CN117216710A - 多模态自动标注方法、标注模型的训练方法及相关设备 - Google Patents

Abstract

本申请实施例公开了一种多模态自动标注方法、标注模型的训练方法及相关设备，实现多模态数据在空间和时间上的交互，利用更丰富的信息来实现任务自动标注，有利于提高最终标注结果的准确性。本申请实施例方法包括：获取与第一时刻对应的不同模态的第一数据和第二数据；对第一数据、第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到与第一时刻对应的第一时空特征和第二时空特征，第一时空特征与第一数据对应，第二时空特征与第二数据对应；对与第一时刻对应的第一时空特征和第二时空特征进行特征融合，得到与第一时刻对应的多模态特征；基于多模态特征进行标注处理，输出与第一时刻对应的标注结果。

Description

多模态自动标注方法、标注模型的训练方法及相关设备

技术领域

本申请涉及人工智能技术领域，尤其涉及一种多模态自动标注方法、标注模型的训练方法及相关设备。

背景技术

人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。利用人工智能来进行数据自动标注是人工智能领域中常见的一个应用方式。

现有的数据自动标注方法主要依靠单一模态的输入完成单一的标注任务(如基于点云的三维目标框标注)，无法充分利用多模态数据之间的一致信息进行协同优化，导致最终的标注结果精度不够。

发明内容

本申请实施例提供了一种多模态自动标注方法、标注模型的训练方法及相关设备，通过将无标签的多模态数据基于跨模态和跨时空的注意力机制进行融合，得到统一的多模态特征，实现了多模态数据在空间和时间上的交互，利用更丰富的信息来实现任务自动标注，有利于提高最终标注结果的准确性。

第一方面，本申请提供一种多模态自动标注方法，方法包括：

获取与第一时刻对应的第一数据和第二数据，第一数据和第二数据为不同模态的数据；

对第一数据、第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到与第一时刻对应的第一时空特征和第二时空特征，其中，第一历史特征和第二历史特征分别为与第二时刻对应的第一时空特征和第二时空特征，第二时刻为第一时刻之前的时刻，第一时空特征与第一数据对应，第二时空特征与第二数据对应；该处理过程结合了历史特征，也就是与当前时刻之前的时刻对应的特征进行交互处理，因此，本申请中所得到的特征实现了跨时间的特征交互。此外，由于本申请实施例所输入的数据，是当前时刻下的多模态的数据，在输出特征的过程中将多模态的数据进行交互处理，因此，本申请中所得到的特征还实现了跨空间的特征交互。

对与第一时刻对应的第一时空特征和第二时空特征进行特征融合，得到与第一时刻对应的多模态特征；

基于多模态特征进行标注处理，输出与第一时刻对应的标注结果。

本申请中，采用对多模态的输入数据进行特征融合来实现数据标注，在得到不同模态的第一数据和第二数据后，将第一数据、第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到对应的时空特征，并对时空特征进行特征融合，得到多模态特征，融合后的统一的多模态特征可用于输入到标注任务中，进行标注处理，从而得到与第一时刻对应的标注结果。通过将多模态数据基于跨模态和跨时空的注意力机制进行融合，实现了多模态数据在空间和时间上的交互，利用更丰富的信息来实现任务自动标注，有利于提高最终标注结果的准确性。

在一种可能的实现方法中，对第一数据、第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到与第一时刻对应的第一时空特征和第二时空特征，具体包括：

分别对第一数据和第二数据进行基于自注意力机制的处理，得到第一空间特征和第二空间特征；

对第一空间特征和第二空间特征进行基于注意力机制的交互处理，得到第一交互特征和第二交互特征，其中，第一交互特征与第一数据对应，第二交互特征与第二数据对应；

将第一交互特征与第一历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第一时空特征；

将第二交互特征与第二历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第二时空特征。

本申请中，首先分别对第一数据和第二数据进行基于自注意力机制的处理，用于捕捉数据内部不同位置或元素之间的关联性；将两个空间特征进行基于跨注意力机制的交互处理，使得两个特征之间具备空间概念；经过空间交互后，再与历史特征进行交互，得到时空特征。

在一种可能的实现方法中，还包括：

基于多层感知器，对第一空间特征、第二空间特征、第一交互特征，第二交互特征、第一时空特征或第二时空特征中的至少一项进行增强。

本申请中，输入数据通过基于自注意力机制或跨注意力机制的处理后，可以输入到多层感知器中进行增强。

在一种可能的实现方法中，将第一交互特征与第一历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第一时空特征；将第二交互特征与第二历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第二时空特征，具体包括：

将第一空间特征、第一交互特征和第一历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第一时空特征；

将第二空间特征、第二交互特征和第二历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第二时空特征。

本申请中，通过跳跃连接的方式，可以将经过自注意力层的空间特征直接传递到后续的时间跨注意力层，有助于稳定训练过程，并提高模型的收敛性和泛化能力。

在一种可能的实现方法中，基于多模态特征进行标注处理，输出标注结果，具体包括：

分别通过第一标注模型和第二标注模型对多模态特征进行标注处理，得到对应的第一标注信息和第二标注信息，第一标注模型和第二标注模型为不同的标注模型；

将第一标注信息和第二标注信息进行信息交互，输出标注结果。

本申请中，对于融合的统一的多模态特征表征，将其输入到多任务标注模块进行标注处理，并将各自的模型输出信息进行交互，得到最终结果，以此提高自动标注系统输出标注结果的准确性。

在一种可能的实现方法中，将第一标注信息和第二标注信息进行信息交互，输出标注结果，具体包括：

将第二标注信息作为多模态特征的先验信息输入到第一标注模型中，得到第一标注结果；

将第一标注信息作为多模态特征的先验信息输入到第二标注模型中，得到第二标注结果；

输出标注结果，标注结果包括第一标注结果和第二标注结果。

本申请中，将第一标注信息和第二标注信息进行信息交互，具体为将不同标注任务模块的输出结果，作为其他标注任务的先验信息进行交互。

在一种可能的实现方法中，将第一标注信息和第二标注信息进行信息交互，输出标注结果，具体包括：

通过提示信息编码器，根据第一标注信息和第二标注信息生成提示信息；

将提示信息分别输入到第一标注模型和第二标注模型中，得到对应的第一标注结果和第二标注结果；

输出标注结果，标注结果包括第一标注结果和第二标注结果。

本申请实施例中，第一标注信息和第二标注信息还可以输入到提示信息编码器中，作为跨任务自动提示信息，然后将提示信息输入到多任务标注模块中对每个模块的标注结果进行细化，得到对应的标注结果。

在一种可能的实现方法中，标注模型包括三维3D目标框检测模型、语义分割模型、目标跟踪模型、行为分析模型。

第二方面，本申请提供了一种标注模型的训练方法，包括：

获取与第一时刻对应的第一数据和第二数据，第一数据和第二数据为不同模态的数据；

通过待训练模型对第一数据和第二数据进行处理，得到与第一时刻对应的标注结果，其中，待训练模型用于：对第一数据、第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到与第一时刻对应的第一时空特征和第二时空特征，第一历史特征和第二历史特征分别为与第二时刻对应的第一时空特征和第二时空特征，第二时刻为第一时刻之前的时刻，第一时空特征与第一数据对应，第二时空特征与第二数据对应；对与第一时刻对应的第一时空特征和第二时空特征进行特征融合，得到多模态特征；基于多模态特征进行标注处理，输出与第一时刻对应的标注结果；

基于与标注结果，对待训练模型进行训练，得到目标模型。

在一种可能的实现方法中，对第一数据、第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到与第一时刻对应的第一时空特征和第二时空特征，具体包括：

分别对第一数据和第二数据进行基于自注意力机制的处理，得到第一空间特征和第二空间特征；

对第一空间特征和第二空间特征进行基于注意力机制的交互处理，得到第一交互特征和第二交互特征，其中，第一交互特征与第一数据对应，第二交互特征与第二数据对应；

将第一交互特征与第一历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第一时空特征；

将第二交互特征与第二历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第二时空特征。

在一种可能的实现方法中，还包括：

基于多层感知器，对第一空间特征、第二空间特征、第一交互特征，第二交互特征、第一时空特征或第二时空特征中的至少一项进行增强。

在一种可能的实现方法中，将第一交互特征与第一历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第一时空特征；将第二交互特征与第二历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第二时空特征，具体包括：

将第一空间特征、第一交互特征和第一历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第一时空特征；

将第二空间特征、第二交互特征和第二历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第二时空特征。

第三方面，本申请提供了一种多模态自动标注装置，包括：

输入层，用于获取与第一时刻对应的第一数据和第二数据，第一数据和第二数据为不同模态的数据；

多模态时空注意力层，用于对第一数据、第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到与第一时刻对应的第一时空特征和第二时空特征，其中，第一历史特征和第二历史特征分别为与第二时刻对应的第一时空特征和第二时空特征，第二时刻为第一时刻之前的时刻，第一时空特征与第一数据对应，第二时空特征与第二数据对应；

时空特征融合层，用于对与第一时刻对应的第一时空特征和第二时空特征进行特征融合，得到与第一时刻对应的多模态特征；

任务标注层，用于基于多模态特征进行标注处理，输出与第一时刻对应的标注结果。

在一种可能的实现方法中，

多模态时空注意力层，具体用于分别对第一数据和第二数据进行基于自注意力机制的处理，得到第一空间特征和第二空间特征；对第一空间特征和第二空间特征进行基于注意力机制的交互处理，得到第一交互特征和第二交互特征，其中，第一交互特征与第一数据对应，第二交互特征与第二数据对应；将第一交互特征与第一历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第一时空特征；将第二交互特征与第二历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第二时空特征。

在一种可能的实现方法中，

任务标注层，具体用于分别通过第一标注模型和第二标注模型对多模态特征进行标注处理，得到对应的第一标注信息和第二标注信息，第一标注模型和第二标注模型为不同的标注模型；将第一标注信息和第二标注信息进行信息交互，输出标注结果。

第四方面，本申请提供了一种标注模型的训练装置，包括：

获取模块，用于获取与第一时刻对应的第一数据和第二数据，第一数据和第二数据为不同模态的数据；

生成模块，用于通过待训练模型对第一数据和第二数据进行处理，得到与第一时刻对应的标注结果，其中，待训练模型用于：对第一数据、第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到与第一时刻对应的第一时空特征和第二时空特征，第一历史特征和第二历史特征分别为与第二时刻对应的第一时空特征和第二时空特征，第二时刻为第一时刻之前的时刻，第一时空特征与第一数据对应，第二时空特征与第二数据对应；对与第一时刻对应的第一时空特征和第二时空特征进行特征融合，得到多模态特征；基于多模态特征进行标注处理，输出与第一时刻对应的标注结果；

训练模块，用于基于与标注结果，对待训练模型进行训练，得到目标模型。

第五方面，本申请提供了一种计算机程序，当计算机程序在计算机上运行时，使得计算机执行如上述第一方面中任意一项的方法，或者，使得计算机执行如上述第二方面中任意一项的方法。

第六方面，本申请提供了一种计算机可读存储介质，包括程序，当程序在计算机上运行时，使得计算机执行如上述第一方面中任一项的方法，或者，使得计算机执行如上述第二方面中任意一项的方法。

第七方面，本申请提供了一种执行设备，包括处理器和存储器，处理器与存储器耦合，

存储器，用于存储程序；

处理器，用于执行存储器中的程序，使得执行设备执行如上述第一方面中任一项的方法。

第八方面，本申请提供了一种训练设备，包括处理器和存储器，处理器与存储器耦合，

存储器，用于存储程序；

处理器，用于执行存储器中的程序，使得训练设备执行如上述第二方面中任一项的方法。

上述第二方面至第八方面提供的方案，用于实现或配合实现上述第一方面提供的方法，因此可以与第一方面达到相同或相应的有益效果，此处不再进行赘述。

附图说明

图1为人工智能主体框架的一种结构示意图；

图2a为本申请实施例提供的自动标注系统的一个结构示意图；

图2b为本申请实施例提供的自动标注系统的另一个结构示意图；

图3为本申请实施例提供的系统100架构的一个示意图；

图4为本申请实施例提供的多模态自动标注方法的一个流程示意图；

图5为与图4对应的实施例的一种可能的实现方法的流程图；

图6为本申请实施例所提供一种跨模态时空Transformer block的结构示意图；

图7为本申请实施例所提供另一种跨模态时空Transformer block的结构示意图；

图8为本申请实施例所提供的跨模态时空特征融合层的结构示意图；

图9为本申请实施例所提供的多模态自动标注系统的架构图；

图10为本申请实施例所提供的多任务标注模块的结构示意图；

图11为基于图10所示的多任务标注模块的多模态自动标注系统的架构图；

图12为本申请实施例提供的标注模型的训练方法的一种流程示意图；

图13为本申请实施例提供的多模态自动标注装置的一种结构示意图；

图14为本申请实施例提供的标注模型的训练装置的一种结构示意图；

图15为本申请实施例提供的执行设备的一种结构示意图；

图16是本申请实施例提供的训练设备一种结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，下面结合附图，对本申请的实施例进行描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。本领域普通技术人员可知，随着新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。在本申请中出现的对步骤进行的命名或者编号，并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤，已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序，只要能达到相同或者相类似的技术效果即可。本申请中所出现的单元的划分，是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个单元可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行，另外，所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元之间的间接耦合或通信连接可以是电性或其他类似的形式，本申请中均不作限定。并且，作为分离部件说明的单元或子单元可以是也可以不是物理上的分离，可以是也可以不是物理单元，或者可以分布到多个电路单元中，可以根据实际的需要选择其中的部分或全部单元来实现本申请方案的目的。

自动标注技术是指利用计算机算法和机器学习方法，将原始数据(如图片、文本、语音，自动驾驶等)输入到计算机中，利用计算机自动实现原始数据的分类、标记、注释等处理，以便于后续的数据分析和应用。常见的数据标注任务包括图像分类、目标检测、语音识别、自然语言处理等。

数据标注技术在自动驾驶领域的应用较为广泛，以往的数据标注主要依靠人工手动标注来完成，随着海量无标签的自动驾驶数据不断采集，单纯依靠人工手动标注已无法满足需求，这制约了自动驾驶模型的迭代更新和商业落地，于是利用人工智能来进行数据自动标注是人工智能领域中常见的一个应用方式。现有的自动驾驶数据自动标注方法主要依靠单一模态的输入完成单一的标注任务(如基于点云的三维目标框标注)，无法充分利用多模态自动驾驶数据之间的一致信息进行协同优化，也无法充分利用多种标注任务之间的互补信息进行多功能优化。因此，设计基于多模态自动驾驶数据的多功能自动标注系统具有高的价值。

首先对人工智能系统总体工作流程进行描述，请参见图1，图1为人工智能主体框架的一种结构示意图，下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中，“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。

(1)基础设施

基础设施为人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。

(2)数据

基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。

(3)数据处理

数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。

其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。

推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。

决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。

(4)通用能力

对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用系统，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。

(5)智能产品及行业应用

智能产品及行业应用指人工智能系统在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。

接下来介绍几种本申请的应用场景。

图2a为本申请实施例提供的自动标注系统的一个结构示意图，自动标注系统包括用户设备以及数据处理设备，其中，用户设备包括手机、个人电脑或者信息处理中心等智能终端。用户设备为自动标注的发起端，作为自动标注请求的发起方，通常由用户通过用户设备发起请求。

上述数据处理设备可以是云服务器、网络服务器、应用服务器以及管理服务器等具有数据处理功能的设备或服务器。数据处理设备通过交互接口接收来自智能终端的自动标注请求，再通过存储数据的存储器以及数据处理的处理器环节进行机器学习，深度学习，搜索，推理，决策等方式的图像处理。数据处理设备中的存储器可以是一个统称，包括本地存储以及存储历史数据的数据库，数据库可以在数据处理设备上，也可以在其它网络服务器上。

在图2a所示的自动标注系统中，用户设备可以接收用户的指令，例如用户设备可以获取用户输入/选择的多个视觉数据，该视觉数据指的是与视觉信息相关，涉及到图像和视觉感知方面的数据，例如图片数据、点云数据、红外图像数据、雷达深度数据等。然后向数据处理设备发起请求，使得数据处理设备通过用户设备得到的该视觉数据执行对应的图像处理应用，从而得到针对该视觉数据的对应的处理结果。示例性的，用户设备可以获取用户输入的多个视觉数据，然后想数据处理设备发起图像处理请求，使得数据处理设备对该视觉数据进行基于自动标注技术的处理，从而得到与视觉数据对应的处理结果，即标注结果。

在图2a中，数据处理设备可以执行本申请实施例的多模态自动标注方法。

图2b为本申请实施例提供的自动标注系统的另一个结构示意图，在图2b中，用户设备直接作为数据处理设备，该用户设备能够直接获取来自用户的输入并直接由用户设备本身的硬件进行处理，具体过程与图2a相似，可参考上面的描述，在此不再赘述。

在图2b所示的自动标注系统中，用户设备可以接收用户的指令，例如用户设备可以获取用户在用户设备中所选择的多个视觉数据，然后再由用户设备自身针对该视觉数据执行图像处理应用(例如，自动标注等)，从而得到针对该多个视觉数据的对应的处理结果。

在图2b中，用户设备自身就可以执行本申请实施例的多模态自动标注方法。

可以理解的是，如上述图2a和图2b所示的自动标注系统，可以搭载在面向使用者的云平台或独立软件中，使用者可以通过云平台上传多个视觉数据，下载自动标注结果，从而实现对视觉数据的自动标注；或者通过在智能终端上安装独立软件，对本地的视觉数据的自动标注。此外，如上述图2a和图2b所示的自动标注系统，还可以搭载在面对人工标注团队的辅助标注系统中，人工标注团队根据自动标注系统输出的标注结果进行结果筛选和反馈，形成主动学习的过程，最终输出基于视觉数据的人工标注信息。

图3为本申请实施例提供的系统100架构的一个示意图，在图3中，执行设备110配置输入/输出(input/output，I/O)接口112，用于与外部设备进行数据交互，用户可以通过客户设备140向I/O接口112输入数据，所述输入数据在本申请实施例中可以包括：各个待调度任务、可调用资源以及其他参数。

在执行设备110对输入数据进行预处理，或者在执行设备110的计算模块111执行计算等相关的处理(比如进行本申请中标注模型的功能实现)过程中，执行设备110可以调用数据存储系统150中的数据、代码等以用于相应的处理，也可以将相应处理得到的数据、指令等存入数据存储系统150中。

最后，I/O接口112将处理结果返回给客户设备140，从而提供给用户。

值得说明的是，训练设备120可以针对不同的目标或称不同的任务，基于不同的训练数据生成相应的目标模型/规则，该相应的目标模型/规则即可以用于实现上述目标或完成上述任务，从而为用户提供所需的结果。其中，训练数据可以存储在数据库130中，且来自于数据采集设备160采集的训练样本。

在图3中所示情况下，用户可以手动给定输入数据，该手动给定可以通过I/O接口112提供的界面进行操作。另一种情况下，客户设备140可以自动地向I/O接口112发送输入数据，如果要求客户设备140自动发送输入数据需要获得用户的授权，则用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备140也可以作为数据采集端，采集如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果作为新的样本数据，并存入数据库130。当然，也可以不经过客户设备140进行采集，而是由I/O接口112直接将如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果，作为新的样本数据存入数据库130。

值得注意的是，图3仅是本申请实施例提供的一种系统架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在图3中，数据存储系统150相对执行设备110是外部存储器，在其它情况下，也可以将数据存储系统150置于执行设备110中。如图3所示，可以根据训练设备120训练得到标注模型。

本申请实施例还提供的一种芯片，该芯片包括神经网络处理器NPU。该芯片可以被设置在如图3所示的执行设备110中，用以完成计算模块111的计算工作。该芯片也可以被设置在如图3所示的训练设备120中，用以完成训练设备120的训练工作并输出目标模型/规则。

下面从标注模型的训练侧和应用侧对本申请提供的方法进行描述。

本申请实施例提供的多模态自动标注方法，涉及对图像数据的处理，具体可以应用于数据训练、机器学习、深度学习等方法，对训练数据(例如，将本申请中的多模态输入数据)进行预处理、训练等，得到训练好的标注模型；并且，本申请实施例提供的多模态自动标注方法可以运用上述训练好的标注模型，将输入数据(例如，本申请中的多模态输入数据)输入到上述标注模型中，得到输出数据(如本申请中的标注结果)。需要说明的是，本申请实施例提供的标注模型的训练方法和多模态自动标注方法是基于同一个构思产生的发明，也可以理解为一个系统中的两个部分，或一个整体流程的两个阶段：如模型训练阶段和模型应用阶段。

一、模型应用阶段：

本申请实施例中，模型应用阶段描述的是执行设备110如何利用标注模型对输入数据进行处理的过程，具体的，请参阅图4，图4为本申请实施例提供的多模态自动标注方法的一个流程示意图，如图4所示，该方法具体由执行设备110执行，包括：

401、获取与第一时刻对应的第一数据和第二数据，第一数据和第二数据为不同模态的数据。

本申请实施例中，采用对多模态的输入数据进行特征融合来实现数据标注，因此首先需要获取多模态数据，多模态数据包括第一数据和第二数据，该第一数据和第二数据为不同模态的数据。可以理解的是，模态是指包括多种不同类型信息的数据，这些信息可以来自不同的传感器、来源或表达方式，涵盖了多个感知模态。通常，每个模态都提供了数据的独特视角，可以增强对某个问题或任务的理解和解决方案。

在本申请实施例所提供的方法中，具体可以是对自动驾驶中的视觉数据进行标注处理，因此多模态数据可以包括：图片数据，由车载摄像头拍摄；激光雷达数据，具体为三维点云数据，由激光雷达传感器感知并生成；红外图像，由红外传感器通过感知物体的热量生成；高精度地图数据，包括道路、交通标志、车道线等信息的地图数据，可用于与车辆感知数据进行融合。与之对应的，在一种情况下，执行设备上可以配置相机、激光雷达、红外传感器等设备，用于直接采集第一数据和第二数据；在另一种情况下，执行设备接收其他电子设备发送的第一数据和第二数据。应理解，此处举例仅为方便理解本方案，不用于限定本方案。第一数据和第二数据可以是以上任意不同数据的组合。应理解，第一数据和第二数据仅用于表示本申请实施例中的方法需要获取的数据为多个数据，即还可以获取第一时刻的第三数据、第四数据等，本申请并不对多模态数据的数量进行限定。

本申请实施例包括对多个时刻的输入数据进行处理，且处理过程中需要结合一个或多个历史时刻数据，从而得到与该时刻下对应的标注结果，第一时刻可以为前述多个时刻中除第一个时刻以外的任一个时刻。

此外，在一种可能的实现方式中，当获取了多模态的输入数据后(第一数据和第二数据)，在使用输入数据进行训练或其他任务之前，还可以对多模态的输入数据进行相应的预处理。其中一种预处理方法可以是人工定义提取数据块(patch)或体素(voxel)，(patch)或体素(voxel)，即从原始数据中切割或提取出小块或体素。这样做的目的是为了获得更小、更局部的数据部分，以便更好地进行特征提取和处理。

402、对第一数据、第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到与第一时刻对应的第一时空特征和第二时空特征，其中，第一历史特征和第二历史特征分别为与第二时刻对应的第一时空特征和第二时空特征，第二时刻为第一时刻之前的时刻，第二时刻为第一时刻之前的时刻，第一时空特征与第一数据对应，第二时空特征与第二数据对应。

本申请实施例中，执行设备在得到不同模态的第一数据和第二数据后，将第一数据、第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理。基于注意力机制的处理是一种在深度学习中常见的技术，用于增强模型对输入数据中重要信息的关注和处理。注意力机制通过计算数据中不同位置或元素之间的相关性权重，使模型能够在处理过程中更加关注与任务相关的部分，忽略不重要的部分。将上述数据进行基于注意力机制的处理后，得到与第一时刻对应的第一时空特征和第二时空特征。其中，第一历史特征和第二历史特征分别为与第二时刻对应的第一时空特征和第二时空特征，第二时刻为第一时刻之前的时刻。

例如，定义第一时刻为t时刻，其中t为大于1的整数：与t时刻对应的数据分别为第一数据D1t，第二数据D2t，第一时空特征F1t，第二时空特征F2t。此时，第二时刻为第一时刻之前的时刻，具体包括：(1)第二时刻为第一时刻之前的任意时刻，即第二时刻可以是1,2,3,…,t-1中的任意一个或多个时刻；(2)第二时刻为第一时刻之前的一个时刻，即第二时刻为t-1时刻。

可以理解的是，对每一个时刻的输入数据进行基于注意力机制的处理，均可以得到与当前时刻对应的特征，同时在本申请实施例中，该处理过程还结合了历史特征，也就是与当前时刻之前的时刻对应的特征进行交互处理，因此，本实施例中所得到的特征实现了跨时间的特征交互。此外，由于本申请实施例所输入的数据，是当前时刻下的多模态的数据，在输出特征的过程中将多模态的数据进行交互处理，因此，本实施例中所得到的特征还实现了跨空间的特征交互。综上，由于步骤402中进行基于注意力机制的处理的数据，包括多模态数据(第一数据和第二数据)之间的交互，还包括与历史特征(与第一数据对应的第一历史特征，与第二数据对应的第二历史特征)之间的交互，因此经过该步骤输出的特征，具体为包括空间概念(跨模态)和时间概念(跨时间)的时空特征。

在一种具体的实现方法中，请参阅图5，图5为与图4对应的实施例的一种可能的实现方法的流程图，如图5所示，步骤402具体包括：

4021，分别对第一数据和第二数据进行基于自注意力机制的处理，得到第一空间特征和第二空间特征。

可以理解的是，自注意力机制是一种特殊形式的注意力机制，用于计算数据内部不同位置或元素之间的相关性权重。本实施例中，首先分别对第一数据和第二数据进行基于自注意力机制的处理，即对第一数据进行基于自注意力机制的处理，得到第一空间特征；对第二数据进行基于自注意力机制的处理，得到第二空间特征。进行基于自注意力机制的处理用于捕捉数据内部不同位置或元素之间的关联性，并将这些关联性用于更好地处理数据。具体的，当自注意力机制应用在本实施例中第一数据和第二数据这类视觉图像数据上时，通过计算图像中不同位置之间的相似性来捕捉图像的全局上下文和特征关系。这有助于模型更好地理解图像中的对象和场景。

4022，对第一空间特征和第二空间特征进行基于跨注意力机制的交互处理，得到第一交互特征和第二交互特征，其中，第一交互特征与第一数据对应，第二交互特征与第二数据对应。

可以理解的是，在得到第一空间特征和第二空间特征后，将两个空间特征进行基于跨注意力机制的交互处理，使得两个特征之间具备空间概念，进而得到第一交互特征和第二交互特征。在具体实施方式中，可以理解为，第一数据和第二数据分别有独立的处理流程，在第一数据的处理流程中，通过加入第二空间特征与该第一空间特征进行交互，得到与第一数据对应的第一交互特征；在第二数据的处理流程中，通过加入第一空间特征与该第二空间特征进行交互，得到与第二数据对应的第二交互特征。

4023，将第一交互特征与第一历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第一时空特征；

4024，将第二交互特征与第二历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第二时空特征。

可以理解的是，第一空间特征与第二空间特征之间的交互为空间交互，经过空间交互后，再与历史特征进行交互，得到时空特征。

在实践中，注意力机制通常与Transformer模型结合使用，即与图5所示的方法流程对应的跨模态时空Transformer模型，具体可以包括一个自注意力层、一个多模态跨注意力层以及一个时间跨注意力层。此外，在跨模态时空特征提取过程中，一个Transformer模型可以由多个跨模态时空Transformer block堆叠而成，每个Transformer block均包括一个自注意力层、一个多模态跨注意力层以及一个时间跨注意力层。

为了便于理解，请参阅图6，图6为本申请实施例所提供一种跨模态时空Transformer block的结构示意图，包括：自注意力层601，多模态跨注意力层602和时间跨注意力层603。

其中，自注意力层601用于获取第一数据(或第二数据)，并对第一数据(或第二数据)进行基于自注意力机制的处理，输出第一空间特征(或第二空间特征)。

多模态跨注意力层602用于获取第一空间特征(或第二空间特征)以及第二空间特征(或第一空间特征)，并对两者进行基于跨注意力机制的处理，使得两个特征之间进行交互，并输出第一交互特征(或第二交互特征)。

时间跨注意力层603用于获取第一交互特征(或第二交互特征)，以及获取与第一数据(或第二数据)对应的第一历史特征(或第二历史特征)，将第一交互特征(或第二交互特征)与第一历史特征(或第二历史特征)进行基于跨注意力机制的处理，使得两个特征之间进行交互，并输出第一时空特征(或第二时空特征)。

本实施例中，对于多模态的输入数据(第一数据和第二数据)经过各个模态对应的数据预处理后，通过多个跨模态时空Transformer block层提取其跨模态时空特征，实现跨模态、跨时空的特征交互。

在一种可能的实现方法中，在基于图5所示的方法流程中，还可以包括对各步骤的输出特征的增强，具体包括：

基于多层感知器，对第一空间特征、第二空间特征、第一交互特征，第二交互特征、第一时空特征或第二时空特征中的至少一项进行增强。

多层感知器(multi-layer perceptron，MLP)能够对输入数据进行多层的非线性变换，从而提取数据中的高级抽象特征。通过多个隐藏层的叠加，MLP可以学习到数据中更加复杂和抽象的表示，有助于更好地区分不同类别或进行更复杂的任务。

输入数据通过基于自注意力机制或跨注意力机制的处理后，可以输入到MLP中进行增强。可以理解的是，本领域技术人员可以根据实际需求对第一空间特征、第二空间特征、第一交互特征，第二交互特征、第一时空特征或第二时空特征中的一项或多项进行增强。

在一种可能的实现方法中，步骤4023，具体包括：将第一空间特征、第一交互特征和第一历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第一时空特征；

步骤4024，具体包括：将第二空间特征、第二交互特征和第二历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第二时空特征。

可以理解的是，在Transformer模型中，跳跃连接(skip connections)是一种将输入数据直接连接到输出数据的技术。这种技术允许信息直接在网络中跨层传播，有助于解决梯度消失问题，并促进模型的训练和性能提升。跳跃连接会将输入数据直接添加到Transformer block的输出中。通过这种方式，输入数据的信息可以直接传递到后续层，使得网络能够更好地捕捉低级和高级特征，并提高模型的表示能力。因此，通过跳跃连接的方式，可以将经过自注意力层的空间特征直接传递到后续的时间跨注意力层，有助于稳定训练过程，并提高模型的收敛性和泛化能力。

为了便于理解，请参阅图7，图7为本申请实施例所提供另一种跨模态时空Transformer block的结构示意图，在基于如6所示的跨模态时空Transformer block的基础上，本实施例中，先通过自注意力层与多层感知器学习空间特征；接着通过多模态跨注意力层学习跨模态的空间特征，并用感知器对空间特征进行增强，再通过跳跃连接生成跨模态交互特征；最后通过时间跨注意力层，将通过自注意力层增强后的历史特征结合起来，通过感知器增强特征，再通过跳跃连接生成时空交互特征。

在跨模态时空特征提取过程中，Transformer模型可以由多个跨模态时空Transformer block堆叠而成。即，在本申请实施例中，Transformer模型可以由多个如图6所示的Transformer block组成，也可以由多个如图7所示的Transformer block组成，该Transformer模型还可以既包括如图6所示的Transformer block，也包括如图7所示的Transformer block，本申请对此不做限定。

403、对与第一时刻对应的第一时空特征和第二时空特征进行特征融合，得到与第一时刻对应的多模态特征。

可以理解的是，对于不同模态的输入数据，在通过基于自注意力机制的处理后，得到对应的时空特征，具体为：与第一数据对应的第一时空特征，以及与第二数据对应的第二时空特征。对第一时空特征和第二时空特征进行特征融合，得到多模态特征。

在一种可能的实现方法中，对第一时空特征和第二时空特征进行特征融合的同时，还包括获取多模态历史特征，该多模态历史特征为与第二时刻对应的多模态特征。

为了便于理解，请参阅图8，图8为本申请实施例所提供的跨模态时空特征融合层的结构示意图，包括：

第一多模态跨注意力层801和第二跨模态注意力层802。可以理解的是，多模态跨注意力层的数量与输入数据的数量应当一致，当输入数据为第一数据和第二数据时，包括与第一数据对应的第一多模态跨注意力层801和与第二数据对应的第二跨模态注意力层802；当输入数据还包括第三数据时，该第三数据与第一数据和第二数据均为不同模态的数据，此时跨模态时空特征融合层对应的还包括第三多模态跨注意力层。

在获取了多模态历史数据后，依次对多模态数据对应的多个时空特征依次进行基于跨注意力机制的处理，将处理结果再与下一个时空特征进行同样的基于跨注意力机制的处理，最终得到与第一时刻对应的多模态特征。该多模态特征同样结合了历史数据，最终输出的多模态特征具备时间特性。

404、基于多模态特征进行标注处理，输出与第一时刻对应的标注结果。

可以理解的是，融合后的统一的多模态特征可用于输入到标注任务中，进行标注处理，从而得到与第一时刻对应的标注结果。

在一种可能的实现方法中，可以通过不同的标注模型，分别对同一个多模态特征进行标注处理。此时，步骤404具体包括：

4041，分别通过第一标注模型和第二标注模型对多模态特征进行标注处理，得到对应的第一标注信息和第二标注信息，第一标注模型和第二标注模型为不同的标注模型；

4042，将第一标注信息和第二标注信息进行信息交互，输出标注结果。

本申请实施例中，对于融合的统一的多模态特征表征，将其输入到多任务标注模块(第一标注模型和第二标注模型)进行标注处理，并将各自的模型输出信息进行交互，得到最终结果。本申请实施例中，通过将多模态数据输入到不同的标注模型中得到标注信息，然后再标注信息进行交互得到最终标注结果，以此提高自动标注系统输出标注结果的准确性。在一种可能的实现方法中，标注模型包括三维3D目标框检测模型、语义分割模型、目标跟踪模型、行为分析模型等，此处不做穷举。

在一种可能的实现方法中，步骤4042，具体包括：

将第二标注信息作为多模态特征的先验信息输入到第一标注模型中，得到第一标注结果；

将第一标注信息作为多模态特征的先验信息输入到第二标注模型中，得到第二标注结果；

输出标注结果，标注结果包括第一标注结果和第二标注结果。

本申请实施例中，将第一标注信息和第二标注信息进行信息交互，具体为将不同标注任务模块的输出结果，作为其他标注任务的先验信息进行交互。

为了便于理解，请参阅图9，图9为本申请实施例所提供的多模态自动标注系统的架构图。

对于该系统的具体流程描述如下：

1)对于多模态(模态一、模态二)的输入数据经过各个模态数据预处理后，本系统通过多个跨模态时空Transformer block层提取其跨模态时空特征，实现跨模态、跨时空的特征交互。其中，数据预处理可以是人工定义提取数据块(patch)或体素(voxel)的方法。跨模态时空Transformer block层基本组成包括：一个自注意力层、一个多模态跨注意力层以及一个时间跨注意力层。在跨模态时空特征提取过程中，模型可以由L个跨模态时空Transformer block层堆叠而成，其中L为大于等于1的整数；

2)对于不同模态提取的特征，本系统通过跨模态时空特征融合层生成融合的统一的多模态特征表征。其中，跨模态时空特征融合层由多个多模态跨注意力层构成，且多模态跨注意力层的数量与输入模态的数量一致；

3)对于融合的统一的多模态特征表征，本系统将其输入到多任务(任务一、任务二)标注模块进行标注处理，并将各自的输入输出作为其他任务的先验信息进行交互。其中，标注任务模块可以由卷积神经网络或全连接层神经网络构成，根据具体任务需要，其标注任务模块可以是三维目标框检测层、场景像素语义分割层等；

4)系统将不同标注任务模块的输出集合为多任务标注信息作为输出。

5)此外，系统可将多任务标注信息作为反馈信息，作为无标签多模态数据的真值标签，形成新的有标签输入数据，促进系统的迭代优化训练。

在另一种可能的实现方法中，步骤4042，具体包括：

通过提示信息编码器，根据第一标注信息和第二标注信息生成提示信息；

将提示信息分别输入到第一标注模型和第二标注模型中，得到对应的第一标注结果和第二标注结果；

输出标注结果，标注结果包括第一标注结果和第二标注结果。

可以理解的是，第一标注信息和第二标注信息还可以输入到提示信息编码器prompt中，作为跨任务自动prompt信息，学习prompt嵌入特征，生成提示信息，然后将提示信息输入到多任务标注模块中对每个模块的标注结果进行细化，得到对应的标注结果。

为了便于理解，请参阅图10和图11，图10为本申请实施例所提供的多任务标注模块的结构示意图，图11为基于图10所示的多任务标注模块的多模态自动标注系统的架构图。

可以理解的是，图10所示模块所采用的任务标注模型以三维目标框模型和场景像素语义分割模型为例。具体如下：

经过如上述方法实施例中的步骤401至403，得到融合的统一的多模态特征之后，将其输入到多任务(任务一、任务二)标注模块进行标注处理，然后将各模块的标注信息作为跨任务自动prompt信息输入到prompt信息编码器中学习prompt嵌入特征，并输入到多任务标注模块中对每个模块的标注结果进行细化。其中，多任务标注模块采用由粗到精(coarse-to-fine)的策略构建，具体地讲：

(1)三维目标框检测模型将多模态特征输入三维目标检测器，生成初始三维目标检测框，之后经过尺寸细化层、位置和方向细化层和跟踪一致性约束层，生成三维目标框标注信息结果；

(2)场景像素语义分割模型将多模态特征和每个模态的中间特征输入到模态解码器，由预测头预测每个模态的场景语义标注信息，最终集合为多模态场景语义标注信息。

prompt信息编码器由卷积神经网络或全连接层神经网络构成，其输入除了跨任务标注信息作为自动prompt信息之外，也可以是人工设计prompt信息，用于辅助多任务标注信息的细化。

本申请实施例所提供的多模态自动标注方法，能利用跨模态时空Transformerblock层和跨模态时空融合层构建学习多模态数据的时空互补信息，生成融合的统一的特征，并实现多种功能的自动标注结果输出，提升自动标注系统的准确性；该Transformerblock层将多模态输入的跨模态信息和跨时空信息的通过跨注意力机制进行融合，并集成到每一个基础block中，建立多模态特征的跨模态时空交互；该多任务一致信息协同优化模块采用由粗到精的策略优化标注信息，并将多任务输出信息或者人工设计信息通过prompt编码器转化为prompt嵌入特征并融合到多模态特征中，实现多任务一致信息协同学习，并提供了基于多任务prompt的自动标注方式。

可以理解的是，本申请技术方案除了用于自动驾驶数据的自动标注，经过多任务输出模块的改动，亦可用于其他技术领域。具体地讲，本申请中基于跨模态时空Transformer block层构建的Transformer模型广泛适用于处理各种类型输入数据，例如自动驾驶多模态数据、人机交互多模态数据、视觉自然语言多模态数据等，其作用是提取融合的多模态特征表征，用于后续具体任务的处理。因此，通过改动多任务输出模块，可以基于本发明设计的Transformer模型，将技术方案应用于自动驾驶、人机交互、图文处理等多个技术领域，技术方案的变形主要在于多任务输出模块的改动。

二、模型训练阶段：

本申请实施例中，训练阶段描述的是训练设备120如何利用数据库130中的训练数据集合生成成熟的标注模型的过程，具体的，请参阅图12，图12为本申请实施例提供的标注模型的训练方法的一种流程示意图，本申请实施例提供的标注模型的训练方法由训练设备执行可以包括：

1201，获取与第一时刻对应的第一数据和第二数据，第一数据和第二数据为不同模态的数据。

1202，通过待训练模型对第一数据和第二数据进行处理，得到与第一时刻对应的标注结果，其中，待训练模型用于：对第一数据、第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到与第一时刻对应的第一时空特征和第二时空特征，第一历史特征和第二历史特征分别为与第二时刻对应的第一时空特征和第二时空特征，第二时刻为第一时刻之前的时刻；对第一时空特征和第二时空特征进行特征融合，得到多模态特征；基于多模态特征进行标注处理，输出与第一时刻对应的标注结果。

1203，基于与标注结果，对待训练模型进行训练，得到目标模型。

本实施例中，训练设备指定步骤1201至1203的具体实现方式与图4对应实施例中执行设备执行步骤401至404的具体实现方式类似，可参阅理解，此处不再进行赘述。

训练设备重复执行步骤1201至1203，以实现对目标模型的迭代训练，直至满足预设条件，得到训练后的目标模型。

在一种可能的实现方法中，对第一数据、第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到与第一时刻对应的第一时空特征和第二时空特征，具体包括：

分别对第一数据和第二数据进行基于自注意力机制的处理，得到第一空间特征和第二空间特征；

对第一空间特征和第二空间特征进行基于注意力机制的交互处理，得到第一交互特征和第二交互特征，其中，第一交互特征与第一数据对应，第二交互特征与第二数据对应；

将第一交互特征与第一历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第一时空特征；

将第二交互特征与第二历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第二时空特征。

在一种可能的实现方法中，基于多层感知器，对第一空间特征、第二空间特征、第一交互特征，第二交互特征、第一时空特征或第二时空特征中的至少一项进行增强。

在一种可能的实现方法中，将第一交互特征与第一历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第一时空特征；将第二交互特征与第二历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第二时空特征，具体包括：

将第一空间特征、第一交互特征和第一历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第一时空特征；

将第二空间特征、第二交互特征和第二历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第二时空特征。

在一种可能的实现方法中，基于多模态特征进行标注处理，输出标注结果，具体包括：

分别通过第一标注模型和第二标注模型对多模态特征进行标注处理，得到对应的第一标注信息和第二标注信息，第一标注模型和第二标注模型为不同的标注模型；

将第一标注信息和第二标注信息进行信息交互，输出标注结果。

在一种可能的实现方法中，将第一标注信息和第二标注信息进行信息交互，输出标注结果，具体包括：

将第二标注信息作为多模态特征的先验信息输入到第一标注模型中，得到第一标注结果；

将第一标注信息作为多模态特征的先验信息输入到第二标注模型中，得到第二标注结果；

输出标注结果，标注结果包括第一标注结果和第二标注结果。

在一种可能的实现方法中，将第一标注信息和第二标注信息进行信息交互，输出标注结果，具体包括：

通过提示信息编码器，根据第一标注信息和第二标注信息生成提示信息；

将提示信息分别输入到第一标注模型和第二标注模型中，得到对应的第一标注结果和第二标注结果；

输出标注结果，标注结果包括第一标注结果和第二标注结果。

在上述图1至图12所对应的实施例的基础上，为了更好的实施本申请实施例的上述方案，下面还提供用于实施上述方案的相关设备。

具体参阅图13，图13为本申请实施例提供的多模态自动标注装置的一种结构示意图，多模态自动标注装置1300包括：

输入层1301，用于获取与第一时刻对应的第一数据和第二数据，第一数据和第二数据为不同模态的数据；

多模态时空注意力层1302，用于对第一数据、第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到与第一时刻对应的第一时空特征和第二时空特征，其中，第一历史特征和第二历史特征分别为与第二时刻对应的第一时空特征和第二时空特征，第二时刻为第一时刻之前的时刻，第一时空特征与第一数据对应，第二时空特征与第二数据对应；

时空特征融合层1303，用于对与第一时刻对应的第一时空特征和第二时空特征进行特征融合，得到与第一时刻对应的多模态特征；

任务标注层1304，用于基于多模态特征进行标注处理，输出与第一时刻对应的标注结果。

在一种可能的实现方法中，多模态时空注意力层1302，具体用于分别对第一数据和第二数据进行基于自注意力机制的处理，得到第一空间特征和第二空间特征；对第一空间特征和第二空间特征进行基于注意力机制的交互处理，得到第一交互特征和第二交互特征，其中，第一交互特征与第一数据对应，第二交互特征与第二数据对应；将第一交互特征与第一历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第一时空特征；将第二交互特征与第二历史特征进行基于跨注意力机制的处理，得到与第一时刻对应的第二时空特征。

在一种可能的实现方法中，还包括：

多层感知器，用于对第一空间特征、第二空间特征、第一交互特征，第二交互特征、第一时空特征或第二时空特征中的至少一项进行增强。

在一种可能的实现方法中，任务标注层1304，具体用于分别通过第一标注模型和第二标注模型对多模态特征进行标注处理，得到对应的第一标注信息和第二标注信息，第一标注模型和第二标注模型为不同的标注模型；

将第一标注信息和第二标注信息进行信息交互，输出标注结果。

本申请实施例还提供一种标注模型的训练装置，请参阅图14，图14为本申请实施例提供的标注模型的训练装置的一种结构示意图，标注模型的训练装置1400包括：

获取模块1401，用于获取与第一时刻对应的第一数据和第二数据，第一数据和第二数据为不同模态的数据；

生成模块1402，用于通过待训练模型对第一数据和第二数据进行处理，得到与第一时刻对应的标注结果，其中，待训练模型用于：对第一数据、第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到与第一时刻对应的第一时空特征和第二时空特征，第一历史特征和第二历史特征分别为与第二时刻对应的第一时空特征和第二时空特征，第二时刻为第一时刻之前的时刻，第一时空特征与第一数据对应，第二时空特征与第二数据对应；对与第一时刻对应的第一时空特征和第二时空特征进行特征融合，得到多模态特征；基于多模态特征进行标注处理，输出与第一时刻对应的标注结果。

训练模块1403，用于基于与标注结果，对待训练模型进行训练，得到目标模型。

接下来介绍本申请实施例提供的一种执行设备，请参阅图15，图15为本申请实施例提供的执行设备的一种结构示意图，执行设备1500具体可以表现为自动驾驶车辆、手机、平板、笔记本电脑、台式电脑、监控数据处理设备等，此处不做限定。其中，执行设备1500上可以部署有图13对应实施例中所描述的多模态自动标注装置1300，用于实现图3至图11对应实施例中执行设备的功能。具体的，执行设备1500包括：接收器1501、发射器1502、处理器1503和存储器1504(其中执行设备1500中的处理器1503的数量可以一个或多个，图15中以一个处理器为例)，其中，处理器1503可以包括应用处理器15031和通信处理器15032。在本申请的一些实施例中，接收器1501、发射器1502、处理器1503和存储器1504可通过总线或其它方式连接。

存储器1504可以包括只读存储器和随机存取存储器，并向处理器1503提供指令和数据。存储器1504的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory，NVRAM)。存储器1504存储有处理器和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。

处理器1503控制执行设备的操作。具体的应用中，执行设备的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。

上述本申请实施例揭示的方法可以应用于处理器1503中，或者由处理器1503实现。处理器1503可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1503中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1503可以是通用处理器、数字信号处理器(digital signal processing，DSP)、微处理器或微控制器，还可进一步包括专用集成电路(application specific integratedcircuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1503可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1504，处理器1503读取存储器1504中的信息，结合其硬件完成上述方法的步骤。

接收器1501可用于接收输入的数字或字符信息，以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1502可用于通过第一接口输出数字或字符信息；发射器1502还可用于通过第一接口向磁盘组发送指令，以修改磁盘组中的数据；发射器1502还可以包括显示屏等显示设备。

本申请实施例中，处理器1503，用于执行图3至图11对应实施例中的执行设备执行的多模态自动标注装方法。处理器1503中的应用处理器15031执行上述各个步骤的具体方式，与本申请中图3至图11对应的各个方法实施例基于同一构思，其带来的技术效果与本申请中图3至图11对应的各个方法实施例相同，具体内容可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。

本申请实施例还提供了一种训练设备，请参阅图16，图16是本申请实施例提供的训练设备一种结构示意图，训练设备1600上可以部署有图14对应实施例中所描述的标注模型的训练装置1400，用于实现图12对应实施例中训练设备的功能，具体的，训练设备1600由一个或多个服务器实现，训练设备1600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，CPU)1622(例如，一个或一个以上处理器)和存储器1632，一个或一个以上存储应用程序1642或数据1644的存储介质1630(例如一个或一个以上海量存储设备)。其中，存储器1632和存储介质1630可以是短暂存储或持久存储。存储在存储介质1630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对训练设备中的一系列指令操作。更进一步地，中央处理器1622可以设置为与存储介质1630通信，在训练设备1600上执行存储介质1630中的一系列指令操作。

训练设备1600还可以包括一个或一个以上电源1626，一个或一个以上有线或无线网络接口1650，一个或一个以上输入输出接口1658，和/或，一个或一个以上操作系统1641，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

本申请实施例中，中央处理器1622，用于执行图12对应实施例中的训练设备执行的多模态自动标注装方法。中央处理器1622执行上述各个步骤的具体方式，与本申请中图12对应的各个方法实施例基于同一构思，其带来的技术效果与本申请中图12对应的各个方法实施例相同，具体内容可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。

本申请实施例中还提供一种计算机程序产品，当其在计算机上运行时，使得计算机执行如前述图3至图11所示实施例描述的方法中执行设备所执行的步骤，或者，使得计算机执行如前述图12所示实施例描述的方法中训练设备所执行的步骤。

本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有用于进行信号处理的程序，当其在计算机上运行时，使得计算机执行如前述图3至图11所示实施例描述的方法中执行设备所执行的步骤，或者，使得计算机执行如前述图12所示实施例描述的方法中训练设备所执行的步骤。

本申请实施例提供的环境数据的处理装置、神经网络的训练装置、执行设备以及训练设备具体可以为芯片，芯片包括：处理单元和通信单元，处理单元例如可以是处理器，通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使芯片执行上述图3至图11所示实施例描述的环境数据的处理方法，或者，以使芯片执行上述图12所示实施例描述的神经网络的训练方法。可选地，存储单元为芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本申请各个实施例所述的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

Claims (20)

1.一种多模态自动标注方法，其特征在于，所述方法包括：

获取与第一时刻对应的第一数据和第二数据，所述第一数据和所述第二数据为不同模态的数据；

对所述第一数据、所述第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到与所述第一时刻对应的第一时空特征和第二时空特征，其中，所述第一历史特征和所述第二历史特征分别为与第二时刻对应的第一时空特征和第二时空特征，所述第二时刻为所述第一时刻之前的时刻，所述第一时空特征与所述第一数据对应，所述第二时空特征与所述第二数据对应；

对与所述第一时刻对应的第一时空特征和第二时空特征进行特征融合，得到与所述第一时刻对应的多模态特征；

基于所述多模态特征进行标注处理，输出与所述第一时刻对应的标注结果。

2.根据权利要求1所述的方法，其特征在于，所述对所述第一数据、第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到与第一时刻对应的第一时空特征和第二时空特征，具体包括：

分别对所述第一数据和第二数据进行基于自注意力机制的处理，得到第一空间特征和第二空间特征；

对所述第一空间特征和所述第二空间特征进行基于注意力机制的交互处理，得到第一交互特征和第二交互特征，其中，所述第一交互特征与所述第一数据对应，所述第二交互特征与所述第二数据对应；

将所述第一交互特征与所述第一历史特征进行基于跨注意力机制的处理，得到与所述第一时刻对应的第一时空特征；

将所述第二交互特征与所述第二历史特征进行基于跨注意力机制的处理，得到与所述第一时刻对应的第二时空特征。

3.根据权利要求2所述的方法，其特征在于，还包括：

基于多层感知器，对所述第一空间特征、所述第二空间特征、所述第一交互特征，所述第二交互特征、所述第一时空特征或所述第二时空特征中的至少一项进行增强。

4.根据权利要求2或3所述的方法，其特征在于，所述将所述第一交互特征与所述第一历史特征进行基于跨注意力机制的处理，得到与所述第一时刻对应的第一时空特征；将所述第二交互特征与所述第二历史特征进行基于跨注意力机制的处理，得到与所述第一时刻对应的第二时空特征，具体包括：

将所述第一空间特征、所述第一交互特征和所述第一历史特征进行基于跨注意力机制的处理，得到与所述第一时刻对应的第一时空特征；

将所述第二空间特征、所述第二交互特征和所述第二历史特征进行基于跨注意力机制的处理，得到与所述第一时刻对应的第二时空特征。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述基于所述多模态特征进行标注处理，输出标注结果，具体包括：

分别通过第一标注模型和第二标注模型对所述多模态特征进行标注处理，得到对应的第一标注信息和第二标注信息，所述第一标注模型和所述第二标注模型为不同的标注模型；

将所述第一标注信息和所述第二标注信息进行信息交互，输出标注结果。

6.根据权利要求5所述的方法，其特征在于，所述将所述第一标注信息和所述第二标注信息进行信息交互，输出标注结果，具体包括：

将所述第二标注信息作为所述多模态特征的先验信息输入到所述第一标注模型中，得到第一标注结果；

将所述第一标注信息作为所述多模态特征的先验信息输入到所述第二标注模型中，得到第二标注结果；

输出标注结果，所述标注结果包括所述第一标注结果和所述第二标注结果。

7.根据权利要求5所述的方法，其特征在于，所述将所述第一标注信息和所述第二标注信息进行信息交互，输出标注结果，具体包括：

通过提示信息编码器，根据所述第一标注信息和所述第二标注信息生成提示信息；

将所述提示信息分别输入到所述第一标注模型和所述第二标注模型中，得到对应的第一标注结果和第二标注结果；

输出标注结果，所述标注结果包括所述第一标注结果和所述第二标注结果。

8.根据权利要求5至7任一项所述的方法，其特征在于，所述标注模型包括三维3D目标框检测模型、语义分割模型、目标跟踪模型、行为分析模型。

9.一种标注模型的训练方法，其特征在于，包括：

获取与第一时刻对应的第一数据和第二数据，所述第一数据和所述第二数据为不同模态的数据；

通过待训练模型对所述第一数据和所述第二数据进行处理，得到与所述第一时刻对应的标注结果，其中，所述待训练模型用于：对所述第一数据、所述第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到与所述第一时刻对应的第一时空特征和第二时空特征，所述第一历史特征和所述第二历史特征分别为与第二时刻对应的第一时空特征和第二时空特征，所述第二时刻为所述第一时刻之前的时刻，所述第一时空特征与所述第一数据对应，所述第二时空特征与所述第二数据对应；对与所述第一时刻对应的第一时空特征和第二时空特征进行特征融合，得到多模态特征；基于所述多模态特征进行标注处理，输出与所述第一时刻对应的标注结果；

基于与所述标注结果，对待训练模型进行训练，得到目标模型。

10.根据权利要求9所述的方法，其特征在于，所述对所述第一数据、第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到与第一时刻对应的第一时空特征和第二时空特征，具体包括：

分别对所述第一数据和第二数据进行基于自注意力机制的处理，得到第一空间特征和第二空间特征；

对所述第一空间特征和所述第二空间特征进行基于注意力机制的交互处理，得到第一交互特征和第二交互特征，其中，所述第一交互特征与所述第一数据对应，所述第二交互特征与所述第二数据对应；

将所述第一交互特征与所述第一历史特征进行基于跨注意力机制的处理，得到与所述第一时刻对应的第一时空特征；

将所述第二交互特征与所述第二历史特征进行基于跨注意力机制的处理，得到与所述第一时刻对应的第二时空特征。

11.根据权利要求10所述的方法，其特征在于，还包括：

基于多层感知器，对所述第一空间特征、所述第二空间特征、所述第一交互特征，所述第二交互特征、所述第一时空特征或所述第二时空特征中的至少一项进行增强。

12.根据权利要求9或10所述的方法，其特征在于，所述将所述第一交互特征与所述第一历史特征进行基于跨注意力机制的处理，得到与所述第一时刻对应的第一时空特征；将所述第二交互特征与所述第二历史特征进行基于跨注意力机制的处理，得到与所述第一时刻对应的第二时空特征，具体包括：

将所述第一空间特征、所述第一交互特征和所述第一历史特征进行基于跨注意力机制的处理，得到与所述第一时刻对应的第一时空特征；

将所述第二空间特征、所述第二交互特征和所述第二历史特征进行基于跨注意力机制的处理，得到与所述第一时刻对应的第二时空特征。

13.一种多模态自动标注装置，其特征在于，包括：

输入层，用于获取与第一时刻对应的第一数据和第二数据，所述第一数据和所述第二数据为不同模态的数据；

多模态时空注意力层，用于对所述第一数据、所述第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到与所述第一时刻对应的第一时空特征和第二时空特征，其中，所述第一历史特征和所述第二历史特征分别为与第二时刻对应的第一时空特征和第二时空特征，所述第二时刻为所述第一时刻之前的时刻，所述第一时空特征与所述第一数据对应，所述第二时空特征与所述第二数据对应；

时空特征融合层，用于对与所述第一时刻对应的第一时空特征和第二时空特征进行特征融合，得到与所述第一时刻对应的多模态特征；

任务标注层，用于基于所述多模态特征进行标注处理，输出与所述第一时刻对应的标注结果。

14.根据权利要求13所述的装置，其特征在于，

所述多模态时空注意力层，具体用于分别对所述第一数据和第二数据进行基于自注意力机制的处理，得到第一空间特征和第二空间特征；对所述第一空间特征和所述第二空间特征进行基于注意力机制的交互处理，得到第一交互特征和第二交互特征，其中，所述第一交互特征与所述第一数据对应，所述第二交互特征与所述第二数据对应；将所述第一交互特征与所述第一历史特征进行基于跨注意力机制的处理，得到与所述第一时刻对应的第一时空特征；将所述第二交互特征与所述第二历史特征进行基于跨注意力机制的处理，得到与所述第一时刻对应的第二时空特征。

15.根据权利要求13或14所述的装置，其特征在于，

任务标注层，具体用于分别通过第一标注模型和第二标注模型对所述多模态特征进行标注处理，得到对应的第一标注信息和第二标注信息，所述第一标注模型和所述第二标注模型为不同的标注模型；将所述第一标注信息和所述第二标注信息进行信息交互，输出标注结果。

16.一种标注模型的训练装置，其特征在于，包括：

获取模块，用于获取与第一时刻对应的第一数据和第二数据，所述第一数据和所述第二数据为不同模态的数据；

生成模块，用于通过待训练模型对所述第一数据和所述第二数据进行处理，得到与所述第一时刻对应的标注结果，其中，所述待训练模型用于：对所述第一数据、所述第二数据、第一历史特征、第二历史特征进行基于注意力机制的处理，得到与所述第一时刻对应的第一时空特征和第二时空特征，所述第一历史特征和所述第二历史特征分别为与第二时刻对应的第一时空特征和第二时空特征，所述第二时刻为所述第一时刻之前的时刻，所述第一时空特征与所述第一数据对应，所述第二时空特征与所述第二数据对应；对与所述第一时刻对应的第一时空特征和第二时空特征进行特征融合，得到多模态特征；基于所述多模态特征进行标注处理，输出与所述第一时刻对应的标注结果；

训练模块，用于基于与所述标注结果，对待训练模型进行训练，得到目标模型。

17.一种计算机程序，其特征在于，当所述计算机程序在计算机上运行时，使得计算机执行如权利要求1至8中任意一项所述的方法，或者，使得计算机执行如权利要求9至12中任意一项所述的方法。

18.一种计算机可读存储介质，其特征在于，包括程序，当所述程序在计算机上运行时，使得计算机执行如权利要求1至8中任一项所述的方法，或者，使得计算机执行如权利要求9至12中任意一项所述的方法。

19.一种执行设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器耦合，

所述存储器，用于存储程序；

所述处理器，用于执行所述存储器中的程序，使得所述执行设备执行如权利要求1至8中任一项所述的方法。

20.一种训练设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器耦合，

所述存储器，用于存储程序；

所述处理器，用于执行所述存储器中的程序，使得所述训练设备执行如权利要求9至12中任一项所述的方法。