本公开内容的领域总体涉及机器学习系统，并且更具体地涉及用于训练机器学习模型的系统和方法。
背景技术：
1、在包括自动驾驶载具、质量检测、监控相机系统、安全监视系统、物流和资产跟踪以及路径查找和导航系统的各种应用中，大视觉数据集被聚类起来用于对象检测。然而，对视觉数据进行聚类具有挑战性，并且经常利用为图像数据提供地面实况标签的人类。图像数据的大规模数据集的标记通常必须在逐个图像的基础上完成，这既昂贵又耗时。训练机器学习模型以在此类图像数据中执行对象检测和特征提取存在各种挑战。例如，如果图像数据集不是(a)多样化的(包含对象的各种视图和角度)，(b)具体的(如果对象的视觉表示随时间变化，或者出现不同的环境条件，则这可能会很困难)，以及(c)准确的(由于人类标记者的无意偏见、类别判断和数据不匹配，这可能会出现问题)，则机器学习系统的训练可能会受挫。与人类参与相关的数据集中这些类型的误差和错误可能导致假阳性/误报和/或假阴性/漏报。
技术实现思路
1、鉴于上述，提供了一种计算系统，包括输入传感器、处理器和存储可执行指令的存储器，该可执行指令响应于由处理器的执行而使得处理器从输入传感器收集与对象或环境的至少一部分相关的输入数据；执行特征提取器以提取输入数据的多个数据元素的特征；执行聚类模型，该聚类模型被配置为基于所提取的特征彼此的相似性来将输入数据的多个数据元素聚类成多个特征集群；用相应预定标签来标记多个特征集群的多个目标集群以及多个目标集群的多个数据元素；生成包括多个目标集群的多个数据元素的训练数据集；并且使用训练数据集来训练机器学习模型以在推理时间预测推理时间输入数据元素的标签。多个目标集群的相应预定标签对应于被配置为识别对象或环境的元素的机器学习模型的预测标签。
2、已经讨论的特征、功能和优点可以在各种实施例中独立地实现，或者可以在另外的实施例中组合，可以参考以下描述和附图看到其进一步的细节。
1.一种计算系统(10)，包括：
2.根据权利要求1所述的计算系统(10)，其中
3.根据权利要求2所述的计算系统(10)，其中
4.根据权利要求3所述的计算系统(10)，其中从所述对象检测器(38)省略分类层。
5.根据权利要求3所述的计算系统(10)，其中
6.根据权利要求1所述的计算系统(10)，其中通过计算所述数据元素(20、26、32)的所提取的特征(48)之间的成对相似性值(52)来将所述数据元素(20、26、32)聚类成所述多个特征集群(56)。
7.根据权利要求6所述的计算系统(10)，其中使用余弦相似性度量函数来计算所述相似性值(52)。
8.根据权利要求1所述的计算系统(10)，其中使用分层聚类方法(200)将所述数据元素(20、26、32)聚类成所述多个特征集群(56)。
9.根据权利要求8所述的计算系统(10)，其中
10.根据权利要求1所述的计算系统(10)，其中使用推理算法将所述目标集群(62)的所述相应预定标签(58)替换为所述机器学习模型(66)的所述预测标签(68)以生成所述训练数据集(72)。
11.一种方法(200)，包括以下步骤：
12.根据权利要求11所述的方法(200)，其中
13.根据权利要求12所述的方法(200)，其中
14.根据权利要求13所述的方法(200)，其中
15.根据权利要求13所述的方法(200)，其中
16.根据权利要求11所述的方法(200)，其中通过计算所述数据元素(20、26、32)的所提取的特征(48)之间的成对相似性值(52)来将所述数据元素(20、26、32)聚类成所述多个特征集群(56)。
17.根据权利要求16所述的方法(200)，其中使用余弦相似性度量函数来计算所述相似性值(52)。
18.根据权利要求11所述的方法(200)，其中使用分层聚类方法(200)将所述数据元素(20、26、32)聚类成所述多个特征集群(56)。
19.根据权利要求11所述的方法(200)，其中使用推理算法将所述目标集群(62)的所述相应预定标签(58)替换为所述机器学习模型(66)的所述预测标签(68)以生成所述训练数据集(72)。
20.一种计算系统(10)，包括：
