CN110781223A - 数据处理方法及装置、处理器、电子设备及存储介质 - Google Patents
数据处理方法及装置、处理器、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110781223A CN110781223A CN201910983537.7A CN201910983537A CN110781223A CN 110781223 A CN110781223 A CN 110781223A CN 201910983537 A CN201910983537 A CN 201910983537A CN 110781223 A CN110781223 A CN 110781223A
- Authority
- CN
- China
- Prior art keywords
- sequence data
- data
- processed
- correlation
- predicted
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims description 50
- 230000002596 correlated effect Effects 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 25
- 230000000295 complement effect Effects 0.000 description 17
- 238000013136 deep learning model Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 238000005070 sampling Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000012512 characterization method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种数据处理方法及装置、处理器、电子设备及存储介质。该方法包括:获取待处理序列数据,所述待处理序列数据包含多个待处理数据,所述多个待处理数据均包含一个或多个维度的数据;依据所述待处理序列数据中不同维度的数据之间的第一相关性和/或所述待处理序列数据中不同的待处理数据之间的第二相关性,获得目标序列数据。还公开了相应的装置、处理器、电子设备及存储介质。以实现依据待处理序列数据预测获得目标序列数据。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种数据处理方法及装置、处理器、电子设备及存储介质。
背景技术
如何通过历史序列数据预测未来序列数据一直是一个比较热门的问题,在天气预报、智能驾驶、热点事件分析等应用中起关键作用。传统的序列预测方法可基于预先建立的预测模型和历史序列数据获得未来序列数据,但该种方式中建立预测模型较复杂,且预测模型的泛化性差。
最近,随着深度学习的快速发展,越来越多的场景通过深度学习模型进行序列数据的预测,以提高预测模型的泛化性。但是目前深度学习模型预测获得的未来序列数据的准确率低。
发明内容
本申请提供一种数据处理方法及装置、处理器、电子设备及存储介质。
第一方面,提供了一种数据处理方法,所述方法包括:获取待处理序列数据,所述待处理序列数据包含多个待处理数据,所述多个待处理数据均包含一个或多个维度的数据;依据所述待处理序列数据中不同维度的数据之间的第一相关性和/或所述待处理序列数据中不同的待处理数据之间的第二相关性,获得目标序列数据。
在该方面中,通过利用待处理序列数据中不同维度的数据之间的第一相关性和/或待处理序列数据中不同待处理数据之间的第二相关性,可提高基于待处理序列数据预测获得目标序列数据的准确率。
在一种可能实现的方式中,所述待处理序列数据包含历史序列数据,所述历史序列数据包含不完整数据;所述依据所述待处理序列数据中不同维度的数据之间的第一相关性和/或所述待处理序列数据中不同的待处理数据之间的第二相关性,获得目标序列数据,包括:依据所述第一相关性和/或所述第二相关性,获得预测序列数据,所述预测序列数据包含补全所述历史序列数据中的不完整数据后获得的补全序列数据;确定所述预测序列数据中除所述补全序列数据之外的数据为所述目标序列数据。
在该种可能实现的方式中,通过利用待处理序列数据中不同维度的数据之间的第一相关性和/或待处理序列数据中不同待处理数据之间的第二相关性,可补全待处理序列数据中的不完整数据。
在另一种可能实现的方式中,所述确定所述预测序列数据中除所述补全序列数据之外的数据为所述目标时间序列数据,包括:在所述预测序列数据中除所述补全序列数据之外的数据与所述历史序列数据之间的第三相关性大于或等于第一阈值,且所述补全序列数据与所述历史序列数据之间的差异小于或等于第二阈值的情况下,确定所述预测序列数据中除所述补全序列数据之外的数据为所述目标序列数据。
第三相关性大于或等于第一阈值表征预测序列数据中除补全序列数据之外的数据与历史序列数据之间的相关性大。在该种可能实现的方式中,在上述第三相关性大于或等于第一阈值的情况下,确定预测序列数据中除上述补全序列数据之外的数据为目标序列数据,可提高目标序列数据的准确率。
在又一种可能实现的方式中,所述在所述预测序列数据中除所述补全序列数据之外的数据与所述历史序列数据之间的第三相关性大于或等于第一阈值,且所述补全序列数据与所述历史序列数据之间的差异小于或等于第二阈值的情况下,确定所述预测序列数据中除所述补全序列数据之外的数据为所述目标序列数据之前,所述方法还包括:依据所述补全序列数据与所述历史序列数据之间的差的范数,确定所述补全序列数据与所述历史序列数据之间的差异,所述差异与所述范数呈正相关。
在又一种可能实现的方式中,所述在所述预测序列数据中除所述补全序列数据之外的数据预所述历史序列数据之间的第三相关性大于或等于第一阈值,且所述补全序列数据与所述历史序列数据之间的差异小于或等于第二阈值的情况下,确定所述预测序列数据中除所述补全序列数据之外的数据为所述目标序列数据之前,所述方法还包括:获得所述预测序列数据的多个特征数据,所述多个特征数据均用于描述所述预测序列数据的内容,所述多个特征数据中不同的特征数据描述所述预测序列数据的内容的角度不同;依据所述多个特征数据确定所述第三相关性。
在又一种可能实现的方式中,所述依据所述多个特征数据确定所述第三相关性,包括:确定所述多个特征数据的和获得卷积核范数;基于所述卷积核范数确定所述第三相关性,所述卷积核范数与所述第三相关性呈负相关。
在又一种可能实现的方式中,所述获得所述预测序列数据的多个特征数据,包括:获取多个卷积核,所述多个卷积核的范数均为第一预设值,所述多个卷积核中的任意两个卷积核均不相同;使用所述多个卷积核中的每个卷积核对所述预测序列数据进行卷积处理,获得每个卷积核对应的特征数据。
在又一种可能实现的方式中,在所述依据所述待处理序列数据中不同维度的数据之间的第一相关性和/或所述待处理序列数据中不同的待处理数据之间的第二相关性,获得目标序列数据之前,所述方法还包括:获得所述待处理序列数据的多个特征数据;依据所述多个特征数据的和确定所述待处理序列数据的卷积核范数;依据所述卷积核范数确定所述第一相关性和/或所述第二相关性,所述第一相关性和/或所述第二相关性与所述卷积核范数呈负相关。
基于待处理序列数据的多个特征数据的和确定待处理序列数据的卷积核范数,进而依据卷积核范数确定第一相关性和/或第二相关性。
在又一种可能实现的方式中,所述依据所述第一相关性和/或所述第二相关性,获得预测序列数据,包括:依据所述第一相关性和/或所述第二相关性,补全所述待处理序列数据中除所述历史序列数据之外的数据以及所述不完整数据,获得所述预测序列数据。
在该种可能实现的方式中,依据第一相关性和/或第二相关性补全待处理序列数据中除历史序列数据之外的数据以及不完整数据可提高获得的预测序列数据的准确率。
在又一种可能实现的方式中,所述获取待处理序列数据,包括:获取多个包含属性的第一待处理数据,所述多个第一待处理数据中不同的数据包含的属性的内容不同,所述多个第一待处理数据描述的内容相同;以所述属性为依据对所述多个第一待处理数据进行排序,获得所述待处理序列数据。
在该种可能实现的方式中,通过对多个第一待处理数据按属性排序,获得待处理序列数据,可实现将获取到的任意多个真实数据作为历史序列数据,并依据获取到的多个真实数据确定目标序列数据。
在又一种可能实现的方式中,所述获取多个包含属性的第一待处理数据,包括:获取多个第二待处理数据;给所述多个第二待处理数据添加所述属性,获得所述多个包含属性的第一待处理数据。
在该种可能实现的方式中,通过在多个第二待处理数据中添加属性可获得多个第一待处理数据,可实现将添加的属性作为对第一待处理数据排序的依据,即将添加的属性作为“时间轴”,进而可获得“时间轴”维度上的未来序列数据。
在又一种可能实现的方式中,所述属性包括时间。
第二方面,提供了一种数据处理装置,所述装置包括:获取单元,用于获取待处理序列数据,所述待处理序列数据包含多个待处理数据,所述多个待处理数据均包含一个或多个维度的数据;处理单元,用于依据所述待处理序列数据中不同维度的数据之间的第一相关性和/或所述待处理序列数据中不同的待处理数据之间的第二相关性,获得目标序列数据。
在一种可能实现的方式中,所述待处理序列数据包含历史序列数据,所述历史序列数据包含不完整数据;所述处理单元用于:依据所述第一相关性和/或所述第二相关性,获得预测序列数据,所述预测序列数据包含补全所述历史序列数据中的不完整数据后获得的补全序列数据;确定所述预测序列数据中除所述补全序列数据之外的数据为所述目标序列数据。
在另一种可能实现的方式中,所述处理单元具体用于:在所述预测序列数据中除所述补全序列数据之外的数据与所述历史序列数据之间的第三相关性大于或等于第一阈值,且所述补全序列数据与所述历史序列数据之间的差异小于或等于第二阈值的情况下,确定所述预测序列数据中除所述补全序列数据之外的数据为所述目标序列数据。
在又一种可能实现的方式中,所述装置还包括:确定单元,用于在所述预测序列数据中除所述补全序列数据之外的数据与所述历史序列数据之间的第三相关性大于或等于第一阈值,且所述补全序列数据与所述历史序列数据之间的差异小于或等于第二阈值的情况下,确定所述预测序列数据中除所述补全序列数据之外的数据为所述目标序列数据之前,依据所述补全序列数据与所述历史序列数据之间的差的范数,确定所述补全序列数据与所述历史序列数据之间的差异,所述差异与所述范数呈正相关。
在又一种可能实现的方式中,所述确定单元用于:获得所述预测序列数据的多个特征数据,所述多个特征数据均用于描述所述预测序列数据的内容,所述多个特征数据中不同的特征数据描述所述预测序列数据的内容的角度不同;依据所述多个特征数据确定所述第三相关性。
在又一种可能实现的方式中,所述确定单元具体用于:确定所述多个特征数据的和获得卷积核范数;基于所述卷积核范数确定所述第三相关性,所述卷积核范数与所述第三相关性呈负相关。
在又一种可能实现的方式中,所述确定单元具体用于:获取多个卷积核,所述多个卷积核的范数均为第一预设值,所述多个卷积核中的任意两个卷积核均不相同;使用所述多个卷积核中的每个卷积核对所述预测序列数据进行卷积处理,获得每个卷积核对应的特征数据。
在又一种可能实现的方式中,所述获取单元,还用于在所述依据所述待处理序列数据中不同维度的数据之间的第一相关性和/或所述待处理序列数据中不同的待处理数据之间的第二相关性,获得目标序列数据之前,获得所述待处理序列数据的多个特征数据;所述处理单元,还用于依据所述多个特征数据的和确定所述待处理序列数据的卷积核范数;所述处理单元,还用于依据所述卷积核范数确定所述第一相关性和/或所述第二相关性,所述第一相关性和/或所述第二相关性与所述卷积核范数呈负相关。
在又一种可能实现的方式中,所述处理单元具体用于:依据所述第一相关性和/或所述第二相关性,补全所述待处理序列数据中除所述历史序列数据之外的数据以及所述不完整数据,获得所述预测序列数据。
在又一种可能实现的方式中,所述获取单元用于:获取多个包含属性的第一待处理数据,所述多个第一待处理数据中不同的数据包含的属性的内容不同,所述多个第一待处理数据描述的内容相同;以所述属性为依据对所述多个第一待处理数据进行排序,获得所述待处理序列数据。
在又一种可能实现的方式中,所述获取单元具体用于:获取多个第二待处理数据;给所述多个第二待处理数据添加所述属性,获得所述多个包含属性的第一待处理数据。
在又一种可能实现的方式中,所述属性包括时间。
第三方面,提供了一种处理器,所述处理器用于执行如上述第一方面及其任意一种可能实现的方式的方法。
第四方面,提供了一种电子设备,包括:处理器和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述处理器执行所述计算机指令时,所述电子设备执行如上述第一方面及其任意一种可能实现的方式的方法。
第五方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被电子设备的处理器执行时,使所述处理器执行如上述第一方面及其任意一种可能实现的方式的方法。
第六方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面及其任一种可能的实现方式的方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1为本申请实施例提供的一种缺失数据的示意图;
图2为本申请实施例提供的一种数据处理方法的流程示意图;
图3为本申请实施例提供的一种历史数据转化为张量数据的示意图;
图4为本申请实施例提供的一种补全待处理数据中的缺失数据的示意图;
图5为本申请实施例提供的另一种补全待处理数据中的缺失数据的示意图;
图6为本申请实施例提供的又一种补全待处理数据中的缺失数据的示意图;
图7为本申请实施例提供的另一种数据处理方法的流程示意图;
图8为本申请实施例提供的一种对张量序列数据进行正交投影的示意图;
图9为本申请实施例提供的一种待处理张量序列数据与理想目标张量序列数据的对应关系的示意图;
图10为本申请实施例提供的一种图像序列数据示意图;
图11为本申请实施例提供的一种基于本申请实施例提供的技术方案获得的目标序列数据与真实序列数据的对比示意图;
图12为本申请实施例提供的一种数据处理装置的结构示意图;
图13为本申请实施例提供的一种数据处理装置的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
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”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请方法实施例的执行主体可以为终端,其中,终端可以是电脑,也可以是服务器,还可以是手机,本申请方法实施例还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本申请实施例提供的技术方案可用于实现序列数据预测。所谓序列数据预测指根据已观测到的历史序列数据(下文将称为历史序列数据)中不同数据之间的相关性来预测未来序列数据。例如,根据行人在过去一段时间内的运动轨迹预测该行人在未来一段时间内的行动轨迹。又例如,根据过去一段时间的降雨量预测未来一段时间内的降雨量。再例如,根据已有的连续多帧视频图像预测接下来的多帧视频图像。
传统的序列预测方法可基于预先建立的预测模型和历史序列数据获得未来序列数据,但该种方式中建立预测模型较复杂,且预测模型的泛化性差。随着深度学习的快速发展,越来越多的场景通过深度学习模型进行序列数据的预测,但在使用深度学习模型进行序列数据预测之前,需要通过大量训练数据对深度学习模型进行训练,使深度学习模型从训练数据中学习到数据描述的内容的一些规律。一方面,在训练数据的数量较少时,深度学习模型通过训练学习到的规律有限,且学习到的规律的准确率低,这样就导致使用训练得到的深度学习模型对未来序列数据的预测准确率低。另一方面,在使用训练好的深度学习模型进行序列数据预测时,需要向训练好的深度学习模型输入历史序列数据,深度学习模型再根据历史序列数据与训练数据之间的相关性预测未来序列数据。但是深度学习模型在预测未来序列数据时并未利用历史序列数据和未来序列数据之间存在的相关性,以及历史序列数据中不同的数据之间的相关性,导致预测的未来序列数据的准确率低。
序列预测的对象(如上述示例中的行人的运动轨迹、降雨量、视频图像)均包含多个维度的数据。例如行人的轨迹包括行人的横向位移数据、行人的纵向位移数据以及行人出现的时间数据。又例如,降雨量包括降雨时间数据以及降雨量数据。再例如,视频图像包括:视频图像在长度方向的像素数据和视频图像在宽度方向的像素数据。从另一方面来讲,时间序列预测的对象可通过多个维度的数据描述,也就是说,不同维度的数据包含的信息之间存在相关性。上述已观测到的历史序列数据中不同的数据之间的相关性包括不同维度的数据之间的相关性。
此外,历史序列数据和未来序列数据之间也存在的相关性。例如,历史序列数据包括10帧视频图像,图像内容为一辆汽车正高速行驶在公路上。由于相邻两帧图像之间的时间间隔短,而汽车的行驶速度快,也就是说,汽车很大概率以一定速度行驶在公路上。因此,预测获得的接下来的10帧视频图像中,汽车也应该以一定速度行驶在公路上。
本申请实施例提供的技术方案可在不通过训练数据进行相应的训练的情况下依据历史序列数据预测未来序列数据,适用于样本数量少的情况,且可通过利用历史序列数据中不同维度的数据之间的相关性以及历史序列数据与未来序列数据之间的相关性提高预测获得的未来时间序列数据(下文将称为目标序列数据)的准确率。
上述历史序列数据虽然为真实的数据,但历史序列数据中仍可能包含不完整数据。本申请实施例中的不完整数据指缺失了部分内容的数据。如图1所示的图像中的多处缺失了图像内容(图像中的黑色网格),该图像即为不完整数据。无论是传统的序列数据预测方法还是通过深度学习模型预测序列数据,在历史数据不完整的情况下,将降低预测获得的未来序列数据的准确率。本申请实施例提供的技术方案则可在历史序列数据中包含不完整数据的情况下,提高预测序列数据的准确率。
下面结合本申请实施例中的附图对本申请实施例进行描述。
请参阅图2,图2是本申请实施例(一)提供的一种数据处理方法的流程示意图。
201、获取待处理序列数据,上述待处理序列数据包含多个待处理数据,上述多个待处理数据均包含一个或多个维度的数据。
本实施例中,待处理序列数据可以是上述历史序列数据,也可以包含历史序列数据和待预测序列数据,其中,待预测序列数据可以是任意初始化值,可视为待求解的值。待处理序列数据包含多个待处理数据。例如,多帧视频图像、车辆在不同时刻下的位置、不同时刻的降雨量。
获取待处理序列数据的方式可以是接收用户通过输入组件输入的待处理序列数据,其中,输入组件包括:键盘、鼠标、触控屏、触控板和音频输入器等。也可以是接收终端发送的待处理序列数据,其中,终端包括手机、计算机、平板电脑、服务器等。
202、依据上述待处理序列数据中不同维度的数据之间的第一相关性和/或上述待处理序列数据中不同的待处理数据之间的第二相关性,获得目标序列数据。
在待处理序列数据包含多个维度的数据时,待处理序列数据中的多个维度的数据之间存在相关性,即第一相关性。例如(例1),待处理序列数据为已观测到的多帧图像,已观测到的多帧图像均包含一辆正在公路上高速行驶的车辆,这样就可依据已观测到的多帧图像确定车辆在每一帧图像对应的速度和位置,其中,位置包括横向位置和纵向位置。由于车辆的位置和其速度相关,因此速度维度的数据、横向位置维度的数据和纵向位置维度的数据之间存在相关性。
待处理序列数据包含多个待处理数据(如待处理图像序列包含多帧待处理图像),而不同的待处理数据之间也存在相关性,即第二相关性。例如,在例1中,不同帧的图像中均包含车辆,但不同帧的图像中车辆的位置和速度均不同,因此可根据车辆在每一帧已观测到的图像中的速度和位置确定车辆的速度变化趋势以及行驶方向等信息。即根据不同的待处理图像之间的相关性确定车辆的速度变化趋势以及行驶方向等信息。
在待处理序列数仅包含一个维度的数据时,可依据不同的待处理数据之间的第二相关性获得目标序列数据。例如,待处理序列数据仅包含的一个维度的数据为张三的体重,待处理序列数据中不同的待处理数据的时间戳不同,因此,可根据张三在不同时间的体重变化趋势预测张三在未来某个时间的体重。
在待处理序列数据包含多个维度的数据时,利用待处理序列数据中的第一相关性和/或第二相关性,可预测与历史序列数据对应的未来序列数据,即目标序列数据。例如,待处理序列数据为已观测的10帧图像,利用待处理序列数据中的第一相关性和/或第二相关性可获得未来5帧图像(即目标序列数据)。
在一种可能实现的方式中,使用一个n阶张量序列数据表示上述历史序列数据和待预测序列数据(需要理解的是,若待处理序列数据中包含历史序列数据和待预测序列数据,此处n阶张量序列数据用于表示待处理序列数据),其中,n为大于或等于1的正整数,n为待处理序列数据包含的多个维度的数据中维度的数量(下文将称为维度的数量),待预测序列数据可视为待求解的序列数据。如例1中的待处理序列数据包含速度、横向位置和纵向位置三个维度的数据,维度的数量为3,即n=3。使用j个不同的卷积核对该n阶张量序列数据进行卷积处理,获得j个不同的特征数据,其中,不同的特征数据描述待处理序列数据的内容的角度不同。又例如(例2),若待处理序列数据包含多张人脸图像,则可以从人脸轮廓和五官轮廓的角度描述待处理序列数据中的人脸,也可以从人脸的纹理的角度描述待处理序列数据中的人脸。对上述j个不同的特征数据取和即可获得对整个张量序列数据的描述,且上述j个不同的特征数据的和与上述待处理序列数据的秩呈正相关,因此可依据上述j个不同的特征数据的和(下文将称为卷积核范数)确定上述n阶张量序列数据的第一相关性。上述n阶张量序列数据的第一相关性与上述卷积核范数呈负相关,即特征数据的数值越大,上述n阶张量序列数据中不同维度的数据之间的相关性越小。可选的,可将上述卷积核范数的倒数作为第一相关性。
由于预测获得的未来序列数据是历史序列数据的延伸,因此,未来序列数据和历史序列数据之间也应该存在相关性(下文将称为第三相关性)。例如,历史序列数据为多帧具有时间戳的图像,该多帧具有时间戳的图像通过摄像头采集获得。若历史序列数据中时间戳最大的图像中车辆正以时速70公里每小时行驶,且在该时间戳最大的图像中该车辆沿行驶方向行驶需要行驶100个像素点才能使摄像头采集的图像中不包含车辆(即车辆驶出摄像头的拍摄范围之外)。此外,依据上述多帧具有时间戳的图像中车辆的行驶速度可确定该车辆的运动状态接近于匀速行驶。假设历史序列数据中每两帧图像之间的时间间隔为t秒,当车辆以70公里每小时的速度行驶时,在t秒内车辆在图像中的位移为15个像素。显然由历史序列数据预测获得的未来5帧图像(即未来序列数据)中应该都包含车辆。而车辆在未来5帧图像中的位置则应该符合车辆的运动趋势(包括行驶速度和行驶方向)。
为使预测获得的未来序列数据的准确率高,需使上述第三相关性大。由于上述n阶张量序列数据中包含历史序列数据和待预测序列数据,而历史序列数据包含的维度的数量与待预测序列数据包含的维度的数量相同,因此上述n阶张量序列数据的第一相关性包含历史序列数据与待预测序列数据之间的相关性。在对上述n阶张量序列数据进行处理确定待预测序列数据的内容(下文将称为未来序列数据)后,上述第一相关性包含第三相关性,因此第三相关性与上述n阶张量序列数据的卷积核范数呈负相关。通过确定使卷积核范数小于第一阈值的n阶张量序列数据(下文将称为预测张量序列数据),可获得包含的未来张量序列数据与历史张量序列数据之间的第三相关性符合预期的预测张量序列数据。此时,可将该预测张量序列数据中的未来张量序列数据作为目标张量序列数据,进而可根据目标张量序列数据确定目标序列数据。其中,第一阈值为正数,当卷积核范数小于第一阈值时,表征上述第三相关性符合预期,而通过将第一阈值调小可降低对上述第三相关性的预期,即可降低预测张量序列数据中的未来张量序列数据与历史张量序列数据之间的预期相关性。降低对第三相关性的预期将降低预测获得的未来序列数据的准确率,但可减小依据待处理序列数据获得目标序列数据的数据处理量,提高处理速度,因此第一阈值的具体大小可根据实际情况进行调整。
由于历史序列数据为真实数据,因此,预期张量序列数据中除未来序列数据之外的序列数据应该与历史序列数据相同。可选的,在上述可能实现的方式中,还应使预期张量序列数据中除未来序列数据之外的序列数据与历史序列数据之间的差异小于第二阈值。其中,第二阈值为正数,当预期张量序列数据中除未来序列数据之外的序列数据与历史序列数据之间的差异小于第二阈值时,表征预期张量序列数据中除未来序列数据之外的序列数据与历史序列数据之间的差异符合预期,而通过将第二阈值调小可降低对预期张量序列数据中除未来序列数据之外的序列数据与历史序列数据之间的差异的预期,即可使预期张量序列数据中除未来序列数据之外的序列数据与历史序列数据之间的差异更大,第二阈值的具体大小可根据实际情况进行调整。
在一种确定预期张量序列数据中除未来序列数据之外的序列数据与历史序列数据之间的差异的可能实现的方式中,通过计算预期张量序列数据中除未来序列数据之外的序列数据与历史序列数据之间的差的范数可确定预期张量序列数据中除未来序列数据之外的序列数据与历史序列数据之间的差异,上述范数与上述差异呈正相关。在另一种确定预期张量序列数据中除未来序列数据之外的序列数据与历史序列数据之间的差异的可能实现的方式中,通过计算预期张量序列数据中除未来序列数据之外的序列数据与历史序列数据之间的距离可确定预期张量序列数据中除未来序列数据之外的序列数据与历史序列数据之间的差异,上述距离与差异呈负相关。
在上述可能实现的方式中,由于通过将待处理序列数据转化为n阶张量序列数据,因此,在后续获得目标序列数据的过程中可利用多个不同维度的数据之间的相关性,如可利用3个或3个以上的维度的数据之间的相关性。而在待处理序列数据包含的多个维度的数据中维度的数量大于或等于3时,传统方法和深度学习方法往往由于无法有效的利用不同维度的数据之间的相关性导致预测获得目标序列数据的准确率低。
本实施例通过利用待处理序列数据中不同维度的数据之间的第一相关性和/或待处理序列数据中不同待处理数据之间的第二相关性,可提高基于待处理序列数据预测获得目标序列数据的准确率。
本申请实施例中的待处理序列数据中的历史序列数据还可包含不完整数据,例如缺失部分图像内容的图像,又例如车辆的某个位置缺失时间信息。待处理序列数据可包含一个或多个维度的数据,其中,待处理序列数据包含的内容可通过该一个或多个维度的数据描述。将历史序列数据中缺失的内容称为缺失数据,将历史序列数据中除缺失数据之外的数据称为观测数据。可选的,在上述确定预期张量序列数据中除未来序列数据之外的序列数据与历史序列数据之间的差异的可能实现的方式中,在将历史数据转化为n阶张量序列数据中的张量序列数据时,可将缺失数据所在的位置的数值设为待求解值。如图3所示,在历史序列数据中的历史数据存在3个缺失数据的元素,在将该历史数据转化为相应的张量数据时,将上述3个缺数数据的元素的数值取为0,且不改变不同元素之间的位置关系(包括观测数据和缺失数据之间的位置关系,观测数据和观测数据之间的位置关系,以及缺失数据和缺失数据之间的位置关系)。这样,在后续对张量序列数据进行处理的过程中,仍然可利用观测数据之间的相关性预测目标序列数据,即可减小待处理序列数据中的不完整数据对预测获得目标序列数据的影响,进而实现基于包含不完整数据的待处理序列数据预测获得目标序列数据。
在历史序列数据包含不完整数据的情况下,基于待处理序列数据获得目标序列数据的同时,还可依据缺失数据与待处理序列数据中除缺失数据之外的数据之间的相关性,以及包含缺失数据的待处理数据与不包含缺失数据的待处理数据之间的相关性将待处理序列数据中的缺失数据补全,以获得完整的待处理序列数据。即依据上述第一相关性和/或上述第二相关性获得的预测序列数据包含补全上述待处理序列数据中的不完整数据后获得的补全序列数据。举例来说,待处理序列数据包含多帧包含车辆图像,不同的图像中车辆的位置不同,且不同的图像的时间戳不同。按时间戳从小到大的顺序对待处理序列数据排序获得的次序为图像A,图像B,图像C,其中,图像B包含缺失数据,且由于缺失数据的存在导致无法确定图像B中车辆的位置(如车辆的前半部分车身缺失),但依据图像A中车辆的位置、图像C中车辆的位置、图像A的时间戳、图像B的时间戳、以及图像C的时间戳可确定图像B中车辆的位置,进而可依据图像B中车辆的位置补全图像B中的缺失数据。
例如,如图4所示,通过对张量数据中缺失数据(以0表示)所在的位置进行补全(即元素7、元素8和元素9)可获得补全后的数据,实现补全待处理数据中的缺失数据获得补全后的数据。补全待处理序列数据中所有不完整数据中的缺失数据后获得补全序列数据。又例如,图1所示的图像为待处理序列数据中的不完整数据,通过步骤202提供的可能实现的方式的处理,可获得图5所示的补全后的图像。再例如,还可通过步骤202提供的可能实现的方式补全图6所示的包含缺失数据的图像获得补全后的图像。
如上所述,一方面,历史序列数据与未来序列数据之间存在相关性,且该相关性越大,表征获得的未来序列数据的准确率越高,因此可通过预测序列数据中除补全序列数据之外的数据(即预测序列数据中的未来序列数据)与历史序列数据之间的第三相关性的大小判断预测序列数据中的未来序列数据是否准确。另一方面,预测序列数据中的补全序列数据与历史序列数据的相似度越高,表征预测序列数据中的补全序列数据的准确率越高,反之,若补全序列数据与历史序列数据之间的差异过大(即补全序列数据与历史序列数据中的真实数据的偏差较大),表征补全序列数据的准确率低,进而也会影响对预测序列数据中的未来序列数据的准确率的判断。因此,可通过预测序列数据中的补全序列数据与历史序列数据之间的差异判断补全序列数据的准确率。在一种可能实现的方式中,在第三相关性大于或等于第一阈值,且补全序列数据与历史序列数据之间的差异小于或等于第二阈值的情况下,确定预测序列数据中除补全序列数据之外的数据(即上述未来序列数据)为目标序列数据。
预测序列数据的特征数据可用于表征预测序列数据中除补全序列数据之外的数据与历史序列数据之间的第三相关性(下文将称为预测序列数据的第三相关性),具体的,特征数据的数值与预测序列数据的第三相关性呈负相关。而通过对预测序列数据的所有特征数据求和,可获得包含从不同角度描述预测序列数据的内容的信息的卷积核范数,即卷积核范数包含的信息比单个特征数据包含的信息更丰富。因此可依据预测序列数据的卷积核范数表征预测序列数据的第三相关性,以更准确的判断预测序列数据的第三相关性。
可选的,在获得预测序列数据后,可使用多个不同的卷积核分别对预测序列数据进行卷积处理,获得多个不同的特征数据,即使用多个卷积核中的每个卷积核对预测序列数据进行卷积处理获得每个卷积核对应的特征数据。其中,多个卷积核中的任意两个卷积核之间的内积均为0。上述多个不同的特征数据均用于描述上述预测序列数据的内容,且不同的特征数据描述上述预测序列数据的内容的角度不同。举例来说,多个卷积核包括卷积核1、卷积核2和卷积核3,预测序列数据包含5帧图像。使用卷积核1对该5帧图像进行卷积处理获得特征数据1,使用卷积核2对该5帧图像进行卷积处理获得特征数据2,使用卷积核3对该5帧图像进行卷积处理获得特征数据3。特征数据1包含从第一角度描述上述5帧图像的内容的信息,特征数据2包含从第二角度描述上述5帧图像的内容的信息,特征数据3包含从第三角度描述上述5帧图像的内容的信息。
在预测序列数据的卷积核范数小于或等于第一阈值,且补全序列数据与历史序列数据之间的差异小于或等于第二阈值的情况下,确定上述预测序列数据中除上述补全序列数据之外的数据为目标序列数据。
通过将待处理数据序列转化为张量序列数据可实现上述技术方案,并可提高获得的目标序列数据的准确率,接下来将详细阐述如何通过将待处理数据序列转化为张量序列数据,并依据张量序列数据获得目标序列数据。
本申请实施例中的范数为F-范数,可选的,范数还可以是1范数,2范数,无穷范数,L0范数,L1范数,L2范数,本申请对范数的具体形式不做限定。为行文简洁,下文中出现的||·||F表示F-范数,下文将不再赘述。
请参阅图7,图7是本申请实施例(二)提供的步骤另一种数据处理方法的流程示意图。
701、获取待处理序列数据,上述待处理序列数据包含多个待处理数据,上述多个待处理数据均包含一个或多个维度的数据。
本申请实施例中的序列数据均指以一定依据排列的数据,该依据可包括:时间、地点。例如,多帧图像可以按时间戳从小到大的顺序进行排序。在一种获取待处理序列数据的方式中,获取多个包含属性的第一待处理数据,上述多个第一待处理数据中不同的数据包含的属性的内容不同,上述多个第一待处理数据描述的内容相同,以上述属性为依据对上述多个第一待处理数据进行排序,获得上述待处理序列数据。例如,第一待处理数据均为包含人物的图像,但不同的图像的时间戳不同,则属性为时间,描述的内容均为人物,再按时间戳从小到大的顺序对多张图像进行排序,可获得待处理序列数据。
可选的,还可根据用户的需求自定义属性。在另一种获得待处理序列数据的方式中,通过获取多个第二待处理数据,并给上述多个第二待处理数据添加属性,获得多个包含属性的第一待处理数据,再以上述属性为依据对上述多个第一待处理数据进行排序,获得待处理序列数据。例如,通过监控摄像头获得20帧图像,分别给20帧图像中的每一帧图像添加时间属性,再按时间从小到大的顺序对20帧图像进行排序,获得待处理序列数据。需要理解的是,上述示例中添加的时间属性可以与图像包含的时间戳并不相同,如:图像a包含的时间戳为10:00,图像b包含的时间戳为10:01,图像c包含的时间戳为10:02,而给图像a添加的时间属性可以是1,给图像b添加的时间属性可以是3,给图像c添加的时间属性可以是2,则按时间从小打到的顺序对图像a、图像b和图像c排序获得的待处理序列数据为1.图像a;2.图像c;3.图像b。
在获得待处理序列数据后,可将待处理序列数据用张量序列数据表示。在一种可能实现的方式中,假设待处理序列数据的维度的数量为n(n为大于或等于1的正数),则可通过一个n阶张量表示(下文将称为待处理张量序列数据)。
假设历史序列数据对应的张量序列数据(下文将称为历史张量序列数据)为:其中i任意正整数,Mi表示ti时刻的张量数据。而通过历史张量序列数据预测目标张量序列数据(目标序列数据对应的张量序列数据),即为通过前p个时刻历史张量序列数据估计未来q个时刻的张量序列数据(下文将称为未来张量序列数据)获得预测张量序列数据再将中的未来张量序列数据(即)作为目标张量序列数据,进而可根据目标张量序列数据确定目标序列数据。
702、依据上述第一相关性和/或上述第二相关性,获得预测序列数据,上述预测序列数据可包含补全上述历史序列数据中的不完整数据后获得的补全序列数据和目标序列数据。
首先定义一个n+1阶索引集Ω∈{1,…,m1}×…×{1,…,mn+1}:Ω={(i1,…,in+1)|1≤ij≤mj,1≤j≤n,1≤in+1≤p}。也就是说Ω对应上述历史张量序列数据Mii=1p,Ω的补集对应上述目标张量序列数据因此,可通过补全历史张量序列数据的方式获得预测张量序列数据,进而获得目标张量序列数据。本申请的一种可能的实施例中,历史序列数据包含不完整数据,即上述历史张量序列数据中包含不完整数据。
其中,表示张量序列数据X中的第(i1,…,in)个元素。式(1)表示张量序列数据X中的观测数据在的作用下为原数值,张量序列数据X中的缺失数据在的作用下0。例如,如图8所示的张量序列数据中元素1、元素2、元素3、元素6、元素7均为观测数据,其中元素1的数值为8,元素2的数值为9,元素3的数值为3,元素6的数值为2,元素7的数值为6。元素4、元素5、元素8和元素9则为缺失数据。该张量序列数据在的作用下获得的正交投影后的数据中元素1所在的位置的数值为8,元素2所在的位置的数值为9,元素3所在的位置的数值为3,元素6所在的位置的数值为2,元素7所在的位置的数值为6。而元素4所在的位置的数值、元素5所在的位置的数值、元素8所在的位置的数值和元素9所在的位置的数值均为0。
如步骤201所述,在待处理序列数据包含历史序列数据和待预测序列数据时,待处理序列数据中的待预测序列数据可视为待求解的数据,假设待预测序列数据的理想解对应的待处理序列数据的理想目标张量序列数据为L0,且L0满足其中,∈为任意正数,为待处理张量序列数据中的观测数据,表示L0中与待处理张量序列数据中的观测数据对应的数据。例如,如图9所示,待处理张量序列数据中元素1,元素2,元素3,元素6,元素7均为观测数据,则包括元素1,元素2,元素3,元素6和元素7。元素1在待处理张量序列数据中的位置与元素10在理想目标张量序列数据中的位置相同,元素2在待处理张量序列数据中的位置与元素11在理想目标张量序列数据中的位置相同,元素3在待处理张量序列数据中的位置与元素12在理想目标张量序列数据中的位置相同,元素6在待处理张量序列数据中的位置与元素15在理想目标张量序列数据中的位置相同,元素7在待处理张量序列数据中的位置与元素16在理想目标张量序列数据中的位置相同,则包括元素10,元素11,元素12,元素15和元素16。
假设目标张量序列数据L0满足时,L0的卷积秩为r0,L0的卷积一致性参数分布为μ0。假设待预测序列数据的实际解(即目标序列数据)对应的待处理序列数据的实际目标张量序列数据为设待处理序列数据的采样率ρ0=|Ω|/m,其中,|Ω|表示Ω的模,即待处理序列数据中观测数据的数量,m为待处理序列数据中观测数据的数量、缺失数据的数量以及待预测序列数据包含的数据的数量的和(下文将称为待预测数据的数量),即待处理序列数据中数据的总数量。若ρ0满足下式:
ρ0≥1-ηk/(μ0r0m)…式(2)
其中,η为大于0且小于或等于0.25的常数,k为对目标张量序列数据L0进行卷积处理获得卷积秩的卷积核的大小,可选的,k=13*13,那么可得下式:
其中,为趋近于0的正数。
式(3)表征与L0之间的差异小于也就是说,当采样率ρ0≥1-ηk/(μ0r0m)时,实际目标张量序列数据与理想目标张量序列数据L0之间的差异非常小,即由实际目标张量序列数据确定的目标张量序列数据的准确率符合预期。
在待处理张量序列数据中观测数据的数量一定的情况下,ρ0越小,待处理张量序列数据中待预测数据的数量就越大。由式(2)可知r0与ρ0呈正相关,也就是说,在观测数据的数量一定的情况下,r0与待处理张量序列数据中待预测数据的数量呈负相关。进一步的,在观测数据的数量一定的情况下,ρ0越小,对待处理序列数据预测获得的目标序列数据和补全序列数据的准确率越高。
举例来说,观测数据的数量为a,在采样率ρ0=A的情况下,可基于该观测数据预测的待预测数据的数量最多为b,若待预测数据的数量大于b,则预测获得的目标序列数据和补全序列数据的准确率低于预期。在采样率ρ0=B的情况下,其中B小于A,可基于该观测数据预测的待预测数据的数量最多为c,显然,c大于b。此时若待预测数据的数量小于或等于c,预测获得的目标序列数据和补全序列数据的准确率均能达到预期。进一步的,若在采样率ρ0=A和ρ0=B的情况下,基于该观测数据预测的待预测数据的数量相同,则在采样率ρ0=B的情况下预测获得的目标序列数据和补全序列数据的准确率更高。也就是说,通过将采样率ρ0调小(即从A减小至B),可提高目标序列数据和补全序列数据的准确率。
基于上述推导,为提高目标序列数据和补全序列数据的准确率,可使待处理序列数据的采样率ρ0尽量小。由于ρ0与r0呈正相关,且r0与待处理序列数据的卷积核范数呈正相关,因此,为提高目标序列数据和补全序列数据的准确率,可使待处理序列数据的卷积核范数尽量小。进而可在通过待处理序列数据获得的预测序列数据的卷积核范数最小的情况下,将预测序列数据中的未来序列数据作为目标序列数据,并将预测序列数据中除未来数据之外的数据作为补全序列数据。
在一种获得预测张量序列数据的卷积核范数的方式中,记预测张量序列数据的第j个特征数据为预测张量序列数据的第j个卷积核为其中1≤ki≤mi, 其中,预测张量序列数据的j个特征数据中的每一个特征数据描述预测序列数据的内容的角度不同。假设第1个特征数据包含从第一角度描述预测张量序列数据的内容的信息,则σ1中包含从第一角度描述预测张量序列数据的内容的信息最多。
为表述方便,记张量序列域中的任一张量序列数据m的卷积核域中的任一卷积核Π表示求乘积,即m=m1*m2*...*mn,k=k1*k2*...*kn,其中,i和n均为正整数,mi为m的第i个维度的数据,ki为k的第i个维度的数据。那么,预测张量序列数据的第1个特征数据及第1个卷积核分别记为σ1与ν1:
σ1=maxX||M★X||F,约束条件为:||X||F=1,…式(4)
ν1=argmaxX||M★X||F,约束条件为:||X||F=1…式(5)
其中,★表示卷积算子,M为预测张量序列数据,M属于X为预测张量序列数据的第1个卷积核,X属于上述式(4)和式(5)为最优解问题,式(4)的解为包含从第一角度描述预测张量序列数据的内容的信息最多的特征数据,式(5)的解为获得式(4)的解的卷积核。
假设式(4)和式(5)的最优解分别为和则使用对待处理张量序列数据进行卷积处理,可获得第1个特征数据即中包含从第一角度描述待处理张量序列数据的内容的信息最多。例如,待处理张量序列数据为人脸图像,第一角度为从人脸轮廓和五官轮廓描述人脸,则包含的人脸轮廓信息和五官轮廓信息最多。
同理,预测张量序列数据的第j(1≤j≤k)个特征数据为σj=maxX||M★X||F,
约束条件为:||X||F=1,X,vl=0,l=1,…,j-1。其中,<·,·>表示两个卷积核的内积。即预测张量序列数据的第t个卷积核与预测张量序列数据的第1个卷积核、第2个卷积核、…、第t-1个卷积核的内积均为0,t为大于或等于1小于或等于j的整数。
在获得预测张量序列数据的j个特征数据后,可对该j个特征数据求和获得预测张量序列数据的卷积核范数。
由于在的情况下,理想目标张量序列数据的卷积秩r0与理想目标张量序列数据的卷积核范数呈正相关,因此,求解目标张量序列数据的卷积核范数的最小值确定目标张量序列数据(即求解预测张量序列数据的卷积核范数的最小值确定目标张量序列数据)可用下式表示:
由于||L||cnn可表征预测张量序列数据中除补全序列数据对应的张量序列数据之外的数据与历史张量序列数据之间的相关性,因此式(6)即为在上述预测序列数据中除上述补全序列数据之外的数据与上述历史序列数据之间的第三相关性大于或等于第一阈值,且上述补全序列数据与上述历史序列数据之间的差异小于或等于第二阈值的情况下,确定上述预测序列数据中除上述补全序列数据之外的数据为上述目标序列数据。
进一步的,可将式(6)等价转化为下式:
其中,λ为整数。可选的,λ=1000。至此,可通过求解式(7)获得L的最优解,即在式(7)的值小于预期时,将L的取值作为最优解,并将L的最优解作为预测张量序列数据,进而获得目标张量序列数据,并可根据目标张量序列数据确定目标序列数据。在式(7)中,λ的取值越大,表征的值需要相应的减小,这样才能使式(7)的值小于预期,而上述补全序列数据与上述历史序列数据之间的差异与的值呈正相关。因此若将λ的取值调高,表征上述补全序列数据与上述历史序列数据之间的差异需要减小,才能使式(7)的值小于预期。上述补全序列数据与上述历史序列数据之间的差异越小,表征对历史序列数据的信任度越高。反之,若对历史序列数据的信任度低,则期望上述补全序列数据与上述历史序列数据之间的差异大,进而可将λ的取值调低。例如,在历史序列数据中存在较大的噪声的情况下,若将λ的取值调高,使补全序列数据与上述历史序列数据之间的差异小,最终获得的补全序列数据也将包含较大的噪声。若将λ的取值调低,可使补全序列数据与上述历史序列数据之间的差异大,最终获得的补全序列数据中的噪声更少,即目标张量序列数据的精度高。
可选的,对式(7)的求解可通过一阶导数算法完成,例如交替方向乘法(alternating direction method of multipliers,ADMM)、加速近似梯度法(acceleratedproximal gradient,APG)、近似梯度法(proximal gradient,PG)。
本实施例通过将历史序列数据和待预测序列数据转化为待处理张量序列数据,并将依据历史序列数据确定目标序列数据的问题转化为对待处理张量序列数据的补全,再在补全的过程中通过求解上式(7)的最优解可提高获得的目标序列数据和补全序列数据的准确率。
基于实施例(一)和实施例(二)提供的技术方案,本申请实施例还提供了几种可能实现的应用场景:
场景A:获得多帧图像作为历史序列数据,并通过步骤701提供的技术方案基于历史序列数据获得应用张量序列数据,即将历史序列数据与待预测序列数据(如需要预测的历史序列数据之后的多帧图像)中的每一帧图像表示为矩阵,并给每一帧图像对应的矩阵添加时间戳获得一个3阶的应用张量序列数据,该3阶应用张量序列数据包括图像的横向维度的信息(如图像中的像素在横向方向的信息)、纵向维度的信息(如图像中的像素在纵向方向的信息)以及时间维度的信息(包含每一帧图像对应的矩阵的时间戳)。。对应用张量序列数据中的待预测张量序列数据(即待预测序列数据对应的张量序列数据)进行补全获得估计张量序列数据,依据式(4)和式(5)确定该估计张量序列数据的多个卷积核以及使用该多个卷积核中的每个卷积核对估计张量序列数据进行卷积处理获得的对应的特征数据。对所有卷积核对应的特征数据求和获得估计张量序列数据的卷积核范数。在满足式(6)中的约束条件的情况下,确定估计张量序列数据的卷积核范数小于预期时的估计张量序列数据中除历史序列数据之外的数据为待预测序列数据的预测结果,即历史序列数据之后的多帧图像。
例如,如图10所示,共包含通过监控摄像头采集到的62帧真实图像,其中第一行的图像的时间戳小于第二行图像的时间戳,第二行图像的时间戳小于第三行图像的时间戳,第三行图像的时间戳小于第四行图像的时间戳,第四行图像的时间戳小于第五行图像的时间戳。且在每一行图像中,自左至右时间戳依次增大。从图10中的历史数据可以看出,白色汽车从一开始未出现在图像区域内到从图像上方慢慢驶入图像区域内,再慢慢向图像下方驶出,在最后6帧真实序列数据(即图10的虚框内的6帧图像)中,白色汽车从图像下方驶出图像区域。现将图10中的前56帧图像(即图10中除虚框内的图像之外的所有图像)作为历史序列数据,且该56帧图像在历史序列数据中按时间戳从小到大的顺序依次排列。再依据实施例(一)和实施例(二)提供的技术方案基于由上述56帧图像构成的历史序列数据预测获得第57帧图像、第58帧图像、59帧图像、60帧图像、61帧图像、62帧图像。图11中虚框内的图像均为为应用本申请实施例提供的技术方案获得的预测结果(即目标序列数据)。其中,第一行为图10中虚框内的6帧图像,第二行为在卷积核的大小(即前文中的k)为13*13*13的情况下,获得的第一组目标序列数据,第三行为在卷积核的大小为13*13*31的情况下,获得的第二组目标序列数据,第四行为在卷积核的大小为13*13*62的情况下,获得的第三组目标序列数据。从图11中可以看出,上述三组目标序列数据中白色汽车的运动趋势符合历史序列数据中白色汽车的运动趋势(即逐渐从图像下方驶出图像区域),且目标序列数据中的每一帧图像与真实序列数据中相应的图像的相似度高,即目标序列数据的准确率高。此外,从图11中可以看出,第三组目标序列数据的准确率高于第一组目标序列数据的准确率和第二组目标序列的准确率,第二组目标序列数据的准确率高于第一组目标序列数据的准确率。从图11中可以看出,在历史序列数据为图10中的前56帧的情况下,卷积核的大小与目标序列数据的准确率呈正相关,可选的,用户可通过使用较大的卷积核对待处理序列数据进行处理,以提高获得的目标序列数据的准确率。
场景B:获得a地不同时间的降雨量作为历史序列数据,通过步骤701提供的技术方案基于历史序列数据获得应用张量序列数据,即将历史序列数据与待预测序列数据(如需要预测的历史序列数据之后的多个时间的降雨量)中每个降雨量数据表示为向量,并基于降雨量与降雨量对应的时间信息转化获得一个2阶的应用张量序列数据,该2阶应用张量序列数据包括降雨量维度的信息以及时间维度的信息。对应用张量序列数据中的待预测张量序列数据(即待预测序列数据对应的张量序列数据)进行补全获得估计张量序列数据,依据式(4)和式(5)确定该估计张量序列数据的多个卷积核以及使用该多个卷积核中的每个卷积核对估计张量序列数据进行卷积处理获得的对应的特征数据。对所有卷积核对应的特征数据求和获得估计张量序列数据的卷积核范数。在满足式(6)中的约束条件的情况下,确定估计张量序列数据的卷积核范数小于预期时的估计张量序列数据中除历史序列数据之外的数据为待预测序列数据的预测结果,即历史序列数据之后的多个时间下a地的降雨量。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
上述详细阐述了本申请实施例的方法,下面提供了本申请实施例的装置。
请参阅图12,图12为本申请实施例提供的一种数据处理装置的结构示意图,该装置1包括:获取单元11、处理单元12、第二处理单元13以及确定单元14,其中:
获取单元11,用于获取待处理序列数据,所述待处理序列数据包含多个待处理数据,所述多个待处理数据均包含一个或多个维度的数据;
处理单元12,用于依据所述待处理序列数据中不同维度的数据之间的第一相关性和/或所述待处理序列数据中不同的待处理数据之间的第二相关性,获得目标序列数据。
在一种可能实现的方式中,所述待处理序列数据包含历史序列数据,所述历史序列数据包含不完整数据;所述处理单元12用于:依据所述第一相关性和/或所述第二相关性,获得预测序列数据,所述预测序列数据包含补全所述历史序列数据中的不完整数据后获得的补全序列数据;确定所述预测序列数据中除所述补全序列数据之外的数据为所述目标序列数据。
在另一种可能实现的方式中,所述处理单元12具体用于:在所述预测序列数据中除所述补全序列数据之外的数据与所述历史序列数据之间的第三相关性大于或等于第一阈值,且所述补全序列数据与所述历史序列数据之间的差异小于或等于第二阈值的情况下,确定所述预测序列数据中除所述补全序列数据之外的数据为所述目标序列数据。
在又一种可能实现的方式中,所述装置1还包括:确定单元13,用于在所述预测序列数据中除所述补全序列数据之外的数据与所述历史序列数据之间的第三相关性大于或等于第一阈值,且所述补全序列数据与所述历史序列数据之间的差异小于或等于第二阈值的情况下,确定所述预测序列数据中除所述补全序列数据之外的数据为所述目标序列数据之前,依据所述补全序列数据与所述历史序列数据之间的差的范数,确定所述补全序列数据与所述历史序列数据之间的差异,所述差异与所述范数呈正相关。
在又一种可能实现的方式中,所述确定单元13用于:获得所述预测序列数据的多个特征数据,所述多个特征数据均用于描述所述预测序列数据的内容,所述多个特征数据中不同的特征数据描述所述预测序列数据的内容的角度不同;依据所述多个特征数据确定所述第三相关性。
在又一种可能实现的方式中,所述确定单元13具体用于:确定所述多个特征数据的和获得卷积核范数;基于所述卷积核范数确定所述第三相关性,所述卷积核范数与所述第三相关性呈负相关。
在又一种可能实现的方式中,所述确定单元13具体用于:获取多个卷积核,所述多个卷积核的范数均为第一预设值,所述多个卷积核中的任意两个卷积核均不相同;使用所述多个卷积核中的每个卷积核对所述预测序列数据进行卷积处理,获得每个卷积核对应的特征数据。
在又一种可能实现的方式中,所述获取单元11,还用于在所述依据所述待处理序列数据中不同维度的数据之间的第一相关性和/或所述待处理序列数据中不同的待处理数据之间的第二相关性,获得目标序列数据之前,获得所述待处理序列数据的多个特征数据;所述处理单元,还用于依据所述多个特征数据的和确定所述待处理序列数据的卷积核范数;所述处理单元12,还用于依据所述卷积核范数确定所述第一相关性和/或所述第二相关性,所述第一相关性和/或所述第二相关性与所述卷积核范数呈负相关。
在又一种可能实现的方式中,所述处理单元12具体用于:依据所述第一相关性和/或所述第二相关性,补全所述待处理序列数据中除所述历史序列数据之外的数据以及所述不完整数据,获得所述预测序列数据。
在又一种可能实现的方式中,所述获取单元11用于:获取多个包含属性的第一待处理数据,所述多个第一待处理数据中不同的数据包含的属性的内容不同,所述多个第一待处理数据描述的内容相同;以所述属性为依据对所述多个第一待处理数据进行排序,获得所述待处理序列数据。
在又一种可能实现的方式中,所述获取单元11具体用于:获取多个第二待处理数据;给所述多个第二待处理数据添加所述属性,获得所述多个包含属性的第一待处理数据。
在又一种可能实现的方式中,所述属性包括时间。
本实施例通过利用待处理序列数据中不同维度的数据之间的第一相关性和/或待处理序列数据中不同待处理数据之间的第二相关性,可提高基于待处理序列数据预测获得目标序列数据的准确率。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
图13为本申请实施例提供的一种数据处理装置的硬件结构示意图。该数据处理装置2包括处理器21,存储器22,输入装置23,输出装置24。该处理器21、存储器22、输入装置23和输出装置24通过连接器相耦合,该连接器包括各类接口、传输线或总线等等,本申请实施例对此不作限定。应当理解,本申请的各个实施例中,耦合是指通过特定方式的相互联系,包括直接相连或者通过其他设备间接相连,例如可以通过各类接口、传输线、总线等相连。
处理器21可以是一个或多个图形处理器(graphics processing unit,GPU),在处理器21是一个GPU的情况下,该GPU可以是单核GPU,也可以是多核GPU。可选的,处理器21可以是多个GPU构成的处理器组,多个处理器之间通过一个或多个总线彼此耦合。可选的,该处理器还可以为其他类型的处理器等等,本申请实施例不作限定。
存储器22可用于存储计算机程序指令,以及用于执行本申请方案的程序代码在内的各类计算机程序代码。可选地,存储器包括但不限于是随机存储记忆体(random accessmemory,RAM)、只读存储器(read-only memory,ROM)、可擦除可编程只读存储器(erasableprogrammable read only memory,EPROM)、或便携式只读存储器(compact disc read-only memory,CD-ROM),该存储器用于相关指令及数据。
输入装置23用于输入数据和/或信号,以及输出装置24用于输出数据和/或信号。输出装置23和输入装置24可以是独立的器件,也可以是一个整体的器件。
可理解,本申请实施例中,存储器22不仅可用于存储相关指令,还可用于存储序列数据,如该存储器22可用于存储通过输入装置23获取的待处理序列数据,又或者该存储器22还可用于存储通过处理器21获得的目标序列数据等等,本申请实施例对于该存储器中具体所存储的数据不作限定。
可以理解的是,图13仅仅示出了数据处理装置的简化设计。在实际应用中,数据处理装置还可以分别包含必要的其他元件,包含但不限于任意数量的输入/输出装置、处理器、存储器等,而所有可以实现本申请实施例的数据处理装置都在本申请的保护范围之内。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性计算机可读存储介质或非易失性计算机可读存储介质。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的方法的指令。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。所属领域的技术人员还可以清楚地了解到,本申请各个实施例描述各有侧重,为描述的方便和简洁,相同或类似的部分在不同实施例中可能没有赘述,因此,在某一实施例未描述或未详细描述的部分可以参见其他实施例的记载。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
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,或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriberline,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、服务器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取的任何可用介质或者是包含一个或多个可用介质集成的服务器、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,数字通用光盘(digital versatiledisc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:只读存储器(read-only memory,ROM)或随机存储存储器(random access memory,RAM)、磁碟或者光盘等各种可存储程序代码的介质。
Claims (10)
1.一种数据处理方法,其特征在于,所述方法包括:
获取待处理序列数据,所述待处理序列数据包含多个待处理数据,所述多个待处理数据均包含一个或多个维度的数据;
依据所述待处理序列数据中不同维度的数据之间的第一相关性和/或所述待处理序列数据中不同的待处理数据之间的第二相关性,获得目标序列数据。
2.根据权利要求1所述的方法,其特征在于,所述待处理序列数据包含历史序列数据,所述历史序列数据包含不完整数据;
所述依据所述待处理序列数据中不同维度的数据之间的第一相关性和/或所述待处理序列数据中不同的待处理数据之间的第二相关性,获得目标序列数据,包括:
依据所述第一相关性和/或所述第二相关性,获得预测序列数据,所述预测序列数据包含补全所述历史序列数据中的不完整数据后获得的补全序列数据;
确定所述预测序列数据中除所述补全序列数据之外的数据为所述目标序列数据。
3.根据权利要求2所述的方法,其特征在于,所述确定所述预测序列数据中除所述补全序列数据之外的数据为所述目标时间序列数据,包括:
在所述预测序列数据中除所述补全序列数据之外的数据与所述历史序列数据之间的第三相关性大于或等于第一阈值,且所述补全序列数据与所述历史序列数据之间的差异小于或等于第二阈值的情况下,确定所述预测序列数据中除所述补全序列数据之外的数据为所述目标序列数据。
4.根据权利要求3所述的方法,其特征在于,所述在所述预测序列数据中除所述补全序列数据之外的数据与所述历史序列数据之间的第三相关性大于或等于第一阈值,且所述补全序列数据与所述历史序列数据之间的差异小于或等于第二阈值的情况下,确定所述预测序列数据中除所述补全序列数据之外的数据为所述目标序列数据之前,所述方法还包括:
依据所述补全序列数据与所述历史序列数据之间的差的范数,确定所述补全序列数据与所述历史序列数据之间的差异,所述差异与所述范数呈正相关。
5.根据权利要求3或4所述的方法,其特征在于,所述在所述预测序列数据中除所述补全序列数据之外的数据预所述历史序列数据之间的第三相关性大于或等于第一阈值,且所述补全序列数据与所述历史序列数据之间的差异小于或等于第二阈值的情况下,确定所述预测序列数据中除所述补全序列数据之外的数据为所述目标序列数据之前,所述方法还包括:
获得所述预测序列数据的多个特征数据,所述多个特征数据均用于描述所述预测序列数据的内容,所述多个特征数据中不同的特征数据描述所述预测序列数据的内容的角度不同;
依据所述多个特征数据确定所述第三相关性。
6.根据权利要求5所述的方法,其特征在于,所述依据所述多个特征数据确定所述第三相关性,包括:
确定所述多个特征数据的和获得卷积核范数;
基于所述卷积核范数确定所述第三相关性,所述卷积核范数与所述第三相关性呈负相关。
7.一种数据处理装置,其特征在于,所述装置包括:
获取单元,用于获取待处理序列数据,所述待处理序列数据包含多个待处理数据,所述多个待处理数据均包含一个或多个维度的数据;
处理单元,用于依据所述待处理序列数据中不同维度的数据之间的第一相关性和/或所述待处理序列数据中不同的待处理数据之间的第二相关性,获得目标序列数据。
8.一种处理器,其特征在于,所述处理器用于执行如权利要求1至6中任意一项所述的方法。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述处理器执行所述计算机指令时,所述电子设备执行如权利要求1至6中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被电子设备的处理器执行时,使所述处理器执行权利要求1至6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910983537.7A CN110781223A (zh) | 2019-10-16 | 2019-10-16 | 数据处理方法及装置、处理器、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910983537.7A CN110781223A (zh) | 2019-10-16 | 2019-10-16 | 数据处理方法及装置、处理器、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110781223A true CN110781223A (zh) | 2020-02-11 |
Family
ID=69385694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910983537.7A Pending CN110781223A (zh) | 2019-10-16 | 2019-10-16 | 数据处理方法及装置、处理器、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781223A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111430013A (zh) * | 2020-03-24 | 2020-07-17 | 上海联影医疗科技有限公司 | 一种图像日期的补全方法、装置、设备及存储介质 |
CN111860582A (zh) * | 2020-06-11 | 2020-10-30 | 北京市威富安防科技有限公司 | 图像分类模型构建方法、装置、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678046A (zh) * | 2014-11-18 | 2016-06-15 | 日本电气株式会社 | 修补时空序列数据中的缺失数据的方法及装置 |
CN107463531A (zh) * | 2017-07-31 | 2017-12-12 | 广东精点数据科技股份有限公司 | 基于分箱灰色预测的波动数据缺失值处理方法及装置 |
CN109255768A (zh) * | 2018-09-21 | 2019-01-22 | 深圳市中科明望通信软件有限公司 | 图像补全方法、装置、终端及计算机可读存储介质 |
CN109299170A (zh) * | 2018-10-25 | 2019-02-01 | 南京大学 | 一种针对带标签时间序列数据的补全方法 |
US20190108453A1 (en) * | 2017-10-06 | 2019-04-11 | Formotiv LLC | Predicting actions based on psychographic optimization of biometric data |
CN109887515A (zh) * | 2019-01-29 | 2019-06-14 | 北京市商汤科技开发有限公司 | 音频处理方法及装置、电子设备和存储介质 |
CN110070511A (zh) * | 2019-04-30 | 2019-07-30 | 北京市商汤科技开发有限公司 | 图像处理方法和装置、电子设备及存储介质 |
-
2019
- 2019-10-16 CN CN201910983537.7A patent/CN110781223A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678046A (zh) * | 2014-11-18 | 2016-06-15 | 日本电气株式会社 | 修补时空序列数据中的缺失数据的方法及装置 |
CN107463531A (zh) * | 2017-07-31 | 2017-12-12 | 广东精点数据科技股份有限公司 | 基于分箱灰色预测的波动数据缺失值处理方法及装置 |
US20190108453A1 (en) * | 2017-10-06 | 2019-04-11 | Formotiv LLC | Predicting actions based on psychographic optimization of biometric data |
CN109255768A (zh) * | 2018-09-21 | 2019-01-22 | 深圳市中科明望通信软件有限公司 | 图像补全方法、装置、终端及计算机可读存储介质 |
CN109299170A (zh) * | 2018-10-25 | 2019-02-01 | 南京大学 | 一种针对带标签时间序列数据的补全方法 |
CN109887515A (zh) * | 2019-01-29 | 2019-06-14 | 北京市商汤科技开发有限公司 | 音频处理方法及装置、电子设备和存储介质 |
CN110070511A (zh) * | 2019-04-30 | 2019-07-30 | 北京市商汤科技开发有限公司 | 图像处理方法和装置、电子设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111430013A (zh) * | 2020-03-24 | 2020-07-17 | 上海联影医疗科技有限公司 | 一种图像日期的补全方法、装置、设备及存储介质 |
CN111430013B (zh) * | 2020-03-24 | 2023-10-03 | 上海联影医疗科技股份有限公司 | 一种图像日期的补全方法、装置、设备及存储介质 |
CN111860582A (zh) * | 2020-06-11 | 2020-10-30 | 北京市威富安防科技有限公司 | 图像分类模型构建方法、装置、计算机设备和存储介质 |
CN111860582B (zh) * | 2020-06-11 | 2021-05-11 | 北京市威富安防科技有限公司 | 图像分类模型构建方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427708B (zh) | 数据处理方法、装置、存储介质和电子装置 | |
CN111860398B (zh) | 遥感图像目标检测方法、系统及终端设备 | |
CN110245579B (zh) | 人流密度预测方法及装置、计算机设备及可读介质 | |
CN109117781B (zh) | 多属性识别模型的建立方法、装置及多属性识别方法 | |
CN110765860A (zh) | 摔倒判定方法、装置、计算机设备及存储介质 | |
CN111950723A (zh) | 神经网络模型训练方法、图像处理方法、装置及终端设备 | |
CN111079507B (zh) | 一种行为识别方法及装置、计算机装置及可读存储介质 | |
CN112101169A (zh) | 基于注意力机制的道路图像目标检测方法及相关设备 | |
CN114494981B (zh) | 一种基于多层次运动建模的动作视频分类方法及系统 | |
CN113283404B (zh) | 行人属性识别方法、装置、电子设备及存储介质 | |
CN113128478A (zh) | 模型训练方法、行人分析方法、装置、设备及存储介质 | |
CN111914908A (zh) | 一种图像识别模型训练方法、图像识别方法及相关设备 | |
CN115082752A (zh) | 基于弱监督的目标检测模型训练方法、装置、设备及介质 | |
CN111008631A (zh) | 图像的关联方法及装置、存储介质和电子装置 | |
CN110781223A (zh) | 数据处理方法及装置、处理器、电子设备及存储介质 | |
CN109685805A (zh) | 一种图像分割方法及装置 | |
CN111177460B (zh) | 提取关键帧的方法及装置 | |
CN112232506A (zh) | 网络模型训练方法、图像目标识别方法、装置和电子设备 | |
CN115457364A (zh) | 一种目标检测知识蒸馏方法、装置、终端设备和存储介质 | |
CN110633630B (zh) | 一种行为识别方法、装置及终端设备 | |
CN111914809A (zh) | 目标对象定位方法、图像处理方法、装置和计算机设备 | |
CN114820755B (zh) | 一种深度图估计方法及系统 | |
CN111126177B (zh) | 人数统计的方法及装置 | |
CN111539420B (zh) | 基于注意力感知特征的全景图像显著性预测方法及系统 | |
CN113822291A (zh) | 一种图像处理方法、装置、设备及存储介质 |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240510 |
|
AD01 | Patent right deemed abandoned |