CN114692778B - 用于智能巡检的多模态样本集生成方法、训练方法及装置 - Google Patents

Abstract

本公开提供了一种用于智能巡检的多模态样本集生成方法、训练方法及装置，涉及人工智能技术领域，尤其涉及深度学习、自然语言处理、语音技术、计算机视觉、大数据等领域。具体实现方案为：将采集到的多模态环境样本集中的环境样本输入与环境样本的模态相匹配的单模态模型，得到与环境样本相对应的模型处理结果。根据模型处理结果，从多模态环境样本集中确定初始样本集。通过主动学习的方式对初始样本集进行处理，确定多模态样本集。

Description

用于智能巡检的多模态样本集生成方法、训练方法及装置

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习、自然语言处理、语音技术、计算机视觉、大数据等领域，具体地，涉及一种用于智能巡检的多模态样本集生成方法、训练方法及装置。

背景技术

深度学习，也称为深度结构化学习或分层学习，是基于人工神经网络的更广泛的机器学习方法族的一部分。深度学习架构，例如深度神经网络、深度信念网络、循环神经网络和卷积神经网络，已经被应用于包括计算机视觉、语音识别、自然语言处理、音频识别、社交网络过滤、机器翻译、生物信息学、药物设计、医学图像分析、材料检查和棋盘游戏程序在内的领域。为保证各领域内输出结果的准确性，相应的模型训练必不可少。样本是用于实现模型训练的重要数据基础。

发明内容

本公开提供了一种多模态样本集生成方法、多模态模型的训练方法、多模态信息处理方法、装置、电子设备以及存储介质。

根据本公开的一方面，提供了一种多模态样本集生成方法，包括：将采集到的多模态环境样本集中的环境样本输入与所述环境样本的模态相匹配的单模态模型，得到与所述环境样本相对应的模型处理结果；根据所述模型处理结果，从所述多模态环境样本集中确定初始样本集；以及通过主动学习的方式对所述初始样本集进行处理，确定多模态样本集。

根据本公开的另一方面，提供了一种多模态模型的训练方法，包括：将多模态样本集中的第二目标样本集输入与所述第二目标样本集的模态相匹配的目标单模态模型，得到多个单模态特征，其中，所述多模态样本集是根据本公开的多模态样本集生成方法确定的，所述多模态样本集包括多个第二目标样本集，每个第二目标样本集与一种模态相匹配，所述目标单模态模型是经训练的单模态模型；根据所述多个单模态特征，确定多模态融合特征；以及根据所述多模态融合特征，对多模态模型进行训练。

根据本公开的另一方面，提供了一种多模态信息处理方法，包括：将多模态信息输入多模态模型，得到处理结果；其中，所述多模态模型是利用根据本公开的多模态模型的训练方法训练得到的。

根据本公开的另一方面，提供了一种多模态样本集生成装置，包括：第一获得模块，用于将采集到的多模态环境样本集中的环境样本输入与所述环境样本的模态相匹配的单模态模型，得到与所述环境样本相对应的模型处理结果；第一确定模块，用于根据所述模型处理结果，从所述多模态环境样本集中确定初始样本集；以及第二确定模块，用于通过主动学习的方式对所述初始样本集进行处理，确定多模态样本集。

根据本公开的另一方面，提供了一种多模态模型的训练装置，包括：第二获得模块，用于将多模态样本集中的第二目标样本集输入与所述第二目标样本集的模态相匹配的目标单模态模型，得到多个单模态特征，其中，所述多模态样本集是根据本公开的多模态样本集生成装置确定的，所述多模态样本集包括多个第二目标样本集，每个第二目标样本集与一种模态相匹配，所述目标单模态模型是经训练的单模态模型；第三确定模块，用于根据所述多个单模态特征，确定多模态融合特征；以及训练模块，用于根据所述多模态融合特征，对多模态模型进行训练。

根据本公开的另一方面，提供了一种多模态信息处理装置，包括：第三获得模块，用于将多模态信息输入多模态模型，得到处理结果；其中，所述多模态模型是利用根据本公开的多模态模型的训练装置训练得到的。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开的多模态样本集生成方法、多模态模型的训练方法、多模态信息处理方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开的多模态样本集生成方法、多模态模型的训练方法、多模态信息处理方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开的多模态样本集生成方法、多模态模型的训练方法、多模态信息处理方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示意性示出了根据本公开实施例的可以应用多模态样本集生成方法、多模态模型的训练方法、多模态信息处理方法及相应装置的示例性系统架构；

图2示意性示出了根据本公开实施例的多模态样本集生成方法的流程图；

图3示意性示出了根据本公开实施例的多模态模型的训练方法的流程图；

图4示意性示出了根据本公开实施例的采集高质量环境样本训练多模态模型的示意图；

图5示意性示出了根据本公开实施例的多模态信息处理方法的流程图；

图6示意性示出了根据本公开实施例的多模态样本集生成装置的框图；

图7示意性示出了根据本公开实施例的多模态模型的训练装置的框图；

图8示意性示出了根据本公开实施例的多模态信息处理装置的框图；以及

图9示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

智能巡检是安全生产当中的重要环节。巡检方式可以包括专业人员现场监管。由于生产场景的多样性、复杂性以及生产实施过程中存在的较大随机性，在专业人员实施监管时，要求专业人员具有相应的专业程度，以减少对监管效果的影响。此外，该巡检方式的巡检流程繁琐，成本高效率低，在数据为核心的信息化时代，无法合理利用数据的积累提升监管质量，且无法实现实时监测以及超前预警。

发明人在实现本公开构思的过程中发现，人工巡检方式成本高效率低、易受环境影响，检测标准不统一。机器视觉巡检方式抗干扰能力差、精度低、难以优化。

随着深度学习(Deep Learning，DL)在图像识别、机器翻译、自然语言处理(Natural Language Processing，NLP)等各领域的深入研究，在安全巡检等场景中，可以采用基于深度学习的计算机视觉技术进行自动异常检测及预警。在该过程中，对深度学习模型进行合理有效的训练显得尤为重要。深度学习模型的训练过程很大程度上还依赖样本数据的积累。

本公开提供了一种多模态样本集生成方法、多模态模型的训练方法、多模态信息处理方法、装置、电子设备以及存储介质。多模态样本集生成方法包括：将采集到的多模态环境样本集中的环境样本输入与环境样本的模态相匹配的单模态模型，得到与环境样本相对应的模型处理结果。根据模型处理结果，从多模态环境样本集中确定初始样本集。通过主动学习的方式对初始样本集进行处理，确定多模态样本集。

图1示意性示出了根据本公开实施例的可以应用多模态样本集生成方法、多模态模型的训练方法、多模态信息处理方法及相应装置的示例性系统架构。

需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用多模态样本集生成方法、多模态模型的训练方法、多模态信息处理方法及相应装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的多模态样本集生成方法、多模态模型的训练方法、多模态信息处理方法及相应装置。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(″Virtual PrivateServer″，或简称″VPS″)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

需要说明的是，本公开实施例所提供的多模态样本集生成方法、多模态模型的训练方法、多模态信息处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的多模态样本集生成装置、多模态模型的训练装置、多模态信息处理装置一般可以设置于服务器105中。本公开实施例所提供的多模态样本集生成方法、多模态模型的训练方法、多模态信息处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的多模态样本集生成装置、多模态模型的训练装置、多模态信息处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

或者，本公开实施例所提供的多模态样本集生成方法、多模态模型的训练方法、多模态信息处理方法一般也可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的多模态样本集生成装置、多模态模型的训练装置、多模态信息处理装置也可以设置于终端设备101、102、或103中。

例如，在确定多模态样本集时，终端设备101、102、103可以采集的多模态环境样本集，然后将采集到的多模态环境样本集发送给服务器105，由服务器105将采集到的多模态环境样本集中的环境样本输入与环境样本的模态相匹配的单模态模型，得到与环境样本相对应的模型处理结果。然后，根据模型处理结果，从多模态环境样本集中确定初始样本集，并通过主动学习的方式对初始样本集进行处理，确定多模态样本集。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群对多模态环境样本集进行分析，并实现确定多模态样本集。

例如，在训练多模态模型时，终端设备101、102、103可以获取上述多模态样本集，然后将获取的多模态样本集发送给服务器105，由服务器105将多模态样本集中的第二目标样本集输入与第二目标样本集的模态相匹配的目标单模态模型，得到多个单模态特征，多模态样本集包括多个第二目标样本集，每个第二目标样本集与一种模态相匹配，目标单模态模型是经训练的单模态模型。然后，根据多个单模态特征，确定多模态融合特征，并利用多模态融合特征，对多模态模型进行训练。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群对多模态样本集进行分析，并实现对多模态模型进行训练。

例如，在处理多模态信息时，终端设备101、102、103可以获取多模态信息，然后将获取的多模态信息发送给服务器105，由服务器105将多模态信息输入多模态模型，得到处理结果。多模态模型是利用前述训练方式训练得到的。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群对多模态信息进行处理，并实现得到处理结果。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

在实际工业过程中由于产品生产需求和应用场景的多样性，在生产过程中会出现多个操作模态。各个操作模态在不同阶段、不同场景下实现的功能不同。有鉴于此，可以从如图像信息、音频信息、视频信息等多个维度获取信息，构建多模态样本集，以使基于该多模态样本集训练的深度学习模型能够全面且高效地应用于各类场景。

图2示意性示出了根据本公开实施例的多模态样本集生成方法的流程图。

如图2所示，该方法包括操作S210～S230。

在操作S210，将采集到的多模态环境样本集中的环境样本输入与环境样本的模态相匹配的单模态模型，得到与环境样本相对应的模型处理结果。

在操作S220，根据模型处理结果，从多模态环境样本集中确定初始样本集。

在操作S230，通过主动学习的方式对初始样本集进行处理，确定多模态样本集。

根据本公开的实施例，用于提供环境样本的环境可以包括各类模态相互交融的环境。根据特征维度的不同，各类模态可以包括音频模态、图像模态、视频模态、文本模态等其中至少之一，且可不限于此。多模态环境样本集可以包括从各类可能存在模态交融的环境中采集到的环境样本，例如可以包括音频模态的环境样本、图像模态的环境样本、视频模态的环境样本、文本模态的环境样本等其中至少两者的组合。

根据本公开的实施例，对应于特征维度的差异，单模态模型例如可以包括用于处理音频类信息的模型、用于处理图像类信息的模型、用于处理视频类信息的模型以及用于处理文本类信息的模型等其中至少之一，且可不限于此。图像类信息例如可以包括可见光图像、热力图图像等其中至少之一。用于处理音频类信息的模型例如可以基于MFCC(Mel-Frequency Cepstral Coefficients，梅尔频率倒谱系数)实现。单模态模型可以用于实现如目标检测、目标识别、目标分类等其中至少一个功能。

根据本公开的实施例，在采集到多模态环境样本集之后，可以将多模态环境样本集中的环境样本输入与该环境样本的模态相对应的单模态模型中进行处理，并得到相应的模型处理结果。例如，可以将采集到的音频模态的环境样本输入用于处理音频类信息的音频检测模型中进行处理，得到音频检测结果。可以将采集到的图像模态的环境样本输入用于处理图像类信息的图像分类模型中进行处理，得到图像分类结果等。模型处理结果可以根据模型的功能及输入模型的信息确定，且可不限于前述所列。

根据本公开的实施例，初始样本集可以是从多模态环境样本集中选择的模型处理结果满足预定条件的样本的集合。该预定条件例如可以包括模型处理结果不同、模型处理结果的置信度在预定义范围内一其他预定条件等其中至少之一。模型处理结果不同例如可以包括目标类别不同、目标检测结果不同等其中至少一种表现形式。

根据本公开的实施例，主动学习可以包括基于不确定性采样的查询(UncertaintySampling)、基于委员会的查询(QBC，Query-By-Committee)、基于模型变化期望的查询(Expected Model Change)、基于误差减少的查询(Expected Error Reduction)、基于方差减少的查询(Variance Reduction)以及其他查询策略等其中至少之一。主动学习作为一种用于主动选择有价值的样本的方法，通过主动学习的方式对初始样本集进行处理，可以从初始样本集中查询得到对模型训练的效果最好的高质量样本。多模态样本集可以为该些高质量样本的集合。

通过本公开的上述实施例，可以基于多个模态获取得到用于训练模型的环境样本，结合模型处理和主动学习两个阶段，可以获取得到对模型训练效果较好的多模态样本集，用于实现对模型的训练。尤其适用于异常数据普遍匮乏的场景，基于该种方式可以较为容易的得到高质量的多模态样本，有效提高模型训练的效率，基于多模态样本训练得到的模型还可以具有更高的准确率及鲁棒性，可适用于更多类别的场景。

下面结合具体实施例，对图2所示的方法做进一步说明。

根据本公开的实施例，模型处理结果可以包括与模型处理结果相对应的置信度信息。根据模型处理结果，从多模态环境样本集中确定初始样本集可以包括：根据所述置信度信息，从多模态环境样本集中确定初始样本集。

根据本公开的实施例，置信度信息可以表征模型处理结果的可信赖程度。例如，目标检测模型对待检测信息的处理结果可以包括检测到的目标信息以及表征该目标信息存在的可能性的置信度信息。图像分类模型对待分类图像的处理结果可以包括待分类图像的图像类别以及表征该待分类图像属于该类别的概率的置信度信息等。

根据本公开的实施例，可以将处于某一预定义范围内的第一目标置信度信息所对应的环境样本确定为初始样本集中的样本。也可以首先确定对应于相同模态的多个环境样本。然后，可以确定与该多个环境样本相对应的多个模型处理结果中的置信度信息中差值大于目标预设阈值的第二目标置信度信息，并将与第二目标置信度信息相对应的环境样本确定为初始样本集中的样本。第一目标置信度信息和第二目标置信度信息可以相同或不同。

需要说明的是，如上初始样本集中样本的确定方式仅是示例性实施例，但不限于此，还可以包括本领域已知的其他样本查询方法，只要能够查询得到对模型训练效果好的高质量样本即可。

通过本公开的上述实施例，可以结合置信度信息对采集到的多模态环境样本集中的样本进行初步选择，有利于滤除一部分对模型训练帮助相对较小的样本，提高选择得到的样本的有效性。

根据本公开的实施例，根据置信度信息，从多模态环境样本集中确定初始样本集可以包括：确定与大于第一预设阈值的置信度信息相对应的第一目标环境样本集。确定与小于第二预设阈值的置信度信息相对应的第二目标环境样本集。第二预设阈值小于第一预设阈值。根据第一目标环境样本集和第二目标环境样本集，确定初始样本集。

根据本公开的实施例，可以采用双阈值的策略，如可以设计高阈值和低阈值，对采集到的多模态环境样本集进行选择，以得到初始样本集。高阈值例如为第一预设阈值，低阈值例如为第二预设阈值，通过预设阈值可以确定预定义范围。如预定义范围可以包括高于第一预设阈值的范围以及地域第二预设阈值的范围等其中至少之一。根据预定义范围可以确定用于确定初始样本集中样本的第三目标置信度信息，从而确定初始样本集。高阈值可以用于线上运行，可以在提高模型处理结果的准确率，提高检出率，减少误报，相对应的样本例如可以作为正样本。低阈值可以收集具有缺陷的数据，也可以对疑似异常数据进行采集，相对应的样本例如可以作为负样本。具有缺陷的数据和疑似异常数据例如可以包括模型处理结果正确率低的数据，如可以包括识别错误的数据、分类错误的数据等其中至少之一，且可不限于此。正样本和负样本均可以作为初始样本集中的样本，用于后续模型的迭代。

根据本公开的实施例，上述获得初始样本集的过程例如可以通过设计数据回流模块实现。例如，可以在数据汇流模块中设置双阈值策略，对采集到的多模态环境样本集中的样本进行处理，实现初始样本集的积累。

通过本公开的上述实施例，可以得到更有利于模型训练的初始样本集，尤其适用于异常数据量少的海量多模态环境样本集中样本的提取，减少了人工选择时的劳动成本、时间成本，并可有效提高得到的初步获取得到的初始样本集的质量。

根据本公开的实施例，通过数据回流模块获取得到的初始样本集中，存在明显异常的环境样本较少，大部分环境样本是难以区分且需要标注的。标注数据在不同场景下要求各异，大多需要专业人士参与，成本仍然较高。

根据本公开的实施例，对于获取得到的初始样本集，可以通过主动学习的方式进一步处理，以确定多模态样本集。，主动学习可以包括如下中的至少之一：基于不确定性采样的查询、基于委员会的查询以及基于模型变化期望的查询，且可不限于此。

根据本公开的实施例，基于不确定性采样的查询方法可以基于单个模型，将初始样本集中难以被单个模型区分的环境样本提取出来，作为多模态样本集，达到以较快速度提升算法效果的能力。

根据本公开的实施例，基于委员会的查询方法可以基于多个模型对初始样本集进行处理，并结合多个模型的模型处理结果，对初始样本集中的环境样本进行投票的模式，选择初始样本集中难以被更多模型区分的环境样本，作为多模态样本集。

根据本公开的实施例，难以区分的环境样本例如可以包括模型处理结果的置信度在如0.4～0.6范围内时所对应处理的环境样本。可以根据模型处理结果的置信度信息，以及预定义的用于表征样本为难以区分的样本所对应的置信度范围，确定该难以区分的样本。

需要说明的是，关于0.4～0.6的范围限定可以根据应用场景自定义确定，可不限于此。

根据本公开的实施例，基于模型变化期望的查询方法可以基于单个或多个模型，从初始样本集中选择能够使得模型梯度变化大于某一设定值的环境样本，作为多模态样本集。

根据本公开的实施例，例如，可以首先使用少量数据对上述基于不确定性采样的查询、基于委员会的查询和基于模型变化期望的查询等查询策略进行对比实验。然后，可以选择合适的查询策略投入上述主动学习的过程。

通过本公开的上述实施例，通过主动学习的方式，可以从初步选择得到的初始样本集中选择更少量的高质量环境样本，得到的少量且高质量的环境样本可以有效节约人工标注成本，并可提升模型训练效果。

根据本公开的实施例，通过主动学习的方式对初始样本集进行处理，确定多模态样本集可以包括：确定通过主动学习的方式对初始样本集进行处理得到的第一目标样本集。将第一目标样本集确定为多模态样本集。

根据本公开的实施例，第一目标样本集中可以包括从初始样本集中选出的对模型训练帮助相对较大的样本。在获得第一目标样本集之后，可以不对第一目标样本集中的样本做标注，作为用于训练模型的多模态样本集。

需要说明的是，在某些场景中，也可以对获得的第一目标样本集中的样本进行标注。然后，将有标注的第一目标样本集作为用于训练模型的多模态样本集。

通过本公开的上述实施例，通过主动学习的方式可以从初始样本集中直接确定高质量的多模态样本集，节省了确定高质量样本的时间，并可有效缓解海量样本标注成本高的问题。

根据本公开的实施例，主动学习可以包括第一主动学习和第二主动学习。通过主动学习的方式对初始样本集进行处理，确定多模态样本集可以包括：通过第一主动学习的方式对初始样本集进行处理，得到中间样本集。通过第二主动学习的方式对中间样本集进行至少一个轮次的处理，得到与轮次相对应的中间样本子集。根据中间样本子集，确定多模态样本集。

根据本公开的实施例，第一主动学习和第二主动学习均可以选择前述主动学习所包括的策略。第一主动学习和第二主动学习的策略可以相同或不同。

根据本公开的实施例，针对通过主动学习的方式对初始样本集进行处理后得到的中间样本集，可以继续通过主动学习的方式进行处理。多模态样本集可以根据通过主动学习的方式对中间样本集进行处理之后得到的样本，即中间样本子集确定。

根据本公开的实施例，在确定中间样本子集之后，可以将无标注的中间样本子集确定为多模态样本集。可以首先对中间样本子集中的样本进行标注。然后，将有标注的中间样本子集确定为多模态样本集。在此不做限定。

通过本公开的上述实施例，通过第一主动学习和第二主动学习的方式，可以从初始样本集中选出数据量更少但对模型训练帮助相对更大的高质量样本，可有效降低标注成本，减少样本确定的时间，并可保证模型训练的准确度。

根据本公开的实施例，根据中间样本子集，确定多模态样本集可以包括：将有标注的中间样本子集和第一其他样本子集确定为多模态样本集。所述第一其他样本子集为中间样本集中除所述中间样本子集之外的其他样本的集合。

根据本公开的实施例，在确定中间样本子集之后，可以首先对中间样本子集中的样本进行标注。然后，可以将有标注的中间样本子集和中间样本集中的其他无标注的第一其他样本子集，确定为多模态样本集。

通过本公开的上述实施例，结合主动学习选择的少量有标注的中间样本子集和中间样本集中的大量无标注的第一其他样本子集进行模型训练，可以有效改进模型的能力，提高模型效果。

根据本公开的实施例，根据中间样本子集，确定多模态样本集可以包括：将有标注的中间样本子集确定为所述多模态样本集。

根据本公开的实施例，在确定中间样本子集之后，可以首先对中间样本子集中的样本进行标注。然后，可以将有标注的中间样本子集确定为多模态样本集。

通过本公开的上述实施例，由于中间样本子集为通过第一主动学习和第二主动学习的方式，从初始样本集中选出的数据量相对较少且对模型训练帮助相对较大的高质量样本，得到有标注的中间样本子集时，可有效降低标注成本。基于有标注的中间样本子集训练的模型可以就要较高的准确度。

根据本公开的实施例，至少一个轮次可以包括第一轮次至第M轮次，M为正整数。通过第二主动学习的方式对中间样本集进行至少一个轮次的处理，得到与轮次相对应的中间样本子集可以包括：在第一轮次，通过第二主动学习的方式对中间样本集进行处理，得到与第一轮次相对应的中间样本子集。在第m轮次，通过第二主动学习的方式对第二其他样本子集进行处理，得到与第m轮次相对应的中间样本子集。第二其他样本子集为中间样本集中除与前m-1个轮次相对应的中间样本子集之外的其他样本的集合。m大于1且小于或等于M，m为正整数。

根据本公开的实施例，在得到与第一轮次相对应的中间样本子集之后，可以对其中的样本进行人工标注，并将有标注的中间样本子集确定为在第一轮次确定的多模态样本集。在确定第一轮次的多模态样本集之后，可以首先利用第一轮次确定的多模态样本集中的样本对相应的模型进行训练，提升模型效果。然后，可以对中间样本集中的第二其他样本集进行第二轮次的处理，该过程可以包括通过主动学习的方式从第二其他样本集中确定第二轮次的中间样本子集，并进行仍标注，确定第二轮次的多模态样本集。对于利用第一轮次确定多模态样本集中的样本训练之后的模型，可以利用第二轮次确定的多模态样本集中的样本对相应的模型继续进行训练，已进一步提升模型效果。以此类推，可以在利用第m-1轮次确定的多模态样本集中的样本完成对相应模型的训练之后，从中间样本集中的剩余样本中确定第m轮次的多模态样本集，并利用第m轮次确定的多模态样本集中的样本，对利用第m-1轮次确定的多模态样本集中的样本训练的相应模型继续进行训练。该过程可持续至中间样本集中的所有样本均被确定为多模态样本集中的样本后结束。

通过本公开的上述实施例，在确定与每个轮次相对应的中间样本子集之后，在后一轮次可以有更大的概率从中间样本集的第二其他样本子集中选出相对更为重要的样本。通过多轮次选择的方式，可以将初始样本集划分为批量的样本子集，通过批量的样本子集中的样本分批对相应模型进行训练，可以更高效的迭代模型，进一步提高模型的训练效果。

根据本公开的实施例，在获取得到少量高质量的多模态样本集之后，可以结合半监督学习、无监督学习等方式，训练多模态模型，实现各类场景中所需模型的统一部署。无监督学习可以无需标注数据即可训练模型检测出有效的结果。

图3示意性示出了根据本公开实施例的多模态模型的训练方法的流程图。

如图3所示，该方法包括操作S310～S330。

在操作S310，将多模态样本集中的第二目标样本集输入与第二目标样本集的模态相匹配的目标单模态模型，得到多个单模态特征。多模态样本集可以包括多个第二目标样本集，每个第二目标样本集与一种模态相匹配。目标单模态模型是经训练的单模态模型。

在操作S320，根据多个单模态特征，确定多模态融合特征。

在操作S330，根据多模态融合特征，对多模态模型进行训练。

根据本公开的实施例，操作S310中的多模态样本集可以是根据前述多模态样本集生成方法确定的。

根据本公开的实施例，在采集到的用于确定多模态样本集的多模态环境样本集包括音频模态的环境样本、图像模态的环境样本、视频模态的环境样本、文本模态的环境样本等的情况下，第二目标样本集可以为通过初步选择和主动学习的方式从多模态环境样本集中确定的音频模态的目标环境样本、图像模态的目标环境样本、视频模态的目标环境样本、文本模态的目标环境样本等其中任意之一。

根据本公开的实施例，目标单模态模型可以为利用相应模态的样本训练得到的模型。例如，目标单模态模型可以为利用音频类样本训练得到的用于处理音频类信息的模型、利用图像类样本训练得到的用于处理图像类信息的模型、利用视频类样本训练得到的用于处理视频类信息的模型以及利用文本类样本训练得到的用于处理文本类信息的模型等其中任意之一，只要保证目标单模态模型的模态与第二目标样本集的模态相匹配即可。

根据本公开的实施例，多模态融合特征可以表征多模态样本集的特征。可以将属于同一时刻或同一时间段内的单模态特征进行融合，得到多模态融合特征。

根据本公开的实施例，在获得多模态融合特征之后，可以结合任务模块，将多模态融合特征映射为相应的多模态模型处理结果。在多模态融合特征中包括与音频相关的特征、与图像相关的特征的情况下，多模态模型处理结果例如可以包括音频识别结果、图像识别结果其中至少之一。结合多模态模型处理结果可以对多模态模型进行训练。

根据本公开的实施例，在确定多模态样本集为根据无标注的环境样本确定的多模态样本集的情况下，可以基于无监督学习的方法，结合多模态模型处理结果，对多模态模型进行训练。

例如，在将多模态样本集输入多模态模型之后，可以对多模态样本集中的同一个无标注样本进行强数据增强处理和弱数据增强处理，可以对应得到强处理的多模态样本集和弱处理的多模态样本集。然后，可以将弱处理的多模态样本集中的无标注样本输入与该无标注样本的模态相匹配的目标单模态模型中，得到相应的单模态特征。在得到与弱处理的多模态样本集中的每个无标注样本相对应的单模态特征之后，可以通过特征融合得到与弱处理的多模态样本集相对应的多模态融合特征，并确定多模态模型处理结果。根据与弱处理的多模态样本集相对应的多模态模型处理结果，例如可以确定与多模态样本集中每个模态的未标注样本相对应的伪标签。该伪标签可以作为强处理的多模态样本集中相应的未标注样本的标注信息。通过对以伪标签标注的强处理的多模态样本集进行与弱处理的多模态样本集相同的过程，可以得到与强处理的多模态样本集相对应的多模态模型处理结果。根据与弱处理的多模态样本集相对应的多模态模型处理结果和与强处理的多模态样本集相对应的多模态模型处理结果，可以基于无监督学习实现对多模态模型进行训练。

需要说明的是，伪标签例如可以包括表征图像中目标类别的标签、表征图像中目标的目标检测框的大小及位置的标签以及表征音频中声音异常的标签等其中至少之一，在此不做限定。

在确定多模态样本集为根据少量有标注的环境样本和大量无标注的环境样本确定的多模态样本集的情况下，可以基于半监督学习的方法，结合多模态模型处理结果，对多模态模型进行训练。

例如，可以针对多模态样本集中无标注的环境样本，对多模态模型进行如前述无监督学习的过程。并可针对多模态样本集中有标注的环境样本，执行与前述针对弱处理的多模态样本集和强处理的多模态样本集相同的处理过程。基于此，可以基于半监督学习实现对多模态模型进行训练。

通过本公开的上述实施例，通过对多模态样本集中的信息进行转换和融合，可以实现多种异质信息的互补，即实现多模态融合。通过结合融合得到的多模态融合特征对多模态模型进行训练，可以为多模态模型赋予学习和融合多模态信息的能力。训练得到的多模态模型可复用于各类场景，易迭代，适应性更强，且多模态模型处理结果的精度更高。

根据本公开的实施例，在将多模态样本集中的第二目标样本集输入与第二目标样本集的模态相匹配的目标单模态模型之前，可以利用该多模态样本集中的第二目标样本集对相应的目标单模态模型进行训练。该过程例如可以包括：确定N个深度学习模型，N为正整数。利用与N个模态相匹配的N个目标样本集，分别对N个深度学习模型进行训练，得到目标单模态模型。

根据本公开的实施例，可以首先对环境中可能产生的信息按模态的不同进行分类，确定用于分类的模态的数目。然后，可以对应于每个类别的模态，确定一个未经训练或经预训练的深度学习模型，即可以确定与用于分类的模态的数目相同数目个深度学习模型，如可以确定N个深度学习模型。之后，可以针对每个深度学习模型，利用多模态样本集中的一个第二目标样本集进行训练，得到经训练的与该第二目标样本集的模态相匹配的目标单模态模型。对于不同的深度学习模型，训练时采用的第二目标样本集不同。

根据本公开的实施例，第二目标样本集可以为无标注样本或部分有标注的样本。基于第二目标样本集对格深度学习模型进行训练的方法可以包括无监督学习或半监督学习的方法。

通过本公开的上述实施例，将通过主动学习的方式获得的少量且高质量的多模态样本集，用于多模态模型中的目标单模态模型的训练，可有效降低样本标注成本，并可便于实现多模态模型的部署。此外，将基于多模态样本集中的第二目标样本集训练的目标单模态模型应用于多模态模型中，目标单模态模型可以最大程度的提取到多模态样本集中相应第二目标样本集的单模态特征，基于该单模态特征融合得到的多模态融合特征对多模态模型进行训练，可最大程度的提高多模态模型的训练效果以及提高多模态模型检测结果的准确率。

根据本公开的实施例，根据多个单模态特征，确定多模态融合特征可以包括：针对多个单模态特征中的单模态特征，根据单模态特征在多个单模态特征中的比例，确定与单模态特征相对应的权重。根据多个单模态特征以及与单模态特征相对应的权重，确定多模态融合特征。

根据本公开的实施例，在得到多个单模态特征之后，对多个单模态特征进行融合处理的过程中，可以基于注意力机制，通过计算同一时间维度下的每个单模态特征在多个单模态特征中的比例，可以学习到与每个单模态特征相对应的权重。

通过本公开的上述实施例，结合多个单模态特征以及与单模态特征相对应的权重，确定的多模态融合特征可以具有更准确的特征表现结果。基于该更准确的特征表现结果对多模态模型进行训练，可使得多模态模型能够学习到在不同场景下自动选择适合的一个或者多个模态特征进行检测，可有效提升模型的泛化能力以及鲁棒性，进一步提高多模态模型的训练效果。

图4示意性示出了根据本公开实施例的采集高质量环境样本训练多模态模型的示意图。

根据本公开的实施例，待检测环境中例如可以产生多种模态的信息。在采集环境数据时，可以针对每个模态的信息，单独进行采集。然后，可以通过对采集到的各个模态的信息进行筛选及汇总，得到多模态样本集。

如图4所示，针对待检测环境进行信息采集例如可以采集到多模态环境样本集410。多模态环境样本集410可以包括针对待检测环境中每个模态的信息分别采集到的单模态环境样本集411、412、413。单模态环境样本集411、412、413例如可以分别对应图像模态的样本集、音频模态的样本集、文本模态的样本集。

针对单模态环境样本集411、412、413，可以分别配置用于筛选样本的数据回流模块421、422、423。数据回流模块421、422、423中可以预先配置双阈值策略，实现从单模态环境样本集411、412、413中筛选得到相应的初始样本集431、432、433。例如，将单模态环境样本集411输入数据回流模块421后，可以得到与单模态环境样本集411相对应的初始样本集431。

针对初始样本集431、432、433，可以分别配置用于进一步筛选样本的主动学习模块441、442、443，实现从初始样本集431、432、433中筛选得到每个模态的样本集中对模型训练帮助相对较大的目标单模态样本集451、452、453。例如，将初始样本集431输入主动学习模块441后，可以得到目标单模态样本集451。通过对目标单模态样本集451、452、453进行汇总，可以得到少量高质量的多模态样本集450，用于实现对多模态模型进行训练。每个模态的目标单模态样本集可以对应为一个前述第二目标样本集。

根据本公开的实施例，多模态模型中可以包括单模态信息处理模块和基于注意力机制的Transformer(转换器)模块。单模态信息处理模块中可以包括多个单模态模型，每个单模态模型可以对相应模态的目标单模态样本集进行处理。Transformer模块可以实现对多模态模型的训练。对多模态模型进行训练的过程可以包括对多模态模型中的各单模态模型进行训练以及对Transformer模块进行训练等过程。

如图4所示，多模态模型400中包括单模态信息处理模块460和Transformer模块480。单模态信息处理模块460中可以包括单模态模型461、462、463等。在获取到多模态样本集450之后，可以利用多模态样本集450中的各目标单模态样本集451、452、453，分别对单模态模型461、462、463进行训练。在完成单模态模型461、462、463的训练之后，可以将多模态样本集450中的各目标单模态样本集451、452、453，分别输入模态匹配的单模态模型461、462、463中，可以得到相应的单模态特征471、472、473。然后，可以将单模态特征471、472、473输入Transformer模块480，可以得到多模态融合特征481。任务模块490可以对多模态融合特征481进行处理，得到相应的多模态模型处理结果491。结合多模态模型处理结果491，可以对Transformer模块中的训练参数进行调整，实现对多模态模型的训练。

需要说明的是，上述单模态环境样本集的个数可以根据环境中的模态的类别数确定。数据汇流模块、主动学习模块、单模态模型的个数可以根据单模态环境样本集的个数确定。均可不限于如图4中所示的三种。

通过本公开的上述实施例，提出了一套基于多模态融合的解决方案，解决了单模态模型效率低，准确度差的问题，也可弥补只利用单模态模型处理信息通用性差的问题。此外，对于工业场景异常数据普遍匮乏的问题，提出了利用少量数据训练出高准确率模型的方案，提高了模型的训练效果和鲁棒性。

图5示意性示出了根据本公开实施例的多模态信息处理方法的流程图。

如图5所示，该方法包括操作S510～S520。

在操作S510，获取多模态信息。

在操作S520，将多模态信息输入多模态模型，得到处理结果。

根据本公开的实施例，操作S520中的多模态模型可以是利用前述多模态模型的训练方法训练得到的。多模态模型可以对相同时间维度的不同模态的信息并行处理。

例如，对于工业巡检的业务场景，可以采集可见光图像、红外热像图以及音频信息等多个模态的多模态信息。然后，可以基于多模态模型，对可见光图像、红外热像图以及音频信息等的特征进行多模态融合及处理，以从多个维度识别场景中的异常情况并及时预警，减少潜在事故的发生。

通过本公开的上述实施例，提出了一种基于深度学习的多模态融合方案，该方法能够将环境中的潜在危险信息通过如可见光图像、红外热像图、音频等多个模态的信息进行识别和预警，最大程度上节省损失，防患于未然。此外，通过高准确度的图像检测和分割算法，结合声音特征进行辅助，可以更全面地对多种潜在危险情况进行识别。

图6示意性示出了根据本公开实施例的多模态样本集生成装置的框图。

如图6所示，多模态样本集生成装置600包括第一获得模块610、第一确定模块620和第二确定模块630。

第一获得模块610，用于将采集到的多模态环境样本集中的环境样本输入与环境样本的模态相匹配的单模态模型，得到与环境样本相对应的模型处理结果。

第一确定模块620，用于根据模型处理结果，从多模态环境样本集中确定初始样本集。

第二确定模块630，用于通过主动学习的方式对初始样本集进行处理，确定多模态样本集。

根据本公开的实施例，主动学习包括第一主动学习和第二主动学习。第二确定模块包括第一获得单元、第二获得单元和第一确定单元。

第一获得单元，用于通过第一主动学习的方式对初始样本集进行处理，得到中间样本集。

第二获得单元，用于通过第二主动学习的方式对中间样本集进行至少一个轮次的处理，得到与轮次相对应的中间样本子集。

第一确定单元，用于根据中间样本子集，确定多模态样本集。

根据本公开的实施例，第一确定单元包括第一确定子单元。

第一确定子单元，用于将有标注的中间样本子集和第一其他样本子集确定为多模态样本集。第一其他样本子集为中间样本集中除中间样本子集之外的其他样本的集合。

根据本公开的实施例，第一确定单元包括第二确定子单元。

第二确定子单元，用于将有标注的中间样本子集确定为多模态样本集。

根据本公开的实施例，至少一个轮次包括第一轮次至第M轮次，M为正整数。第二获得单元包括第一获得子单元和第二获得子单元。

第一获得子单元，用于在第一轮次，通过第二主动学习的方式对中间样本集进行处理，得到与第一轮次相对应的中间样本子集。

第二获得子单元，用于在第m轮次，通过第二主动学习的方式对第二其他样本子集进行处理，得到与第m轮次相对应的中间样本子集。第二其他样本子集为中间样本集中除与前m-1个轮次相对应的中间样本子集之外的其他样本的集合。m大于1且小于或等于M，m为正整数。

根据本公开的实施例，第二确定模块包括第二确定单元和第三确定单元。

第二确定单元，用于确定通过主动学习的方式对初始样本集进行处理得到的第一目标样本集。

第三确定单元，用于将第一目标样本集确定为多模态样本集。

根据本公开的实施例，模型处理结果包括与模型处理结果相对应的置信度信息。第一确定模块包括第四确定单元。

第四确定单元，用于根据置信度信息，从多模态环境样本集中确定初始样本集。

根据本公开的实施例，第四确定单元包括第三确定子单元、第四确定子单元和第五确定子单元。

第三确定子单元，用于确定与大于第一预设阈值的置信度信息相对应的第一目标环境样本集。

第四确定子单元，用于确定与小于第二预设阈值的置信度信息相对应的第二目标环境样本集。第二预设阈值小于第一预设阈值。

第五确定子单元，用于根据第一目标环境样本集和第二目标环境样本集，确定初始样本集。

根据本公开的实施例，主动学习包括如下中的至少之一：基于不确定性采样的查询、基于委员会的查询以及基于模型变化期望的查询。

图7示意性示出了根据本公开实施例的多模态模型的训练装置的框图。

如图7所示，多模态模型的训练装置700包括第二获得模块710、第三确定模块720和训练模块730。

第二获得模块710，用于将多模态样本集中的第二目标样本集输入与第二目标样本集的模态相匹配的目标单模态模型，得到多个单模态特征。多模态样本集是根据本公开实施例的多模态样本集生成装置确定的。多模态样本集包括多个第二目标样本集，每个第二目标样本集与一种模态相匹配。目标单模态模型是经训练的单模态模型。

第三确定模块720，用于根据多个单模态特征，确定多模态融合特征。

训练模块730，用于根据多模态融合特征，对多模态模型进行训练。

根据本公开的实施例，多模态模型的训练装置还包括，在第二获得模块之前设置第五确定单元和第三获得单元。

第五确定单元，用于确定N个深度学习模型，N为正整数。

第三获得单元，用于利用与N个模态相匹配的N个目标样本集，分别对N个深度学习模型进行训练，得到目标单模态模型。

根据本公开的实施例，第三确定模块包括第六确定单元和第七确定单元。

第六确定单元，用于针对多个单模态特征中的单模态特征，根据单模态特征在多个单模态特征中的比例，确定与单模态特征相对应的权重。

第七确定单元，用于根据多个单模态特征以及与单模态特征相对应的权重，确定多模态融合特征。

图8示意性示出了根据本公开实施例的多模态信息处理装置的框图。

如图8所示，多模态信息处理装置800包括第三获得模块810。

第三获得模块810，用于将多模态信息输入多模态模型，得到处理结果。多模态模型是根据本公开实施例的多模态模型的训练装置训练得到的。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

根据本公开的实施例，一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开的多模态样本集生成方法、多模态模型的训练方法、多模态信息处理方法。

根据本公开的实施例，一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开的多模态样本集生成方法、多模态模型的训练方法、多模态信息处理方法。

根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现本公开的多模态样本集生成方法、多模态模型的训练方法、多模态信息处理方法。

图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如多模态样本集生成方法、多模态模型的训练方法、多模态信息处理。例如，在一些实施例中，多模态样本集生成方法、多模态模型的训练方法、多模态信息处理可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的多模态样本集生成方法、多模态模型的训练方法、多模态信息处理的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行多模态样本集生成方法、多模态模型的训练方法、多模态信息处理。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以是分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (20)

1.一种多模态信息处理方法，包括：

针对业务场景，采集可见光图像、红外热像图以及音频信息，得到多模态信息；

将所述多模态信息输入多模态模型；以及

基于所述多模态模型，对所述可见光图像的特征、所述红外热像图的特征以及所述音频信息的特征进行多模态融合及处理，得到处理结果，以从多个维度识别所述业务场景中的异常情况并进行预警；

其中，所述多模态模型是利用如下方法训练得到的：

将多模态样本集中的第二目标样本集输入与所述第二目标样本集的模态相匹配的目标单模态模型，得到多个单模态特征，其中，所述多模态样本集包括多个第二目标样本集，每个第二目标样本集与一种模态相匹配，所述目标单模态模型是经训练的单模态模型，所述多模态样本集是根据如下方法确定的：将采集到的多模态环境样本集中的环境样本输入与所述环境样本的模态相匹配的单模态模型，得到与所述环境样本相对应的模型处理结果；根据所述模型处理结果，从所述多模态环境样本集中确定初始样本集，其中，所述模型处理结果包括与所述模型处理结果相对应的置信度信息，所述根据所述模型处理结果，从所述多模态环境样本集中确定初始样本集包括：根据所述置信度信息，从所述多模态环境样本集中确定所述初始样本集；以及通过主动学习的方式对所述初始样本集进行处理，确定多模态样本集，其中，所述主动学习包括第一主动学习和第二主动学习，所述通过主动学习的方式对所述初始样本集进行处理，确定多模态样本集包括：通过第一主动学习的方式对所述初始样本集进行处理，得到中间样本集，通过第二主动学习的方式对所述中间样本集进行至少一个轮次的处理，得到与所述轮次相对应的中间样本子集，根据所述中间样本子集，确定所述多模态样本集；

根据所述多个单模态特征，确定多模态融合特征；以及

根据所述多模态融合特征，对多模态模型进行训练。

2.根据权利要求1所述的方法，其中，所述根据所述中间样本子集，确定所述多模态样本集包括：

将有标注的中间样本子集和第一其他样本子集确定为所述多模态样本集，其中，所述第一其他样本子集为所述中间样本集中除所述中间样本子集之外的其他样本的集合。

3.根据权利要求1所述的方法，其中，所述根据所述中间样本子集，确定所述多模态样本集包括：

将有标注的中间样本子集确定为所述多模态样本集。

4.根据权利要求1或3所述的方法，其中，所述至少一个轮次包括第一轮次至第M轮次，其中，M为正整数；

所述通过第二主动学习的方式对所述中间样本集进行至少一个轮次的处理，得到与所述轮次相对应的中间样本子集包括：

在所述第一轮次，通过所述第二主动学习的方式对所述中间样本集进行处理，得到与所述第一轮次相对应的中间样本子集；以及

在第m轮次，通过所述第二主动学习的方式对第二其他样本子集进行处理，得到与所述第m轮次相对应的中间样本子集，其中，所述第二其他样本子集为所述中间样本集中除与前m-1个轮次相对应的中间样本子集之外的其他样本的集合，其中，

m大于1且小于或等于M，m为正整数。

5.根据权利要求1所述的方法，其中，所述通过主动学习的方式对所述初始样本集进行处理，确定多模态样本集包括：

确定通过所述主动学习的方式对所述初始样本集进行处理得到的第一目标样本集；以及

将所述第一目标样本集确定为所述多模态样本集。

6.根据权利要求1所述的方法，其中，所述根据所述置信度信息，从所述多模态环境样本集中确定所述初始样本集包括：

确定与大于第一预设阈值的置信度信息相对应的第一目标环境样本集；

确定与小于第二预设阈值的置信度信息相对应的第二目标环境样本集，其中，所述第二预设阈值小于所述第一预设阈值；以及

根据所述第一目标环境样本集和所述第二目标环境样本集，确定所述初始样本集。

7.根据权利要求1所述的方法，其中，所述主动学习包括如下中的至少之一：基于不确定性采样的查询、基于委员会的查询以及基于模型变化期望的查询。

8.根据权利要求1所述的方法，还包括，在所述将多模态样本集中的第二目标样本集输入与所述第二目标样本集的模态相匹配的目标单模态模型之前：

确定N个深度学习模型，其中，N为正整数；以及

利用与N个模态相匹配的N个所述目标样本集，分别对所述N个深度学习模型进行训练，得到所述目标单模态模型。

9.根据权利要求1或8中任一项所述的方法，其中，所述根据所述多个单模态特征，确定多模态融合特征包括：

针对所述多个单模态特征中的单模态特征，根据所述单模态特征在所述多个单模态特征中的比例，确定与所述单模态特征相对应的权重：以及

根据所述多个单模态特征以及与所述单模态特征相对应的权重，确定所述多模态融合特征。

10.一种多模态信息处理装置，其中，所述装置用于针对业务场景，采集可见光图像、红外热像图以及音频信息，得到多模态信息，所述装置还包括：

第三获得模块，用于将所述多模态信息输入多模态模型；以及基于所述多模态模型，对所述可见光图像的特征、所述红外热像图的特征以及所述音频信息的特征进行多模态融合及处理，得到处理结果，以从多个维度识别所述业务场景中的异常情况并进行预警；

其中，所述多模态模型是利用根据多模态模型的训练装置训练得到的，所述多模态模型的训练装置包括：

第二获得模块，用于将多模态样本集中的第二目标样本集输入与所述第二目标样本集的模态相匹配的目标单模态模型，得到多个单模态特征，其中，所述多模态样本集包括多个第二目标样本集，每个第二目标样本集与一种模态相匹配，所述目标单模态模型是经训练的单模态模型，所述多模态样本集是根据多模态样本集生成装置确定的，所述多模态样本集生成装置包括：第一获得模块，用于将采集到的多模态环境样本集中的环境样本输入与所述环境样本的模态相匹配的单模态模型，得到与所述环境样本相对应的模型处理结果；第一确定模块，用于根据所述模型处理结果，从所述多模态环境样本集中确定初始样本集，其中，所述模型处理结果包括与所述模型处理结果相对应的置信度信息，所述第一确定模块包括：第四确定单元，用于根据所述置信度信息，从所述多模态环境样本集中确定所述初始样本集；以及第二确定模块，用于通过主动学习的方式对所述初始样本集进行处理，确定多模态样本集，其中，所述主动学习包括第一主动学习和第二主动学习，所述第二确定模块包括：第一获得单元，用于通过第一主动学习的方式对所述初始样本集进行处理，得到中间样本集，第二获得单元，用于通过第二主动学习的方式对所述中间样本集进行至少一个轮次的处理，得到与所述轮次相对应的中间样本子集，第一确定单元，用于根据所述中间样本子集，确定所述多模态样本集；

第三确定模块，用于根据所述多个单模态特征，确定多模态融合特征；以及

训练模块，用于根据所述多模态融合特征，对多模态模型进行训练。

11.根据权利要求10所述的装置，其中，所述第一确定单元包括：

第一确定子单元，用于将有标注的中间样本子集和第一其他样本子集确定为所述多模态样本集，其中，所述第一其他样本子集为所述中间样本集中除所述中间样本子集之外的其他样本的集合。

12.根据权利要求10所述的装置，其中，所述第一确定单元包括：

第二确定子单元，用于将有标注的中间样本子集确定为所述多模态样本集。

13.根据权利要求10或12所述的装置，其中，所述至少一个轮次包括第一轮次至第M轮次，其中，M为正整数；

所述第二获得单元包括：

第一获得子单元，用于在所述第一轮次，通过所述第二主动学习的方式对所述中间样本集进行处理，得到与所述第一轮次相对应的中间样本子集；以及

第二获得子单元，用于在第m轮次，通过所述第二主动学习的方式对第二其他样本子集进行处理，得到与所述第m轮次相对应的中间样本子集，其中，所述第二其他样本子集为所述中间样本集中除与前m-1个轮次相对应的中间样本子集之外的其他样本的集合，其中，m大于1且小于或等于M，m为正整数。

14.根据权利要求10所述的装置，其中，所述第二确定模块包括：

第二确定单元，用于确定通过所述主动学习的方式对所述初始样本集进行处理得到的第一目标样本集；以及

第三确定单元，用于将所述第一目标样本集确定为所述多模态样本集。

15.根据权利要求10所述的装置，其中，所述第四确定单元包括：

第三确定子单元，用于确定与大于第一预设阈值的置信度信息相对应的第一目标环境样本集；

第四确定子单元，用于确定与小于第二预设阈值的置信度信息相对应的第二目标环境样本集，其中，所述第二预设阈值小于所述第一预设阈值；以及

第五确定子单元，用于根据所述第一目标环境样本集和所述第二目标环境样本集，确定所述初始样本集。

16.根据权利要求10所述的装置，其中，所述主动学习包括如下中的至少之一：基于不确定性采样的查询、基于委员会的查询以及基于模型变化期望的查询。

17.根据权利要求10所述的装置，还包括，在所述第二获得模块之前：

第五确定单元，用于确定N个深度学习模型，其中，N为正整数；以及

第三获得单元，用于利用与N个模态相匹配的N个所述目标样本集，分别对所述N个深度学习模型进行训练，得到所述目标单模态模型。

18.根据权利要求10或17中任一项所述的装置，其中，所述第三确定模块包括：

第六确定单元，用于针对所述多个单模态特征中的单模态特征，根据所述单模态特征在所述多个单模态特征中的比例，确定与所述单模态特征相对应的权重；以及

第七确定单元，用于根据所述多个单模态特征以及与所述单模态特征相对应的权重，确定所述多模态融合特征。

19.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。

20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。