CN110263852B - 数据处理方法、装置及电子设备 - Google Patents

Abstract

本公开实施例中提供了一种数据处理方法、装置及电子设备，属于数据处理技术领域，该方法包括：设置面向单元重合度的第一阈值和第二阈值；在所述预测网络的结构之上，设置非极大值抑制分支网络；利用所述预测网络对图像上存在的目标对象进行预测，得到针对所述目标对象的第一预测区域和第二预测区域；当所述第一预测区域与所述第二预测区域的单元重合度小于所述第一阈值或大于所述第二阈值时，利用所述非极大值抑制分支网络中设置的非极大值抑制策略对所述第一预测区域和所述第二预测区域进行数据处理。通过本公开的方案，能够基于单元重合度对预测区域进行处理，提高了预测区域数据处理的准确性。

Description

数据处理方法、装置及电子设备

技术领域

本公开涉及数据处理技术领域，尤其涉及一种数据处理方法、装置及电子设备。

背景技术

随着计算机科学的快速发展，人工智能在越来越多的领域得到了应用，与人工智能相关的技术有了长足的发展，基于神经网络的深度学习是人工智能的重点研究领域之一，通过深度学习的神经网络，能够对图像上出现的对象进行目标检测。对于目标检测任务而言，在目标检测的过程中，准确率是衡量检测目标检测算法好坏的重要指标。

目前目标检测算法都是基于深度神经网络作为基础训练的，着重于找到目标的预测区域(proposal)、预测区域相对应的置信度和坐标，为了检测出全部的目标，大量的预测区域会被产生出来。在解决预测区域去重的问题上，主流做法是对IOU(Intersection overUnion，单元重合)做NMS(non-maximum-suppression,非极大值抑制)，该做法简单有效，但面对复杂场景，例如遮挡严重，则无能为力。

发明内容

有鉴于此，本公开实施例提供一种数据处理方法、装置及电子设备，至少部分解决现有技术中存在的问题。

第一方面，本公开实施例提供了一种数据处理方法，包括：

设置面向单元重合度的第一阈值和第二阈值，所述单元重合度用于表征预测网络对于目标对象产生的多个预测区域的重合度值，所述第二阈值大于所述第一阈值；

在所述预测网络的结构之上，设置非极大值抑制分支网络，所述非极大值抑制分支网络内设置有非极大值抑制策略；

利用所述预测网络对图像上存在的目标对象进行预测，得到针对所述目标对象的第一预测区域和第二预测区域；

当所述第一预测区域与所述第二预测区域的单元重合度小于所述第一阈值或大于所述第二阈值时，利用所述非极大值抑制分支网络中设置的非极大值抑制策略对所述第一预测区域和所述第二预测区域进行数据处理。

根据本公开实施例的一种具体实现方式，所述利用所述预测网络对图像上存在的目标对象进行预测，得到针对所述目标对象的第一预测区域和第二预测区域之后，所述方法还包括：

当所述第一预测区域与所述第二预测区域的单元重合度介于所述第一阈值和所述第二阈值之间时，获取所述第一预测区域和所述第二预测区域的交集；

利用标记数据判断所述交集属于遮挡数据还是所述目标对象的整体数据。

根据本公开实施例的一种具体实现方式，所述利用标记数据判断所述交集属于遮挡数据还是所述目标对象的整体数据之后，所述方法还包括：

将所述交集数据输入到所述非极大值抑制分支网络中，用于进行基于非极大值抑制策略的训练。

根据本公开实施例的一种具体实现方式，所述设置面向单元重合度的第一阈值和第二阈值，包括：

获取历史训练记录中单元重合度集合；

对所述单元重合度集合进行聚类计算；

基于所述聚类计算的结果，确定所述单元重合度的第一阈值和第二阈值。

根据本公开实施例的一种具体实现方式，所述在所述预测网络的结构之上，设置非极大值抑制分支网络，包括：

在所述预测网络的全连接层之后设置所述非极大值抑制分支网络，所述非极大值抑制分支网络用以接收所述全连接层的预测结果。

根据本公开实施例的一种具体实现方式，所述利用所述预测网络对图像上存在的目标对象进行预测，得到针对所述目标对象的第一预测区域和第二预测区域，包括：

选定一个预设大小的检测窗，将检测窗内的包含目标对象的图像输入到预测网络中进行预测；

以固定步幅滑动所述检测窗，遍历图像的每个区域，对检测窗内包含的图像输入到所述预测网络中进行预测；

改变所述检测窗的尺寸大小，再次遍历图像的每个区域，对区域内是否有目标对象进行预测；

经过多次遍历所述图像，获得多个包含目标对象的检测窗；

从所述多个检测窗中确定针对所述目标对象的第一预测区域和第二预测区域。

根据本公开实施例的一种具体实现方式，所述从所述多个检测窗中确定针对所述目标对象的第一预测区域和第二预测区域，包括：

获取所述多个检测窗对应的多个预测概率；

选择所述多个预测概率中选择符合预设策略的两个概率值所述对应的两个检测窗；

将所述两个检测窗对应的预测区域分别设定为第一预测区域和第二预测区域。

根据本公开实施例的一种具体实现方式，所述利用所述非极大值抑制分支网络中设置的非极大值抑制策略对所述第一预测区域和所述第二预测区域进行数据处理，包括：

获取所述第一预测区域和所述第二预测区域分别对应的预测概率；

基于所述预测概率，从所述第一预测区域和所述第二预测区域中确定需要进行抑制处理的预测区域。

第二方面，本公开实施例提供了一种数据处理装置，包括：

获取模块，用于设置面向单元重合度的第一阈值和第二阈值，所述单元重合度用于表征预测网络对于目标对象产生的多个预测区域的重合度值，所述第二阈值大于所述第一阈值；

设置模块，用于在所述预测网络的结构之上，设置非极大值抑制分支网络，所述非极大值抑制分支网络内设置有非极大值抑制策略；

预测模块，用于利用所述预测网络对图像上存在的目标对象进行预测，得到针对所述目标对象的第一预测区域和第二预测区域；

执行模块，用于当所述第一预测区域与所述第二预测区域的单元重合度小于所述第一阈值或大于所述第二阈值时，利用所述非极大值抑制分支网络中设置的非极大值抑制策略对所述第一预测区域和所述第二预测区域进行数据处理。

第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式中的数据处理方法。

第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的数据处理方法。

第五方面，本公开实施例还提供了一种计算机程序产品，该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程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的数据处理方法。

本公开实施例中的数据处理方案，包括设置面向单元重合度的第一阈值和第二阈值，所述单元重合度用于表征预测网络对于目标对象产生的多个预测区域的重合度值，所述第二阈值大于所述第一阈值；在所述预测网络的结构之上，设置非极大值抑制分支网络，所述非极大值抑制分支网络内设置有非极大值抑制策略；利用所述预测网络对图像上存在的目标对象进行预测，得到针对所述目标对象的第一预测区域和第二预测区域；当所述第一预测区域与所述第二预测区域的单元重合度小于所述第一阈值或大于所述第二阈值时，利用所述非极大值抑制分支网络中设置的非极大值抑制策略对所述第一预测区域和所述第二预测区域进行数据处理。通过本公开的方案，能够基于单元重合度对预测区域进行处理，提高了预测区域数据处理的准确性。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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它的附图。

图1为本公开实施例提供的一种数据处理流程示意图；

图2为本公开实施例提供的一种数据处理网络的示意图；

图3为本公开实施例提供的另一种数据处理流程示意图；

图4为本公开实施例提供的另一种数据处理流程示意图；

图5为本公开实施例提供的数据处理装置结构示意图；

图6为本公开实施例提供的电子设备示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

本公开实施例提供一种数据处理方法。本实施例提供的数据处理方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。

参见图1，本公开实施例提供的一种数据处理方法，包括如下步骤：

S101，设置面向单元重合度的第一阈值和第二阈值，所述单元重合度用于表征预测网络对于目标对象产生的多个预测区域的重合度值，所述第二阈值大于所述第一阈值。

为了能够对图像上存在的目标对象进行预测，构建基于神经网络模型的预测网络，参见图2，神经网络模型包括卷积层、池化层、采样层和全连接层。

卷积层主要参数包括卷积核的大小和输入特征图的数量，每个卷积层可以包含若干个相同大小的特征图，同一层特征值采用共享权值的方式，每层内的卷积核大小一致。卷积层对输入图像进行卷积计算，并提取输入图像的布局特征。

卷积层的特征提取层后面都可以与采样层连接，采样层用来求输入图像的局部平均值并进行二次特征提取，通过将采样层与卷积层连接，能够保证神经网络模型对于输入图像具有较好的鲁棒性。

为了加快神经网络模型的训练速度，在卷积层后面还设置有池化层，池化层采用最大池化的方式对卷积层的输出结果进行处理，能够更好的提取输入图像的不变性特征。

全连接层将经过多个卷积层和池化层的图像特征图中的特征进行整合，获取输入图像特征具有的分类特征，以用于图像分类。在神经网络模型中，全连接层将卷积层产生的特征图映射成一个固定长度的特征向量。该特征向量包含了输入图像所有特征的组合信息，该特征向量将图像中含有最具有特点的图像特征保留了下来以完成图像分类任务。这样一来便可以基于全连接层对目标对象存在的区域进行检测。

目标对象可以是图像上存在的一个人或物体，也可以是人体的一个组成部分(例如，脸部)，对于图像上任一目标对象的预测均可以通过预测区域的形式来进行表示。同时，基于不同的预测置信度，同一个目标对象也会存在多个预测区域，这样以来，对于存在多个目标对象的图像而言，就会存在多个预测区域，多个预测区域之前会存在重合的情况。对于两个预测区域a和b这2个预测单元而言，预测区域a的面积为ma，预测区域b的面积为mb，预测区域a和b之间的重合区域的面积是mc，则定义a与b之间的单元重合度＝mc/(ma+mb-mc)。单元重合度是介于0和1之间的值，其描述了两个预测区域重合的程度，当单元重合度值较大时，此时会无法区分重合的区域是来源于不同目标对象的预测还是来源于同一对象的预测。

基于此，设置针对单元重合度的第一阈值和第二阈值，通过设置第一阈值和第二阈值，能够基于实际的需要对重合度进行区分，基于不同的重合度来执行相应的预测区域处理策略，从而能够更加精细化的进行预测区域处理。

S102，在所述预测网络的结构之上，设置非极大值抑制分支网络，所述非极大值抑制分支网络内设置有非极大值抑制策略。

预测网络由多个层组成，其中包括对目标对象的预测区域进行预测的预测层(例如，全连接层)，为此，在该预测网络的预测层之后，设置能够进行非极大值抑制进行学习的非极大值抑制分支网络。这样一来，对于预测网络产生的预测区域，非极大值抑制分支网络能够通过内置的非极大值抑制策略对预测区域进行筛选。

与预测网络的结构类似，非极大值抑制策略也可以基于神经网络模型进行构建，示例性的，该神经网络模型包括卷积层、池化层、采样层和全连接层。

卷积层主要参数包括卷积核的大小和输入特征图的数量，每个卷积层可以包含若干个相同大小的特征图，同一层特征值采用共享权值的方式，每层内的卷积核大小一致。卷积层对输入的包含多个预测区域的图像进行卷积计算，并提取输入图像的布局特征。

卷积层的特征提取层后面都可以与采样层连接，采样层用来求输入图像的局部平均值并进行二次特征提取，通过将采样层与卷积层连接，能够保证神经网络模型对于输入图像具有较好的鲁棒性。

为了加快神经网络模型的训练速度，在卷积层后面还设置有池化层，池化层采用最大池化的方式对卷积层的输出结果进行处理，能够更好的提取输入图像的不变性特征。

全连接层将经过多个卷积层和池化层的图像特征图中的特征进行整合，获取输入图像特征具有的分类特征，以用于图像分类。在神经网络模型中，全连接层将卷积层产生的特征图映射成一个固定长度的特征向量。该特征向量包含了输入图像所有特征的组合信息，该特征向量将图像中含有最具有特点的图像特征保留了下来以完成图像分类任务。这样一来便可以基于全连接层对多个预测区域进行选择。

S103，利用所述预测网络对图像上存在的目标对象进行预测，得到针对所述目标对象的第一预测区域和第二预测区域。

基于预测网络，可以采用多种方式对目标对象进行目标检测，基于目标检测的结果，获得针对目标对象的第一预测区域和第二预测区域。例如，可以采用滑动窗口的方式对目标对象进行预测。在实施的过程中，首先选定一个特定大小的窗口，将窗口内的图片输入到预测模型中进行预测，之后以固定步幅滑动该窗口，遍历图像的每个区域，对窗内的各个小图不断输入到预测模型中进行预测。接下来，选取一个更大的窗口，再次遍历图像的每个区域，对区域内是否有目标对象进行预测，遍历整个图像，可以保证在每个位置都能检测到是否有目标对象。

通过对图像上存在的目标对象进行遍历检测，能够得到多个与目标对象相关的预测区域，从多个预测区域中选择置信度大于预设阈值的预测区域，形成第一预测区域和第二预测区域。

S104，当所述第一预测区域与所述第二预测区域的单元重合度小于所述第一阈值或大于所述第二阈值时，利用所述非极大值抑制分支网络中设置的非极大值抑制策略对所述第一预测区域和所述第二预测区域进行数据处理。

获取到第一预测区域和第二预测区域之后，可以计算第一预测区域和第二预测区域的单元重合度。将计算得出的单元重合度和预设的第一阈值和第二阈值进行比较，可以进一步的对第一预测区域和第二预测区域的类型进行分类。

具体的，当所述第一预测区域与所述第二预测区域的单元重合度小于所述第一阈值或大于所述第二阈值时，此时第一预测区域和第二预测区域的属于重合度过大或过小的情况，针对这种情况，可以通过预先设置的在非极大值抑制分支网络中设置的非极大值抑制策略对所述第一预测区域和所述第二预测区域进行识别，判断出第一预测区域和第二预测区域是属于一个目标对象的预测区域还是两个目标对象的预测区域。

通过步骤S101-S104中的方案，基于预先设置第一阈值和第二阈值，能够自动的基于单元重合度的值来判断预测单元的重合类型，从而指定相应的处理策略，提高了预测区域类型判断的准确性。

根据本公开实施例的一种具体实现方式，参见图3，步骤S103之后，所述方法还可包括如下步骤：

S301，当所述第一预测区域与所述第二预测区域的单元重合度介于所述第一阈值和所述第二阈值之间时，获取所述第一预测区域和所述第二预测区域的交集。

当非极大值抑制分支网络中设置的非极大值抑制策略对所述第一预测区域和所述第二预测区域时，此时无法明显的判断第一预测区域和第二预测区域属于同一个目标对象还是属于不同的目标对象，此时可以进一步获取第一预测区域和第二预测区域交集部分的图像数据。

S302，利用标记数据判断所述交集属于遮挡数据还是所述目标对象的整体数据。

标记数据是训练样本中针对不同目标对象所属的区域的标记数据，通过标记数据能够进一步的判断交集属于遮挡数据还是所述目标对象的整体数据。

S303，将所述交集数据输入到所述非极大值抑制分支网络中，用于进行基于非极大值抑制策略的训练。

在判断出交集数据属于遮挡数据还是目标对象的整体数据之后，可以将该判断结果及所述交集数据作为非极大值抑制分支网络的训练数据，用于进行基于非极大值抑制策略的训练。

可以采用多种方式来设置第一阈值和第二阈值，参见图4，根据本公开实施例的一种具体实现方式，设置面向单元重合度的第一阈值和第二阈值，可以包括：

S401，获取历史训练记录中单元重合度集合。

通过获取预测网络历史训练记录中对于目标对象的预测区域，可以获取历史记录中的单元重合度集合。

S402，对所述单元重合度集合进行聚类计算。

获得单元重合度集合之后，可以采用聚类算计对单元重合度值进行聚类计算，例如，可以采用常见的k-means算法对单元聚合度集合中的数据进行聚类计算，聚类完成之后，可以得到多个聚类值。

S403，基于所述聚类计算的结果，确定所述单元重合度的第一阈值和第二阈值。

根据最终的聚类结果，可以从多个聚类值中选择2个典型值作为第一阈值和第二阈值。例如，选择聚类结果中的最小值和最大值作为第一阈值和第二阈值。

根据本公开实施例的一种具体实现方式，所述在所述预测网络的结构之上，设置非极大值抑制分支网络，包括：在所述预测网络的全连接层之后设置所述非极大值抑制分支网络，所述非极大值抑制分支网络用以接收所述全连接层的预测结果。

根据本公开实施例的一种具体实现方式，所述利用所述预测网络对图像上存在的目标对象进行预测，得到针对所述目标对象的第一预测区域和第二预测区域，包括：选定一个预设大小的检测窗，将检测窗内的包含目标对象的图像输入到预测网络中进行预测；以固定步幅滑动所述检测窗，遍历图像的每个区域，对检测窗内包含的图像输入到所述预测网络中进行预测；改变所述检测窗的尺寸大小，再次遍历图像的每个区域，对区域内是否有目标对象进行预测；经过多次遍历所述图像，获得多个包含目标对象的检测窗；从所述多个检测窗中确定针对所述目标对象的第一预测区域和第二预测区域。

在基于多个检测窗确定预测区域的过程中，作为一个例子，可以首先获取所述多个检测窗对应的多个预测概率，然后选择所述多个预测概率中选择符合预设策略的两个概率值所述对应的两个检测窗，最后将所述两个检测窗对应的预测区域分别设定为第一预测区域和第二预测区域。

在利用所述非极大值抑制分支网络中设置的非极大值抑制策略对所述第一预测区域和所述第二预测区域进行数据处理的过程中，可以先获取所述第一预测区域和所述第二预测区域分别对应的预测概率，基于所述预测概率，从所述第一预测区域和所述第二预测区域中确定需要进行抑制处理的预测区域。

与上面的方法实施例相对应，参见图5，本公开实施例提供了一种数据处理装置50，包括：

获取模块501，用于设置面向单元重合度的第一阈值和第二阈值，所述单元重合度用于表征预测网络对于目标对象产生的多个预测区域的重合度值，所述第二阈值大于所述第一阈值。

为了能够对图像上存在的目标对象进行预测，构建基于神经网络模型的预测网络，参见图2，神经网络模型包括卷积层、池化层、采样层和全连接层。

卷积层主要参数包括卷积核的大小和输入特征图的数量，每个卷积层可以包含若干个相同大小的特征图，同一层特征值采用共享权值的方式，每层内的卷积核大小一致。卷积层对输入图像进行卷积计算，并提取输入图像的布局特征。

卷积层的特征提取层后面都可以与采样层连接，采样层用来求输入图像的局部平均值并进行二次特征提取，通过将采样层与卷积层连接，能够保证神经网络模型对于输入图像具有较好的鲁棒性。

为了加快神经网络模型的训练速度，在卷积层后面还设置有池化层，池化层采用最大池化的方式对卷积层的输出结果进行处理，能够更好的提取输入图像的不变性特征。

全连接层将经过多个卷积层和池化层的图像特征图中的特征进行整合，获取输入图像特征具有的分类特征，以用于图像分类。在神经网络模型中，全连接层将卷积层产生的特征图映射成一个固定长度的特征向量。该特征向量包含了输入图像所有特征的组合信息，该特征向量将图像中含有最具有特点的图像特征保留了下来以完成图像分类任务。这样一来便可以基于全连接层对目标对象存在的区域进行检测。

目标对象可以是图像上存在的一个人或物体，也可以是人体的一个组成部分(例如，脸部)，对于图像上任一目标对象的预测均可以通过预测区域的形式来进行表示。同时，基于不同的预测置信度，同一个目标对象也会存在多个预测区域，这样以来，对于存在多个目标对象的图像而言，就会存在多个预测区域，多个预测区域之前会存在重合的情况。对于两个预测区域a和b这2个预测单元而言，预测区域a的面积为ma，预测区域b的面积为mb，预测区域a和b之间的重合区域的面积是mc，则定义a与b之间的单元重合度＝mc/(ma+mb-mc)。单元重合度是介于0和1之间的值，其描述了两个预测区域重合的程度，当单元重合度值较大时，此时会无法区分重合的区域是来源于不同目标对象的预测还是来源于同一对象的预测。

基于此，设置针对单元重合度的第一阈值和第二阈值，通过设置第一阈值和第二阈值，能够基于实际的需要对重合度进行区分，基于不同的重合度来执行相应的预测区域处理策略，从而能够更加精细化的进行预测区域处理。

设置模块502，用于在所述预测网络的结构之上，设置非极大值抑制分支网络，所述非极大值抑制分支网络内设置有非极大值抑制策略。

预测网络由多个层组成，其中包括对目标对象的预测区域进行预测的预测层(例如，全连接层)，为此，在该预测网络的预测层之后，设置能够进行非极大值抑制进行学习的非极大值抑制分支网络。这样一来，对于预测网络产生的预测区域，非极大值抑制分支网络能够通过内置的非极大值抑制策略对预测区域进行筛选。

与预测网络的结构类似，非极大值抑制策略也可以基于神经网络模型进行构建，示例性的，该神经网络模型包括卷积层、池化层、采样层和全连接层。

卷积层主要参数包括卷积核的大小和输入特征图的数量，每个卷积层可以包含若干个相同大小的特征图，同一层特征值采用共享权值的方式，每层内的卷积核大小一致。卷积层对输入的包含多个预测区域的图像进行卷积计算，并提取输入图像的布局特征。

卷积层的特征提取层后面都可以与采样层连接，采样层用来求输入图像的局部平均值并进行二次特征提取，通过将采样层与卷积层连接，能够保证神经网络模型对于输入图像具有较好的鲁棒性。

为了加快神经网络模型的训练速度，在卷积层后面还设置有池化层，池化层采用最大池化的方式对卷积层的输出结果进行处理，能够更好的提取输入图像的不变性特征。

全连接层将经过多个卷积层和池化层的图像特征图中的特征进行整合，获取输入图像特征具有的分类特征，以用于图像分类。在神经网络模型中，全连接层将卷积层产生的特征图映射成一个固定长度的特征向量。该特征向量包含了输入图像所有特征的组合信息，该特征向量将图像中含有最具有特点的图像特征保留了下来以完成图像分类任务。这样一来便可以基于全连接层对多个预测区域进行选择。

预测模块503，用于利用所述预测网络对图像上存在的目标对象进行预测，得到针对所述目标对象的第一预测区域和第二预测区域。

基于预测网络，可以采用多种方式对目标对象进行目标检测，基于目标检测的结果，获得针对目标对象的第一预测区域和第二预测区域。例如，可以采用滑动窗口的方式对目标对象进行预测。在实施的过程中，首先选定一个特定大小的窗口，将窗口内的图片输入到预测模型中进行预测，之后以固定步幅滑动该窗口，遍历图像的每个区域，对窗内的各个小图不断输入到预测模型中进行预测。接下来，选取一个更大的窗口，再次遍历图像的每个区域，对区域内是否有目标对象进行预测，遍历整个图像，可以保证在每个位置都能检测到是否有目标对象。

通过对图像上存在的目标对象进行遍历检测，能够得到多个与目标对象相关的预测区域，从多个预测区域中选择置信度大于预设阈值的预测区域，形成第一预测区域和第二预测区域。

执行模块504，用于当所述第一预测区域与所述第二预测区域的单元重合度小于所述第一阈值或大于所述第二阈值时，利用所述非极大值抑制分支网络中设置的非极大值抑制策略对所述第一预测区域和所述第二预测区域进行数据处理。

获取到第一预测区域和第二预测区域之后，可以计算第一预测区域和第二预测区域的单元重合度。将计算得出的单元重合度和预设的第一阈值和第二阈值进行比较，可以进一步的对第一预测区域和第二预测区域的类型进行分类。

具体的，当所述第一预测区域与所述第二预测区域的单元重合度小于所述第一阈值或大于所述第二阈值时，此时第一预测区域和第二预测区域的属于重合度过大或过小的情况，针对这种情况，可以通过预先设置的在非极大值抑制分支网络中设置的非极大值抑制策略对所述第一预测区域和所述第二预测区域进行识别，判断出第一预测区域和第二预测区域是属于一个目标对象的预测区域还是两个目标对象的预测区域。

图5所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。

参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中数据处理方法。

本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中。

本公开实施例还提供了一种计算机程序产品，该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程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的数据处理方法。

下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种数据处理方法，其特征在于，包括：

设置面向单元重合度的第一阈值和第二阈值，所述单元重合度用于表征预测网络对于目标对象产生的多个预测区域的重合度值，所述第二阈值大于所述第一阈值；

在所述预测网络的结构之上，设置非极大值抑制分支网络，所述非极大值抑制分支网络内设置有非极大值抑制策略；

利用所述预测网络对图像上存在的目标对象进行预测，得到针对所述目标对象的第一预测区域和第二预测区域；

当所述第一预测区域与所述第二预测区域的单元重合度小于所述第一阈值或大于所述第二阈值时，利用所述非极大值抑制分支网络中设置的非极大值抑制策略对所述第一预测区域和所述第二预测区域进行数据处理；其中，

所述利用所述预测网络对图像上存在的目标对象进行预测，得到针对所述目标对象的第一预测区域和第二预测区域，包括：

选定一个预设大小的检测窗，将检测窗内的包含目标对象的图像输入到预测网络中进行预测；

以固定步幅滑动所述检测窗，遍历图像的每个区域，对检测窗内包含的图像输入到所述预测网络中进行预测；

改变所述检测窗的尺寸大小，再次遍历图像的每个区域，对区域内是否有目标对象进行预测；

经过多次遍历所述图像，获得多个包含目标对象的检测窗；

从所述多个包含目标对象的检测窗中确定针对所述目标对象的第一预测区域和第二预测区域；

所述利用所述预测网络对图像上存在的目标对象进行预测，得到针对所述目标对象的第一预测区域和第二预测区域之后，所述方法还包括：

当所述第一预测区域与所述第二预测区域的单元重合度介于所述第一阈值和所述第二阈值之间时，获取所述第一预测区域和所述第二预测区域的交集；

利用标记数据判断所述交集属于遮挡数据还是所述目标对象的整体数据。

2.根据权利要求1所述的方法，其特征在于，所述利用标记数据判断所述交集属于遮挡数据还是所述目标对象的整体数据之后，所述方法还包括：

将所述交集输入到所述非极大值抑制分支网络中，用于进行基于非极大值抑制策略的训练。

3.根据权利要求1所述的方法，其特征在于，所述设置面向单元重合度的第一阈值和第二阈值，包括：

获取历史训练记录中单元重合度集合；

对所述单元重合度集合进行聚类计算；

基于所述聚类计算的结果，确定所述单元重合度的第一阈值和第二阈值。

4.根据权利要求1所述的方法，其特征在于，所述在所述预测网络的结构之上，设置非极大值抑制分支网络，包括：

在所述预测网络的全连接层之后设置所述非极大值抑制分支网络，所述非极大值抑制分支网络用以接收所述全连接层的预测结果。

5.根据权利要求1所述的方法，其特征在于，所述从所述多个包含目标对象的检测窗中确定针对所述目标对象的第一预测区域和第二预测区域，包括：

获取所述多个包含目标对象的检测窗对应的多个预测概率；

选择所述多个预测概率中符合预设策略的两个概率值所对应的两个检测窗；

将所述两个检测窗对应的预测区域分别设定为第一预测区域和第二预测区域。

6.根据权利要求1所述的方法，其特征在于，所述利用所述非极大值抑制分支网络中设置的非极大值抑制策略对所述第一预测区域和所述第二预测区域进行数据处理，包括：

获取所述第一预测区域和所述第二预测区域分别对应的预测概率；

基于所述预测概率，从所述第一预测区域和所述第二预测区域中确定需要进行抑制处理的预测区域。

7.一种数据处理装置，其特征在于，包括：

获取模块，用于设置面向单元重合度的第一阈值和第二阈值，所述单元重合度用于表征预测网络对于目标对象产生的多个预测区域的重合度值，所述第二阈值大于所述第一阈值；

设置模块，用于在所述预测网络的结构之上，设置非极大值抑制分支网络，所述非极大值抑制分支网络内设置有非极大值抑制策略；

预测模块，用于利用所述预测网络对图像上存在的目标对象进行预测，得到针对所述目标对象的第一预测区域和第二预测区域；

执行模块，用于当所述第一预测区域与所述第二预测区域的单元重合度小于所述第一阈值或大于所述第二阈值时，利用所述非极大值抑制分支网络中设置的非极大值抑制策略对所述第一预测区域和所述第二预测区域进行数据处理；其中

所述预测模块还用于：

选定一个预设大小的检测窗，将检测窗内的包含目标对象的图像输入到预测网络中进行预测；

以固定步幅滑动所述检测窗，遍历图像的每个区域，对检测窗内包含的图像输入到所述预测网络中进行预测；

改变所述检测窗的尺寸大小，再次遍历图像的每个区域，对区域内是否有目标对象进行预测；

经过多次遍历所述图像，获得多个包含目标对象的检测窗；

从所述多个包含目标对象的检测窗中确定针对所述目标对象的第一预测区域和第二预测区域；

当所述第一预测区域与所述第二预测区域的单元重合度介于所述第一阈值和所述第二阈值之间时，获取所述第一预测区域和所述第二预测区域的交集。

8.一种电子设备，其特征在于，所述电子设备包括：

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前述权利要求1-6任一项所述的数据处理方法。

9.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-6任一项所述的数据处理方法。

Images