本公开的另一方面，提供了一种用于目标任务的识别方法，其中，目标任务包括人员情绪识别、驾驶员驾驶状态识别、人员健康状态识别中的任一项，方法包括：获取针对目标任务的多个数据；以及利用机器学习模型对多个数据进行识别，以得到机器学习模型输出的多个数据的识别结果，其中，机器学习模型根据上述用于目标任务的机器学习模型训练方法训练获得，并且其中，多个数据分别具有相应不同的多个模态。

根据本公开的又另一方面，提供了一种用于目标任务的机器学习模型训练装置，包括：第一获取单元，被配置为获取针对目标任务的样本数据集，其中，样本数据集中的每个样本数据包括多个子样本数据以及该样本数据对应的类别标签，多个子样本数据分别具有相应不同的多个模态，机器学习模型包括多个特征提取网络和分类网络，多个特征提取网络分别对应于多个模态；执行单元，被配置为对样本数据集中的每个样本数据，执行包括下述各子单元的操作，其中，执行单元包括：提取子单元，被配置为针对该样本数据的多个子样本数据中的每个子样本数据，通过多个特征提取网络中对应于该子样本数据的模态的特征提取网络从该子样本数据中提取该子样本数据的特征向量；第一获取子单元，被配置为基于该样本数据的多个子样本数据相应的特征向量，通过分类网络获取该样本数据的分类结果；以及调整子单元，被配置为基于分类结果以及该样本数据的目标任务类别标签，调整分类网络的参数以及多个特征提取网络的参数。

根据本公开的再另一方面，提供了一种用于目标任务的识别装置，其中，目标任务包括人员情绪识别、驾驶员驾驶状态识别、人员健康状态识别中的任一项，装置包括：第二获取单元，被配置为获取针对目标任务的多个数据；以及识别单元，被配置为利用机器学习模型对多个数据进行识别，以得到机器学习模型输出的多个数据的识别结果，其中，机器学习模型根据上述用于目标任务的机器学习模型训练方法训练获得，并且其中，多个数据分别具有相应不同的多个模态。

根据本公开的另一方面，提供了一种计算机设备，包括：至少一个处理器；以及至少一个存储器，其上存储有计算机程序，其中，计算机程序在被至少一个处理器执行时，使至少一个处理器执行如上所述的用于目标任务的机器学习模型训练方法。