CN110390291A - 数据处理方法、装置及电子设备 - Google Patents

数据处理方法、装置及电子设备 Download PDF

Info

Publication number
CN110390291A
CN110390291A CN201910647749.8A CN201910647749A CN110390291A CN 110390291 A CN110390291 A CN 110390291A CN 201910647749 A CN201910647749 A CN 201910647749A CN 110390291 A CN110390291 A CN 110390291A
Authority
CN
China
Prior art keywords
prediction network
prediction
network
training
input
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910647749.8A
Other languages
English (en)
Other versions
CN110390291B (zh
Inventor
喻冬东
王长虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Douyin Vision Co Ltd
Douyin Vision Beijing Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN201910647749.8A priority Critical patent/CN110390291B/zh
Publication of CN110390291A publication Critical patent/CN110390291A/zh
Application granted granted Critical
Publication of CN110390291B publication Critical patent/CN110390291B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

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：设置具有相同结构且共享权重参数的第一预测网络和第二预测网络，所述第一预测网络和所述第二预测网络具有多个层级；分别将包含真实目标对象的第一训练样本和包含虚拟目标对象的第二训练样本输入到所述第一预测网络和所述第二预测网络中；利用鉴别网络对所述第一预测网络和所述第二预测网络中间层级产生的关键点预测特征图进行鉴别，得到用于训练第二预测网络的鉴别结果；利用训练完成之后的第二预测网络，对输入的包含虚拟目标对象的输入图像进行关键点预测。通过本公开的处理方案，能够准确的预测不同类型目标对象的关键点数据。

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
图像处理(image processing)又称为影像处理，是用计算机对图像进行达到所需结果的技术。起源于20世纪20年代，一般为数字图像处理。图像处理技术的主要内容包括图像压缩、增强复原、匹配描述识别3个部分，常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。图像处理是利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为，应用广泛，多用于测绘学、大气科学、天文学、美图、使图像提高辨识等。
图像处理的一个应用场景便是对输入图像中的目标人物进行关键点预测，由于训练样本的差异，对于不同类型的目标人物的关键点预测会产生差异，如何利用不同的训练样本，得到针对不同类型的目标人物预测结果相近的结果，成为需要解决的技术问题。
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：
设置具有相同结构且共享权重参数的第一预测网络和第二预测网络，所述第一预测网络和所述第二预测网络具有多个层级；
分别将包含真实目标对象的第一训练样本和包含虚拟目标对象的第二训练样本输入到所述第一预测网络和所述第二预测网络中；
利用鉴别网络对所述第一预测网络和所述第二预测网络中间层级产生的关键点预测特征图进行鉴别，得到用于训练第二预测网络的鉴别结果，所述鉴别结果用于训练所述第二预测网络，使得所述第一预测网络与所述第二预测网络对所述第一训练样本和所述第二训练样本中的包含的目标具有相同的预测性能；
利用训练完成之后的第二预测网络，对输入的包含虚拟目标对象的输入图像进行关键点预测。
根据本公开实施例的一种具体实现方式，所述设置具有相同结构且共享权重参数的第一预测网络和第二预测网络，包括：
在所述第一预测网络和所述第二预测网络中设置多个卷积层，所述多个卷积层在所述第一预测网络和所述第二预测网络中具有相同的卷积核大小及卷积核个数。
根据本公开实施例的一种具体实现方式，所述设置具有相同结构且共享权重参数的第一预测网络和第二预测网络，包括：
分别在所述第一预测网络和所述第二预测网络中设置相同的激活函数。
根据本公开实施例的一种具体实现方式，所述分别将包含真实目标对象的第一训练样本和包含虚拟目标对象的第二训练样本输入到所述第一预测网络和所述第二预测网络中，包括：
分别将所述第一训练样本和所述第二训练样本中的图像进行矩阵化处理，得到第一矩阵集合和第二矩阵集合；
将所述第一矩阵集合和所述第二矩阵集合分别输入到所述第一预测网络的输入层和所述第二预测网络的输入层。
根据本公开实施例的一种具体实现方式，所述分别将包含真实目标对象的第一训练样本和包含虚拟目标对象的第二训练样本输入到所述第一预测网络和所述第二预测网络中之后，所述方法包括：
利用所述第一预测网络和所述第二预测网络中设置的激活函数，在所述第一预测网络和所述第二预测网络的卷积层中对所述第一训练样本和所述第二训练样本中的图像进行处理。
根据本公开实施例的一种具体实现方式，所述利用鉴别网络对所述第一预测网络和所述第二预测网络中间层级产生的关键点预测特征图进行鉴别，包括：
利用所述鉴别网络，获取所述第一预测网络和所述第二预测网络中间层级产生的关键点预测特征图；
对所述第一预测网络产生的关键点预测特征图和所述第二预测网络产生的关键点预测特征图进行相似度计算；
基于所述相似度计算的结果，得到用于训练第二预测网络的鉴别结果。
根据本公开实施例的一种具体实现方式，所述对所述第一预测网络产生的关键点预测特征图和所述第二预测网络产生的关键点预测特征图进行相似度计算，包括：
分别获取所述第一预测网络产生的关键点预测特征图的第一重心坐标和所述第二预测网络中间层级产生的关键点预测特征图的第二重心坐标；
计算所述第一重心坐标和所述第二重心坐标之间的距离；
基于所述第一重心坐标和所述第二重心坐标之间的距离，确定所述第一预测网络产生的关键点预测特征图和所述第二预测网络产生的关键点预测特征图之间的相似度。
根据本公开实施例的一种具体实现方式，所述利用训练完成之后的第二预测网络，对输入的包含虚拟目标对象的输入图像进行关键点预测，包括：
利用所述第一预测网络和所述第二预测网络之间的共享权重参数，对输入到所述第二预测网络的输入图像进行关键点预测。
第二方面，本公开实施例提供了一种数据处理装置，包括：
设置模块，用于设置具有相同结构且共享权重参数的第一预测网络和第二预测网络，所述第一预测网络和所述第二预测网络具有多个层级；
输入模块，用于分别将包含真实目标对象的第一训练样本和包含虚拟目标对象的第二训练样本输入到所述第一预测网络和所述第二预测网络中；
鉴别模块，用于利用鉴别网络对所述第一预测网络和所述第二预测网络中间层级产生的关键点预测特征图进行鉴别，得到用于训练第二预测网络的鉴别结果，所述鉴别结果用于训练所述第二预测网络，使得所述第一预测网络与所述第二预测网络对所述第一训练样本和所述第二训练样本中的包含的目标具有相同的预测性能；
预测模块，用于利用训练完成之后的第二预测网络，对输入的包含虚拟目标对象的输入图像进行关键点预测。
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，包括设置具有相同结构且共享权重参数的第一预测网络和第二预测网络，所述第一预测网络和所述第二预测网络具有多个层级；分别将包含真实目标对象的第一训练样本和包含虚拟目标对象的第二训练样本输入到所述第一预测网络和所述第二预测网络中；利用鉴别网络对所述第一预测网络和所述第二预测网络中间层级产生的关键点预测特征图进行鉴别，得到用于训练第二预测网络的鉴别结果，所述鉴别结果用于训练所述第二预测网络，使得所述第一预测网络与所述第二预测网络对所述第一训练样本和所述第二训练样本中的包含的目标具有相同的预测性能；利用训练完成之后的第二预测网络，对输入的包含虚拟目标对象的输入图像进行关键点预测。通过本公开的方案，能够准确的预测不同类型目标对象的关键点数据。
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另一种数据处理流程示意图；
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一种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，设置具有相同结构且共享权重参数的第一预测网络和第二预测网络，所述第一预测网络和所述第二预测网络具有多个层级。
本公开中的数据处理的对象可以是包含目标对象图像，目标对象可以是人、动物以及其他具有特定形状的物体。作为一个应用场景，便是通过对包含目标对象的图像进行预测，得到目标对象的关键点。
在实际针对关键点进行预测的过程中，针对不同类型的目标对象，其预测结果会产生区别，为此，可以设置具有相同结构且共享权重参数的第一预测网络和第二预测网络，第一预测网络和第二预测网络可以分别基于CNN卷积神经网络模型来构造，作为一个例子，参见图2，卷积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，采样层用来求输入表情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。
为了能够对输入图像进行有效的预测，可以将第一预测网络和第二预测网络设置为具有相同结构且共享权重参数。权重参数可以是输入图片的尺寸、卷积核大小及配置、卷积核种类以及输出特征图大小等，也可以是卷积神经网络中的其他参数。
S102，分别将包含真实目标对象的第一训练样本和包含虚拟目标对象的第二训练样本输入到所述第一预测网络和所述第二预测网络中。
同样的卷积神经网络在对不同类型的目标对象的关键点进行预测时，会由于目标对象的类型不同而导致预测的结果存在差异。作为一个情形，同一个基于卷积神经网络的预测网络，分别对真实目标和虚拟目标进行关键点预测时，会由于二者类型的不同而导致预测的关键点数据存在较大的差异。真实目标对象可以是真实的人，虚拟目标对象可以是一个虚拟的人物(例如，通过虚拟技术合成的人物)。
为了保证预测网络能够对虚拟目标对象的预测结果接近真实目标对象的预测结果，可以分别设置第一训练样本和第二训练样本，第一训练样本中的图像为真实目标对象的图像，第二训练样本中的图像为虚拟目标对象的图像。在对网络进行训练的过程中，可以分别将包含真实目标对象的第一训练样本和包含虚拟目标对象的第二训练样本输入到所述第一预测网络和所述第二预测网络中。具体的，可以分别将所述第一训练样本和所述第二训练样本中的图像进行矩阵化处理，得到第一矩阵集合和第二矩阵集合，将所述第一矩阵集合和所述第二矩阵集合分别输入到所述第一预测网络的输入层和所述第二预测网络的输入层。
S103，利用鉴别网络对所述第一预测网络和所述第二预测网络中间层级产生的关键点预测特征图进行鉴别，得到用于训练第二预测网络的鉴别结果，所述鉴别结果用于训练所述第二预测网络，使得所述第一预测网络与所述第二预测网络对所述第一训练样本和所述第二训练样本中的包含的目标具有相同的预测性能。
第一预测网络和第二预测网络在对输入的训练样本进行数据处理的过程中，需要通过鉴别网络(例如，GAN网络)来对中间结果进行鉴别，判断第一预测网络和第二预测网络产生的中间计算数据是否相同或类似，从而为进一步的训练第二预测网络提供依据。
具体的，可以利用鉴别网络对所述第一预测网络和所述第二预测网络中间层级产生的关键点预测特征图进行鉴别，利用所述鉴别网络，获取所述第一预测网络和所述第二预测网络中间层级产生的关键点预测特征图，通过获取预测特征图，可以对所述第一预测网络产生的关键点预测特征图和所述第二预测网络产生的关键点预测特征图进行相似度计算，最后基于所述相似度计算的结果，得到用于训练第二预测网络的鉴别结果。
可以采用多种方式对相似度进行计算，作为一种方式，可以分别获取所述第一预测网络产生的关键点预测特征图的第一重心坐标和所述第二预测网络中间层级产生的关键点预测特征图的第二重心坐标，通过计算所述第一重心坐标和所述第二重心坐标之间的距离(例如欧式距离)，可以基于计算得到的距离值，确定所述第一预测网络产生的关键点预测特征图和所述第二预测网络产生的关键点预测特征图之间的相似度。
上面得到的相似度值可以作为鉴别结果来训练第二预测网络，当相似度值大时，说明第一预测网络和第二预测网络得到的预测结果类似，此时可以不用对第二预测网络中的参数进行调整，当相似度值小时，说明说明第一预测网络和第二预测网络得到的预测结果差异较大，此时可以调整第二预测网络的参数值，直到后续迭代训练中第一预测网络和第二预测网络中的相似度值较大(例如，大于预设阈值)为止。
S104，利用训练完成之后的第二预测网络，对输入的包含虚拟目标对象的输入图像进行关键点预测。
通过第一训练样本和第二训练样本对第一预测网络和第二预测网络进行训练之后，可以基于训练后的第二预测网络对输入的包含虚拟目标对象的输入图像进行关键点预测。从而保证了对虚拟目标对象关键点预测的准确性。
根据本公开实施例的一种可选实现方式，设置具有相同结构且共享权重参数的第一预测网络和第二预测网络，可以在所述第一预测网络和所述第二预测网络中设置多个卷积层，所述多个卷积层在所述第一预测网络和所述第二预测网络中具有相同的卷积核大小及卷积核个数。
根据本公开实施例的一种可选实现方式，设置具有相同结构且共享权重参数的第一预测网络和第二预测网络，可以分别在所述第一预测网络和所述第二预测网络中设置相同的激活函数。
参见图3，根据本公开实施例的一种可选实现方式，分别将包含真实目标对象的第一训练样本和包含虚拟目标对象的第二训练样本输入到所述第一预测网络和所述第二预测网络中，可以包括如下步骤：
S301，分别将所述第一训练样本和所述第二训练样本中的图像进行矩阵化处理，得到第一矩阵集合和第二矩阵集合；
S302，将所述第一矩阵集合和所述第二矩阵集合分别输入到所述第一预测网络的输入层和所述第二预测网络的输入层。
根据本公开实施例的一种可选实现方式，分别将包含真实目标对象的第一训练样本和包含虚拟目标对象的第二训练样本输入到所述第一预测网络和所述第二预测网络中之后，还可以利用所述第一预测网络和所述第二预测网络中设置的激活函数，在所述第一预测网络和所述第二预测网络的卷积层中对所述第一训练样本和所述第二训练样本中的图像进行处理。
根据本公开实施例的一种可选实现方式，参见图4，利用鉴别网络对所述第一预测网络和所述第二预测网络中间层级产生的关键点预测特征图进行鉴别，可以包括如下步骤：
S401，利用所述鉴别网络，获取所述第一预测网络和所述第二预测网络中间层级产生的关键点预测特征图。
S402，对所述第一预测网络产生的关键点预测特征图和所述第二预测网络产生的关键点预测特征图进行相似度计算。
具体的，可以分别获取所述第一预测网络产生的关键点预测特征图的第一重心坐标和所述第二预测网络中间层级产生的关键点预测特征图的第二重心坐标，通过计算所述第一重心坐标和所述第二重心坐标之间的距离，来进一步的确定所述第一预测网络产生的关键点预测特征图和所述第二预测网络产生的关键点预测特征图之间的相似度。
S403，基于所述相似度计算的结果，得到用于训练第二预测网络的鉴别结果。
上面得到的相似度值可以作为鉴别结果来训练第二预测网络，当相似度值大时，说明第一预测网络和第二预测网络得到的预测结果类似，此时可以不用对第二预测网络中的参数进行调整，当相似度值小时，说明说明第一预测网络和第二预测网络得到的预测结果差异较大，此时可以调整第二预测网络的参数值，直到后续迭代训练中第一预测网络和第二预测网络中的相似度值较大(例如，大于预设阈值)为止。
根据本公开实施例的一种可选实现方式，所述利用训练完成之后的第二预测网络，对输入的包含虚拟目标对象的输入图像进行关键点预测，包括：利用所述第一预测网络和所述第二预测网络之间的共享权重参数，对输入到所述第二预测网络的输入图像进行关键点预测。
与上面的方法实施例相对应，参见图5，本公开实施例还提供了一种数据处理装置50，包括：
设置模块501，用于设置具有相同结构且共享权重参数的第一预测网络和第二预测网络，所述第一预测网络和所述第二预测网络具有多个层级；
输入模块502，用于分别将包含真实目标对象的第一训练样本和包含虚拟目标对象的第二训练样本输入到所述第一预测网络和所述第二预测网络中；
鉴别模块503，用于利用鉴别网络对所述第一预测网络和所述第二预测网络中间层级产生的关键点预测特征图进行鉴别，得到用于训练第二预测网络的鉴别结果，所述鉴别结果用于训练所述第二预测网络，使得所述第一预测网络与所述第二预测网络对所述第一训练样本和所述第二训练样本中的包含的目标具有相同的预测性能；
预测模块504，用于利用训练完成之后的第二预测网络，对输入的包含虚拟目标对象的输入图像进行关键点预测。
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 (11)

1.一种数据处理方法，其特征在于，包括：
设置具有相同结构且共享权重参数的第一预测网络和第二预测网络，所述第一预测网络和所述第二预测网络具有多个层级；
分别将包含真实目标对象的第一训练样本和包含虚拟目标对象的第二训练样本输入到所述第一预测网络和所述第二预测网络中；
利用鉴别网络对所述第一预测网络和所述第二预测网络中间层级产生的关键点预测特征图进行鉴别，得到用于训练第二预测网络的鉴别结果，所述鉴别结果用于训练所述第二预测网络，使得所述第一预测网络与所述第二预测网络对所述第一训练样本和所述第二训练样本中的包含的目标具有相同的预测性能；
利用训练完成之后的第二预测网络，对输入的包含虚拟目标对象的输入图像进行关键点预测。
2.根据权利要求1所述的方法，其特征在于，所述设置具有相同结构且共享权重参数的第一预测网络和第二预测网络，包括：
在所述第一预测网络和所述第二预测网络中设置多个卷积层，所述多个卷积层在所述第一预测网络和所述第二预测网络中具有相同的卷积核大小及卷积核个数。
3.根据权利要求1所述的方法，其特征在于，所述设置具有相同结构且共享权重参数的第一预测网络和第二预测网络，包括：
分别在所述第一预测网络和所述第二预测网络中设置相同的激活函数。
4.根据权利要求1所述的方法，其特征在于，所述分别将包含真实目标对象的第一训练样本和包含虚拟目标对象的第二训练样本输入到所述第一预测网络和所述第二预测网络中，包括：
分别将所述第一训练样本和所述第二训练样本中的图像进行矩阵化处理，得到第一矩阵集合和第二矩阵集合；
将所述第一矩阵集合和所述第二矩阵集合分别输入到所述第一预测网络的输入层和所述第二预测网络的输入层。
5.根据权利要求1所述的方法，其特征在于，所述分别将包含真实目标对象的第一训练样本和包含虚拟目标对象的第二训练样本输入到所述第一预测网络和所述第二预测网络中之后，所述方法包括：
利用所述第一预测网络和所述第二预测网络中设置的激活函数，在所述第一预测网络和所述第二预测网络的卷积层中对所述第一训练样本和所述第二训练样本中的图像进行处理。
6.根据权利要求1所述的方法，其特征在于，所述利用鉴别网络对所述第一预测网络和所述第二预测网络中间层级产生的关键点预测特征图进行鉴别，包括：
利用所述鉴别网络，获取所述第一预测网络和所述第二预测网络中间层级产生的关键点预测特征图；
对所述第一预测网络产生的关键点预测特征图和所述第二预测网络产生的关键点预测特征图进行相似度计算；
基于所述相似度计算的结果，得到用于训练第二预测网络的鉴别结果。
7.根据权利要求1所述的方法，其特征在于，所述对所述第一预测网络产生的关键点预测特征图和所述第二预测网络产生的关键点预测特征图进行相似度计算，包括：
分别获取所述第一预测网络产生的关键点预测特征图的第一重心坐标和所述第二预测网络中间层级产生的关键点预测特征图的第二重心坐标；
计算所述第一重心坐标和所述第二重心坐标之间的距离；
基于所述第一重心坐标和所述第二重心坐标之间的距离，确定所述第一预测网络产生的关键点预测特征图和所述第二预测网络产生的关键点预测特征图之间的相似度。
8.根据权利要求1所述的方法，其特征在于，所述利用训练完成之后的第二预测网络，对输入的包含虚拟目标对象的输入图像进行关键点预测，包括：
利用所述第一预测网络和所述第二预测网络之间的共享权重参数，对输入到所述第二预测网络的输入图像进行关键点预测。
9.一种数据处理装置，其特征在于，包括：
设置模块，用于设置具有相同结构且共享权重参数的第一预测网络和第二预测网络，所述第一预测网络和所述第二预测网络具有多个层级；
输入模块，用于分别将包含真实目标对象的第一训练样本和包含虚拟目标对象的第二训练样本输入到所述第一预测网络和所述第二预测网络中；
鉴别模块，用于利用鉴别网络对所述第一预测网络和所述第二预测网络中间层级产生的关键点预测特征图进行鉴别，得到用于训练第二预测网络的鉴别结果，所述鉴别结果用于训练所述第二预测网络，使得所述第一预测网络与所述第二预测网络对所述第一训练样本和所述第二训练样本中的包含的目标具有相同的预测性能；
预测模块，用于利用训练完成之后的第二预测网络，对输入的包含虚拟目标对象的输入图像进行关键点预测。
10.一种电子设备，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任一权利要求1-8所述的数据处理方法。
11.一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任一权利要求1-8所述的数据处理方法。
CN201910647749.8A 2019-07-18 2019-07-18 数据处理方法、装置及电子设备 Active CN110390291B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910647749.8A CN110390291B (zh) 2019-07-18 2019-07-18 数据处理方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910647749.8A CN110390291B (zh) 2019-07-18 2019-07-18 数据处理方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN110390291A true CN110390291A (zh) 2019-10-29
CN110390291B CN110390291B (zh) 2021-10-08

Family

ID=68286659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910647749.8A Active CN110390291B (zh) 2019-07-18 2019-07-18 数据处理方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN110390291B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506717A (zh) * 2017-08-17 2017-12-22 南京东方网信网络科技有限公司 无约束场景中基于深度变换学习的人脸识别方法
CN108227931A (zh) * 2018-01-23 2018-06-29 北京市商汤科技开发有限公司 用于控制虚拟人物的方法、设备、系统、程序和存储介质
CN108596277A (zh) * 2018-05-10 2018-09-28 腾讯科技（深圳）有限公司 一种车辆身份识别方法、装置和存储介质
CN108875510A (zh) * 2017-11-28 2018-11-23 北京旷视科技有限公司 图像处理的方法、装置、系统及计算机存储介质
CN109214343A (zh) * 2018-09-14 2019-01-15 北京字节跳动网络技术有限公司 用于生成人脸关键点检测模型的方法和装置
CN109409382A (zh) * 2018-09-21 2019-03-01 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN109636886A (zh) * 2018-12-19 2019-04-16 网易（杭州）网络有限公司 图像的处理方法、装置、存储介质和电子装置
CN109934177A (zh) * 2019-03-15 2019-06-25 艾特城信息科技有限公司 行人再识别方法、系统及计算机可读存储介质
CN109961507A (zh) * 2019-03-22 2019-07-02 腾讯科技（深圳）有限公司 一种人脸图像生成方法、装置、设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506717A (zh) * 2017-08-17 2017-12-22 南京东方网信网络科技有限公司 无约束场景中基于深度变换学习的人脸识别方法
CN108875510A (zh) * 2017-11-28 2018-11-23 北京旷视科技有限公司 图像处理的方法、装置、系统及计算机存储介质
CN108227931A (zh) * 2018-01-23 2018-06-29 北京市商汤科技开发有限公司 用于控制虚拟人物的方法、设备、系统、程序和存储介质
CN108596277A (zh) * 2018-05-10 2018-09-28 腾讯科技（深圳）有限公司 一种车辆身份识别方法、装置和存储介质
CN109214343A (zh) * 2018-09-14 2019-01-15 北京字节跳动网络技术有限公司 用于生成人脸关键点检测模型的方法和装置
CN109409382A (zh) * 2018-09-21 2019-03-01 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN109636886A (zh) * 2018-12-19 2019-04-16 网易（杭州）网络有限公司 图像的处理方法、装置、存储介质和电子装置
CN109934177A (zh) * 2019-03-15 2019-06-25 艾特城信息科技有限公司 行人再识别方法、系统及计算机可读存储介质
CN109961507A (zh) * 2019-03-22 2019-07-02 腾讯科技（深圳）有限公司 一种人脸图像生成方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAI SU ET AL: "Multi-Person Pose Estimation with Enhanced Channel-wise and Spatial Information", 《ARXIV》 *
PENG GAO ET AL: "Siamese Attentional Ketpoint Network for High Performance Visual Tracking", 《ARXIV》 *

Also Published As

Publication number Publication date
CN110390291B (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
JP7265003B2 (ja) ターゲット検出方法、モデル訓練方法、装置、機器及びコンピュータプログラム
CN110381368A (zh) 视频封面生成方法、装置及电子设备
CN110399848A (zh) 视频封面生成方法、装置及电子设备
CN108491816A (zh) 在视频中进行目标跟踪的方法和装置
CN110222726A (zh) 图像处理方法、装置及电子设备
CN110189246A (zh) 图像风格化生成方法、装置及电子设备
CN110287891A (zh) 基于人体关键点的手势控制方法、装置及电子设备
CN110276345A (zh) 卷积神经网络模型训练方法、装置和计算机可读存储介质
CN110378947A (zh) 3d模型重建方法、装置及电子设备
CN110288037A (zh) 图像处理方法、装置及电子设备
CN110267097A (zh) 基于分类特征的视频推送方法、装置及电子设备
CN110189394A (zh) 口型生成方法、装置及电子设备
CN110288553A (zh) 图像美化方法、装置及电子设备
CN110059623A (zh) 用于生成信息的方法和装置
CN109889893A (zh) 视频处理方法、装置及设备
CN110278447A (zh) 基于连续特征的视频推送方法、装置及电子设备
CN108197203A (zh) 一种门脸头图挑选方法、装置、服务器和存储介质
CN110399847A (zh) 关键帧提取方法、装置及电子设备
CN110225400A (zh) 一种动作捕捉方法、装置、移动终端及存储介质
CN110069997A (zh) 场景分类方法、装置及电子设备
CN110287350A (zh) 图像检索方法、装置及电子设备
CN110555861A (zh) 光流计算方法、装置及电子设备
CN111598923B (zh) 目标跟踪方法、装置、计算机设备及存储介质
CN110378936A (zh) 光流计算方法、装置及电子设备
CN109977925A (zh) 表情确定方法、装置及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee after: Douyin Vision Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee before: Tiktok vision (Beijing) Co.,Ltd.

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee after: Tiktok vision (Beijing) Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Patentee before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder