一种基于深度学习模型的数据处理方法及装置与流程

本发明实施例涉及数据处理技术领域，具体涉及一种基于深度学习模型的数据处理方法及装置。

背景技术：

数据的处理技术一向是学术界以及工业界中研究的热点话题，在在线教育、娱乐平台的视频直播、远程视频会议等方面具有广泛的应用。

随着深度学习技术的快速发展，越来越多的方法先训练神经网络，再应用训练好的神经网络处理数据，即现有技术采用单一的神经网络进行数据的处理，但是，过于简单的单一的神经网络具有较低的精度，会使得在处理过程中精细化处理程度不够、不完整；而过于复杂的单一的神经网络虽然具有较高的精度，但是复杂性也较高，难以满足数据处理实时、高效的需求。

因此，如何避免上述缺陷，能够实时、准确和高效地进行数据的处理，成为亟须解决的问题。

技术实现要素：

针对现有技术存在的问题，本发明实施例提供一种基于深度学习模型的数据处理方法及装置。

第一方面，本发明实施例提供一种基于深度学习模型的数据处理方法，所述方法包括：

获取待处理的数据；

根据第一预设模型对所述数据进行初始处理，以获取第一处理结果；

根据所述第一处理结果和预设映射关系，获取目标第二预设模型；所述预设映射关系是预设第一处理结果与第二预设模型之间的对应关系；

根据所述目标第二预设模型对所述数据进行再处理；并将再处理的第二处理结果作为所述数据的最终处理结果。

第二方面，本发明实施例提供一种基于深度学习模型的数据处理装置，所述装置包括：

第一获取单元，用于获取待处理的数据；

初处理单元，用于根据第一预设模型对所述数据进行初始处理，以获取第一处理结果；

第二获取单元，用于根据所述第一处理结果和预设映射关系，获取目标第二预设模型；所述预设映射关系是预设第一处理结果与第二预设模型之间的对应关系；

再处理单元，用于根据所述目标第二预设模型对所述数据进行再处理；并将再处理的第二处理结果作为所述数据的最终处理结果。

第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，

所述处理器和所述存储器通过所述总线完成相互间的通信；

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：

获取待处理的数据；

根据第一预设模型对所述数据进行初始处理，以获取第一处理结果；

根据所述第一处理结果和预设映射关系，获取目标第二预设模型；所述预设映射关系是预设第一处理结果与第二预设模型之间的对应关系；

根据所述目标第二预设模型对所述数据进行再处理；并将再处理的第二处理结果作为所述数据的最终处理结果。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，包括：

所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：

获取待处理的数据；

根据第一预设模型对所述数据进行初始处理，以获取第一处理结果；

根据所述第一处理结果和预设映射关系，获取目标第二预设模型；所述预设映射关系是预设第一处理结果与第二预设模型之间的对应关系；

根据所述目标第二预设模型对所述数据进行再处理；并将再处理的第二处理结果作为所述数据的最终处理结果。

本发明实施例提供的基于深度学习模型人物影像的数据处理方法及装置，通过第一处理结果和预设映射关系，获取到目标第二预设模型，再用目标第二预设模型对数据进行再处理的第二处理结果作为数据的最终处理结果，能够实时、准确和高效地进行数据的处理。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例基于深度学习模型的数据处理方法流程示意图；

图2为本发明实施例基于深度学习模型的数据处理装置结构示意图；

图3为本发明实施例提供的电子设备实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例基于深度学习模型的数据处理方法流程示意图，如图1所示，本发明实施例提供的一种基于深度学习模型的数据处理方法，包括以下步骤：

s101：获取待处理的数据。

具体的，装置获取待处理的数据。待处理的数据可以包括人物影像等，不作具体限定，可以进一步通过手机拍照、直播网站的视频截图的方式获取待处理的人物影像，对获取待处理的人物影像的方式不作具体限定。

s102：根据第一预设模型对所述数据进行初始处理，以获取第一处理结果。

具体的，装置根据第一预设模型对所述数据进行初始处理，以获取第一处理结果。第一预设模型可以为卷积神经网络cnn、深层神经网络dnn等，不作具体限定。第一预设模型需要预先进行训练，具体的训练方法为本领域成熟技术，不再赘述。

s103：根据所述第一处理结果和预设映射关系，获取目标第二预设模型；所述预设映射关系是预设第一处理结果与第二预设模型之间的对应关系。

具体的，装置根据所述第一处理结果和预设映射关系，获取目标第二预设模型；所述预设映射关系是预设第一处理结果与第二预设模型之间的对应关系。可以理解的是第二预设模型有多个，目标第二预设模型是在这多个第二预设模型选择的其中一个。第二预设模型可以为卷积神经网络cnn、深层神经网络dnn等，不作具体限定。需要说明的是：多个第二预设模型可以为相同类别的神经网络模型，即所有的第二预设模型都采用cnn，或者所有的第二预设模型都采用dnn。而第一预设模型和第二预设模型可以为相同类别的神经网络或不同类别的神经网络，即如果第一预设模型为cnn，那么第二预设模型可以为cnn(即相同类别)；第二预设模型还可以为dnn(即不同类别)。根据所述第一处理结果和预设映射关系，获取目标第二预设模型，具体可以包括：确定所述第二预设模型对应的预设特征值区间；解析所述第一处理结果，以获取与所述第一处理结果相对应的第一特征值；选取包含所述第一特征值的预设特征值区间对应的第二预设模型作为所述目标第二预设模型。举例说明如下：全部的特征值区间为1～1000，第二预设模型a对应的预设特征值区间为1～100、第二预设模型b对应的预设特征值区间为101～200，以此类推得到十个第二预设模型，和对应的预设特征值区间；如果第一处理结果为人物a的人物影像，对应的第一特征值为130，而预设特征值区间101～200包含该第一特征值130，且预设特征值区间101～200对应的第二预设模型为第二预设模型b，即将第二预设模型b作为目标第二预设模型。

s104：根据所述目标第二预设模型对所述数据进行再处理；并将再处理的第二处理结果作为所述数据的最终处理结果。

具体的，装置根据所述目标第二预设模型对所述数据进行再处理；并将再处理的第二处理结果作为所述数据的最终处理结果。需要说明的是：第一预设模型可以快速进行人像识别处理，但不一定准确，第二预设模型可以准确进行人像识别处理，通过结合第一预设模型和第二预设模型进行人像识别处理，兼顾了速度和准确性。参照上述说明，如果目标第二预设模型的第二处理结果还是人物a的人物影像，则说明第一处理结果是准确的；如果用目标第二预设模型的第二处理结果不是人物a的人物影像，则说明第一处理结果是不准确的，应当以第二处理结果为准，即通过目标第二预设模型对数据进行再处理还能够验证第一处理结果的准确性。

还需要说明的是：在使用目标第二预设模型对数据进行再处理之前，还需要对所有的第二预设模型预先进行训练，具体包括：解析所述预设第一处理结果，以获取与所述预设第一处理结果相对应的预设第一特征值；获取与所述预设第一特征值相似度最高的n类预设特征值；获取所述预设第一特征值对应的第一训练样本，以及每类预设特征值分别对应的训练样本；根据所述第一训练样本和每类训练样本，训练所述第二预设模型。举例说明如下：预设第一处理结果为人物a的人物影像，预设第一特征值为130，获取与预设第一特征值130相似度最高的n类预设特征值，n的具体数值可以根据实际情况自主设置，可选为5，计算相似度的方法为本领域成熟方法，不再赘述。即这n类预设特征值中的每类预设特征值分别对应的人物影像为与人物a的面部特征相像程度较高的人物b、人物c等，再获取预设第一特征值对应的第一训练样本(数量不作具体限定)、以及每类预设特征值(人物b)对应的训练样本(数量不作具体限定)、每类预设特征值(人物c)对应的训练样本(数量不作具体限定)等，最后根据第一训练样本和每类训练样本，训练所述第二预设模型，具体的训练方法为本领域成熟技术，不再赘述。即第二预设模型通过训练与人物a的面部特征相像程度较高的其他人物的训练样本，更加有针对性地区分人物a和其他人物，从而提高数据处理的准确性。

本发明实施例提供的基于深度学习模型人物影像的数据处理方法，通过第一处理结果和预设映射关系，获取到目标第二预设模型，再用目标第二预设模型对数据进行再处理的第二处理结果作为数据的最终处理结果，能够实时、准确和高效地进行数据的处理。

在上述实施例的基础上，所述根据所述第一处理结果和预设映射关系，获取目标第二预设模型，包括：

确定所述第二预设模型对应的预设特征值区间。

具体的，装置确定所述第二预设模型对应的预设特征值区间。可参照上述实施例，不再赘述。

解析所述第一处理结果，以获取与所述第一处理结果相对应的第一特征值。

具体的，装置解析所述第一处理结果，以获取与所述第一处理结果相对应的第一特征值。可参照上述实施例，不再赘述。

选取包含所述第一特征值的预设特征值区间对应的第二预设模型作为所述目标第二预设模型。

具体的，装置选取包含所述第一特征值的预设特征值区间对应的第二预设模型作为所述目标第二预设模型。可参照上述实施例，不再赘述。

本发明实施例提供的基于深度学习模型人物影像的数据处理方法，通过选取包含第一特征值的预设特征值区间对应的第二预设模型作为目标第二预设模型，能够合理选择出目标第二预设模型，进一步能够实时、准确和高效地进行数据的处理。

在上述实施例的基础上，所述方法还包括：

预先训练所述第二预设模型。

具体的，装置预先训练所述第二预设模型。可参照上述实施例，不再赘述。

本发明实施例提供的基于深度学习模型人物影像的数据处理方法，通过预先训练第二预设模型，保证了第二预设模型能够正常使用。

在上述实施例的基础上，所述预先训练所述第二预设模型，包括：

解析所述预设第一处理结果，以获取与所述预设第一处理结果相对应的预设第一特征值。

具体的，装置解析所述预设第一处理结果，以获取与所述预设第一处理结果相对应的预设第一特征值。可参照上述实施例，不再赘述。

获取与所述预设第一特征值相似度最高的n类预设特征值。

具体的，装置获取与所述预设第一特征值相似度最高的n类预设特征值。可参照上述实施例，不再赘述。

获取所述预设第一特征值对应的第一训练样本，以及每类预设特征值分别对应的训练样本。

具体的，装置获取所述预设第一特征值对应的第一训练样本，以及每类预设特征值分别对应的训练样本。可参照上述实施例，不再赘述。

根据所述第一训练样本和每类训练样本，训练所述第二预设模型。

具体的，装置根据所述第一训练样本和每类训练样本，训练所述第二预设模型。可参照上述实施例，不再赘述。

本发明实施例提供的基于深度学习模型人物影像的数据处理方法，通过获取与预设第一特征值相似度最高的n类预设特征值，并分别获取第一训练样本和训练样本，进而训练第二预设模型，使得第二预设模型的再处理的第二处理结果更加准确。

在上述实施例的基础上，各第二预设模型为相同类别的神经网络模型。

具体的，装置中的各第二预设模型为相同类别的神经网络模型。可参照上述实施例，不再赘述。

本发明实施例提供的基于深度学习模型人物影像的数据处理方法，通过使各第二预设模型为相同类别的神经网络模型，便于管理和使用各第二预设模型。

在上述实施例的基础上，所述第一预设模型和所述第二预设模型为相同类别的神经网络或不同类别的神经网络。

具体的，装置中的所述第一预设模型和所述第二预设模型为相同类别的神经网络或不同类别的神经网络。可参照上述实施例，不再赘述。

本发明实施例提供的基于深度学习模型人物影像的数据处理方法，通过使第一预设模型和第二预设模型为相同类别的神经网络或不同类别的神经网络，能够便于管理和使用第一预设模型和第二预设模型，或者能够更加准确地进行数据的处理。

图2为本发明实施例基于深度学习模型人物影像的数据处理装置结构示意图，如图2所示，本发明实施例提供了一种基于深度学习模型人物影像的数据处理装置，包括第一获取单元201、初处理单元202、第二获取单元203和再处理单元204，其中：

第一获取单元201用于获取待处理的数据；初处理单元202用于根据第一预设模型对所述数据进行初始处理，以获取第一处理结果；第二获取单元203用于根据所述第一处理结果和预设映射关系，获取目标第二预设模型；所述预设映射关系是预设第一处理结果与第二预设模型之间的对应关系；再处理单元204用于根据所述目标第二预设模型对所述数据进行再处理；并将再处理的第二处理结果作为所述数据的最终处理结果。

具体的，第一获取单元201用于获取待处理的数据；初处理单元202用于根据第一预设模型对所述数据进行初始处理，以获取第一处理结果；第二获取单元203用于根据所述第一处理结果和预设映射关系，获取目标第二预设模型；所述预设映射关系是预设第一处理结果与第二预设模型之间的对应关系；再处理单元204用于根据所述目标第二预设模型对所述数据进行再处理；并将再处理的第二处理结果作为所述数据的最终处理结果。

本发明实施例提供的基于深度学习模型人物影像的数据处理装置，通过第一处理结果和预设映射关系，获取到目标第二预设模型，再用目标第二预设模型对数据进行再处理的第二处理结果作为数据的最终处理结果，能够实时、准确和高效地进行数据的处理。

在上述实施例的基础上，所述第二获取单元203具体用于：确定所述第二预设模型对应的预设特征值区间；解析所述第一处理结果，以获取与所述第一处理结果相对应的第一特征值；选取包含所述第一特征值的预设特征值区间对应的第二预设模型作为所述目标第二预设模型。

具体的，所述第二获取单元203具体用于：确定所述第二预设模型对应的预设特征值区间；解析所述第一处理结果，以获取与所述第一处理结果相对应的第一特征值；选取包含所述第一特征值的预设特征值区间对应的第二预设模型作为所述目标第二预设模型。

本发明实施例提供的基于深度学习模型人物影像的数据处理装置，通过选取包含第一特征值的预设特征值区间对应的第二预设模型作为目标第二预设模型，能够合理选择出目标第二预设模型，进一步能够实时、准确和高效地进行数据的处理。

在上述实施例的基础上，所述装置还用于预先训练所述第二预设模型。

具体的，所述装置还用于预先训练所述第二预设模型。

本发明实施例提供的基于深度学习模型人物影像的数据处理装置，通过预先训练第二预设模型，保证了第二预设模型能够正常使用。

在上述实施例的基础上，所述装置还用于：解析所述预设第一处理结果，以获取与所述预设第一处理结果相对应的预设第一特征值；获取与所述预设第一特征值相似度最高的n类预设特征值；获取所述预设第一特征值对应的第一训练样本，以及每类预设特征值分别对应的训练样本；根据所述第一训练样本和每类训练样本，训练所述第二预设模型。

具体的，所述装置还用于：解析所述预设第一处理结果，以获取与所述预设第一处理结果相对应的预设第一特征值；获取与所述预设第一特征值相似度最高的n类预设特征值；获取所述预设第一特征值对应的第一训练样本，以及每类预设特征值分别对应的训练样本；根据所述第一训练样本和每类训练样本，训练所述第二预设模型。

本发明实施例提供的基于深度学习模型人物影像的数据处理装置，通过获取与预设第一特征值相似度最高的n类预设特征值，并分别获取第一训练样本和训练样本，进而训练第二预设模型，使得第二预设模型的再处理的第二处理结果更加准确。

在上述实施例的基础上，各第二预设模型为相同类别的神经网络模型。

具体的，装置中的各第二预设模型为相同类别的神经网络模型。

本发明实施例提供的基于深度学习模型人物影像的数据处理装置，通过使各第二预设模型为相同类别的神经网络模型，便于管理和使用各第二预设模型。

在上述实施例的基础上，所述第一预设模型和所述第二预设模型为相同类别的神经网络或不同类别的神经网络。

具体的，装置中的所述第一预设模型和所述第二预设模型为相同类别的神经网络或不同类别的神经网络。

本发明实施例提供的基于深度学习模型人物影像的数据处理装置，通过使第一预设模型和第二预设模型为相同类别的神经网络或不同类别的神经网络，能够便于管理和使用第一预设模型和第二预设模型，或者能够更加准确地进行数据的处理。

本发明实施例提供的基于深度学习模型人物影像的数据处理装置具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。

图3为本发明实施例提供的电子设备实体结构示意图，如图3所示，所述电子设备包括：处理器(processor)301、存储器(memory)302和总线303；

其中，所述处理器301、存储器302通过总线303完成相互间的通信；

所述处理器301用于调用所述存储器302中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取待处理的数据；根据第一预设模型对所述数据进行初始处理，以获取第一处理结果；根据所述第一处理结果和预设映射关系，获取目标第二预设模型；所述预设映射关系是预设第一处理结果与第二预设模型之间的对应关系；根据所述目标第二预设模型对所述数据进行再处理；并将再处理的第二处理结果作为所述数据的最终处理结果。

本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取待处理的数据；根据第一预设模型对所述数据进行初始处理，以获取第一处理结果；根据所述第一处理结果和预设映射关系，获取目标第二预设模型；所述预设映射关系是预设第一处理结果与第二预设模型之间的对应关系；根据所述目标第二预设模型对所述数据进行再处理；并将再处理的第二处理结果作为所述数据的最终处理结果。

本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取待处理的数据；根据第一预设模型对所述数据进行初始处理，以获取第一处理结果；根据所述第一处理结果和预设映射关系，获取目标第二预设模型；所述预设映射关系是预设第一处理结果与第二预设模型之间的对应关系；根据所述目标第二预设模型对所述数据进行再处理；并将再处理的第二处理结果作为所述数据的最终处理结果。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的电子设备等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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、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，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的各实施例技术方案的范围。