CN110852394B - 数据处理方法及装置、计算机系统以及可读存储介质 - Google Patents
数据处理方法及装置、计算机系统以及可读存储介质 Download PDFInfo
- Publication number
- CN110852394B CN110852394B CN201911111661.0A CN201911111661A CN110852394B CN 110852394 B CN110852394 B CN 110852394B CN 201911111661 A CN201911111661 A CN 201911111661A CN 110852394 B CN110852394 B CN 110852394B
- Authority
- CN
- China
- Prior art keywords
- neural network
- human body
- convolutional layer
- image data
- convolutional neural
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种数据处理方法,包括:将获取到的图像数据输入卷积神经网络中,其中,卷积神经网络包括一个或多个卷积层;获取卷积神经网络中的目标卷积层的输出结果,其中,输出结果包括多个特征区域;获取每个特征区域与目标卷积层中的神经元的对应关系;通过分类模型对输出结果中的每个特征区域进行分类,确定每个特征区域对应的类别;以及根据每个特征区域对应的类别,以及每个特征区域与目标卷积层中的神经元的对应关系,确定目标卷积层中的神经元与类别的对应关系。本公开还提供了一种数据处理装置、一种计算机系统以及一种计算机可读存储介质。
Description
技术领域
本公开涉及一种数据处理方法、一种数据处理装置、一种计算机系统以及一种计算机可读存储介质。
背景技术
近年来,人工智能领域的深度学习方法取得重大进展。与传统的机器学习方法相比较,例如决策树、支持向量机等,深度学习极大地提升了预测准确性。然而,神经网络在推理过程和决策结果的可解释性方面非常薄弱。实际上,无论对用户还是对开发人员,深度神经网络都是一个黑盒系统,即内部工作机制不容易被人们理解。在许多实际应用中,例如业务决策和流程优化、医学诊断和治疗方案,使用人工智能系统的可解释性和透明性都显得特别重要,无论对使用者还是受影响者、以及对研究人员和开发人员都是如此。
发明内容
本公开的一个方面提供了一种数据处理方法,包括:将获取到的图像数据输入卷积神经网络中,其中,上述卷积神经网络包括一个或多个卷积层;获取上述卷积神经网络中的目标卷积层的输出结果,其中,上述输出结果包括多个特征区域;获取每个特征区域与上述目标卷积层中的神经元的对应关系;通过分类模型对上述输出结果中的每个特征区域进行分类,确定上述每个特征区域对应的类别;以及根据上述每个特征区域对应的类别,以及上述每个特征区域与上述目标卷积层中的神经元的对应关系,确定上述目标卷积层中的神经元与类别的对应关系。
可选地,上述图像数据为人体图像数据,上述类别包括人体的各个部位,上述方法还包括,在确定上述目标卷积层中的神经元与类别的对应关系之后:输出上述人体的各个部位各自对应的神经元的激活值;以及将上述人体的各个部位以及上述各个部位各自对应的神经元的激活值进行关联展示。
可选地,将上述人体的各个部位以及上述各个部位各自对应的神经元的激活值进行关联展示包括:展示上述人体的人体模型图;以及在上述人体模型图的各个部位展示各自对应的神经元的激活值。
可选地,上述方法还包括预先训练得到上述分类模型,包括:获取用于训练上述卷积神经网络的图像数据;将上述用于训练上述卷积神经网络的图像数据输入上述卷积神经网络,并获取上述卷积神经网络中的目标卷积层的输出结果;以及根据上述目标卷积层的输出结果对待训练分类模型进行训练。
可选地,上述方法还包括在将获取到的图像数据输入卷积神经网络中之前,对上述获取到的图像数据进行识别,以确定上述获取到的图像数据中的人体区域数据;以及将上述人体区域数据输入上述卷积神经网络中。
本公开的另一个方面提供了一种数据处理装置,包括:输入模块,用于将获取到的图像数据输入卷积神经网络中,其中,上述卷积神经网络包括一个或多个卷积层;第一获取模块,用于获取上述卷积神经网络中的目标卷积层的输出结果,其中,上述输出结果包括多个特征区域;第二获取模块,用于获取每个特征区域与上述目标卷积层中的神经元的对应关系;第一确定模块,用于通过分类模型对上述输出结果中的每个特征区域进行分类,确定上述每个特征区域对应的类别;以及第二确定模块,用于根据上述每个特征区域对应的类别,以及上述每个特征区域与上述目标卷积层中的神经元的对应关系,确定上述目标卷积层中的神经元与类别的对应关系。
可选地,上述图像数据为人体图像数据,上述类别包括人体的各个部位,上述装置还包括:输出模块,用于在确定上述目标卷积层中的神经元与类别的对应关系之后,输出上述人体的各个部位各自对应的神经元的激活值;以及展示模块,用于将上述人体的各个部位以及上述各个部位各自对应的神经元的激活值进行关联展示;
其中,将上述人体的各个部位以及上述各个部位各自对应的神经元的激活值进行关联展示包括:展示上述人体的人体模型图;以及在上述人体模型图的各个部位展示各自对应的神经元的激活值。
可选地,上述装置还包括训练模块,用于预先训练得到上述分类模型,包括:获取用于训练上述卷积神经网络的图像数据;将上述用于训练上述卷积神经网络的图像数据输入上述卷积神经网络,并获取上述卷积神经网络中的目标卷积层的输出结果;以及根据上述目标卷积层的输出结果对待训练分类模型进行训练。
本公开的另一方面提供了一种计算机系统,包括:一个或多个处理器;计算机可读存储介质,用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如上所述的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序,所述计算机程序包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
通过本公开的实施例,在卷积神经网络处理图像数据的过程中,获取卷积神经网络中的目标卷积层的输出结果,通过分类模型对目标卷积层的输出结果进行处理,以便对输出结果中的每个特征区域进行分类,确定每个特征区域对应的类别。根据每个特征区域对应的类别,以及每个特征区域与目标卷积层中的神经元的对应关系,可以确定目标卷积层中的神经元与类别的对应关系。在这种情况下,可以确定卷积神经网络中的神经元的功能,有助于理解卷积神经网络最终的输出结果,提高了卷积神经网络的可解释性。通过确定神经元与类别的对应关系,可以揭示神经网络如何进行判别的工作机制,增加系统的透明度和可解释性。
附图说明
为了更完整地理解本公开及其优势,现在将参考结合附图的以下描述,其中:
图1示意性示出了根据本公开实施例的可以应用数据处理方法及装置的系统示意图;
图2示意性示出了根据本公开实施例的数据处理方法的流程图;
图3示意性示出了根据本公开另一实施例的数据处理方法的流程图;
图4示意性示出了根据本公开实施例的在人体模型图的各个部位展示各自对应的神经元的激活值的示意图;
图5示意性示出了根据本公开实施例的预先训练得到分类模型的流程图;
图6示意性示出了根据本公开实施例的数据处理装置的框图;以及
图7示意性示出了根据本公开实施例的适于实现本公开数据处理方法的计算机系统的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式,该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
本公开的实施例提供了一种数据处理方法,包括:将获取到的图像数据输入卷积神经网络中,其中,卷积神经网络包括一个或多个卷积层;获取卷积神经网络中的目标卷积层的输出结果,其中,输出结果包括多个特征区域;获取每个特征区域与目标卷积层中的神经元的对应关系;通过分类模型对输出结果中的每个特征区域进行分类,确定每个特征区域对应的类别;以及根据每个特征区域对应的类别,以及每个特征区域与目标卷积层中的神经元的对应关系,确定目标卷积层中的神经元与类别的对应关系。
图1示意性示出了根据本公开实施例的可以应用数据处理方法及装置的系统示意图。需要注意的是,图1所示仅为可以应用本公开实施例的场景的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,卷积神经网络101包括输入层,隐藏层和输出层。其中,隐藏层可以由一个或多个卷积层组成,每一层卷积层可以包括多个神经元。根据本公开的实施例,卷积层和神经元的数量不做限定,可以根据实际需要进行构建。
分类模型102可以获取卷积神经网络101中的目标卷积层的输出结果,其中,输出结果包括多个特征区域,通过分类模型102可以对输出结果中的每个特征区域进行分类,确定每个特征区域对应的类别。根据每个特征区域对应的类别,每个特征区域与目标卷积层中的神经元的对应关系,可以确定出目标卷积层中的神经元与类别的对应关系。
图2示意性示出了根据本公开实施例的数据处理方法的流程图。
如图2所示,该方法包括操作S210~S250。
在操作S210,将获取到的图像数据输入卷积神经网络中,其中,卷积神经网络包括一个或多个卷积层。
根据本公开的实施例,卷积神经网络的组成不做限定。例如,卷积神经网络的卷积层的数量,神经元的数量,全连接层的数量等等不做限定。
根据本公开的实施例,图像数据例如可以是人体图像数据,也可以是动物等其他对象的图像数据。获取图像数据的方式可以是通过用户上传图像及摄像头现场拍摄照片等等,本公开对获取方式不做限定。
在操作S220,获取卷积神经网络中的目标卷积层的输出结果,其中,输出结果包括多个特征区域。
根据本公开的实施例,目标卷积层可以是卷积神经网络中的任意一个卷积层,例如,可以是卷积神经网络中的最后一层卷积层。输出结果可以是特征图,特征图中可以包括一个或多个特征区域。以人体图像为例,将人体图像输入卷积神经网络,经过目标卷积层计算后得到输出结果,输出结果可以是人体的特征图,该特征图中可以包括人体不同部位的特征,每个部位的特征可以属于一个特征区域。
在操作S230,获取每个特征区域与目标卷积层中的神经元的对应关系。
根据本公开的实施例,每个特征区域与目标卷积层中的神经元的对应关系可以解释特征区域是由目标卷积层中的哪个或哪些目标神经元处理后得到的,或者可以解释特征区域与目标卷积层中的哪个或哪些目标神经元关联性高。
在操作S240,通过分类模型对输出结果中的每个特征区域进行分类,确定每个特征区域对应的类别。
根据本公开的实施例,以输出结果为人体特征图为例,通过分类模型可以对人体特征图中的特征区域进行分类。例如,第一特征区域对应头部,第二特征区域对应臀部,第三特征区域对应腿部等等。类别可以是指部位类型。
在操作S250,根据每个特征区域对应的类别,以及每个特征区域与目标卷积层中的神经元的对应关系,确定目标卷积层中的神经元与类别的对应关系。
根据本公开的实施例,例如,第一特征区域对应头部,第一特征区域对应目标卷积层中的第一神经元、第二神经元和第三神经元。那么,可以确定目标卷积层中的第一神经元、第二神经元和第三神经元与头部是对应的。
在相关技术中,无论对用户还是对开发人员,深度神经网络都是一个黑盒系统,即内部工作机制不容易被人们理解。通过本公开的实施例,在卷积神经网络处理图像数据的过程中,获取卷积神经网络中的目标卷积层的输出结果,通过分类模型对目标卷积层的输出结果进行处理,以便对输出结果中的每个特征区域进行分类,确定每个特征区域对应的类别。根据每个特征区域对应的类别,以及每个特征区域与目标卷积层中的神经元的对应关系,可以确定目标卷积层中的神经元与类别的对应关系。在这种情况下,可以确定卷积神经网络中的神经元的功能,有助于理解卷积神经网络最终的输出结果,提高了卷积神经网络的可解释性。通过确定神经元与类别的对应关系,可以揭示神经网络如何进行判别的工作机制,增加系统的透明度和可解释性。
下面参考图3~图5,结合具体实施例对图2所示的方法做进一步说明。
图3示意性示出了根据本公开另一实施例的数据处理方法的流程图。
根据本公开的实施例,图像数据可以是人体图像数据,特征区域的类别包括人体的各个部位。或者,图像数据可以是动物图像数据,特征区域的类别包括动物的各个部位。
如图3所示,该方法包括操作S310~S320。
在操作S310,在确定目标卷积层中的神经元与类别的对应关系之后,输出人体的各个部位各自对应的神经元的激活值。
根据本公开的实施例,目标卷积层可以是隐藏层中的最后一层卷积层。
在操作S320,将人体的各个部位以及各个部位各自对应的神经元的激活值进行关联展示。
根据本公开的实施例,将人体的各个部位以及各个部位各自对应的神经元的激活值进行关联展示可以包括展示人体的人体模型图,在人体模型图的各个部位展示各自对应的神经元的激活值。
图4示意性示出了根据本公开实施例的在人体模型图的各个部位展示各自对应的神经元的激活值的示意图。
本公开所提供的数据处理方法可以由电子设备执行,电子设备可以对图像数据进行处理。如图4所示,对于输入图像401,在将获取到的图像数据输入到卷积神经网络中之前,可以对获取到的图像数据进行识别,以确定获取到的图像数据中的人体区域数据。根据本公开的实施例,可以对获取到的图像进行分割,得到多个人体区域,其中一个人体区域可以是如图4中的人体区域402所示。需要说明的是,根据分割算法的不同,对人体边缘检测的效果也不同,图4中的人体区域402仅为示例,可以采用更为精确的分割算法得到边缘更为准确的人体区域。
根据本公开的实施例,还可以在图像上显示标识信息,以响应卷积神经网络和/或分类模型检测到的部位。如图4所示,可以在用户的头、左肩、右肩、臀部、左膝、右膝、左脚、右脚位置显示相应的标识,以响应电子设备检测到用户的头、左肩、右肩、臀部、左膝、右膝、左脚、右脚。如此,可以提高神经网络的可解释性。
根据本公开的实施例,在得到人体区域之后,再将人体区域数据输入卷积神经网络中,可以提高解释卷积神经网络中的神经元的内部运行机制的可解释性,使得解释结果更为准确。
根据本公开的实施例,可以预先构建人体模型图。如图4所示,可以在电子设备的显示单元中展示人体模型图403。人体模型图403中可以包括适合对人体做解释的八个部位,以达到对人体的较佳解释。人体模型图的每个节点代表人体的部件,不同节点之间也对应人体部件的相互位置关系。八个部位例如可以包括:头、左肩、右肩、臀部、左膝、右膝、左脚、右脚。
通过构建人体模型图,在人体模型图的各个部位展示各自对应的神经元的激活值,可以可视化神经网络中的神经元与人体部位的对应关系,以揭示神经网络如何进行判别的工作机制,增加系统的透明度和可解释性。
通过本公开的实施例,不仅能够显示卷积神经网络输出结果,如图4所示,将输入图像数据判断为人体的概率,如result Yes;而且,能够显示卷积神经网络内部运行机制,例如,神经元对应人体模型中部位的激活值情况,如图4所示,头部的激活值为0.75,左肩的激活值为-0.75,右肩的激活值为-0.75,臀的激活值为0.5等等。
图5示意性示出了根据本公开实施例的预先训练得到分类模型的流程图。
如图5所示,预先训练得到分类模型包括操作S510~S530。
在操作S510,获取用于训练卷积神经网络的图像数据。
根据本公开的实施例,例如,收集正面人体照片10000张和非正面人体照片(可以包括各种类型照片)10000张,训练VGG16二分类深度学习网络,使得VGG16二分类深度学习网络准确率达到99.5%以上。根据VGG16最后一层卷积层的输出结果,构建512*20的人体模型图节点,每个通道对应20个节点。可以随机初始化网络节点,对每张训练样本中的正面人体图像,输入VGG16模型,提取最后一层卷积层的输出。
在操作S520,将用于训练卷积神经网络的图像数据输入卷积神经网络,并获取卷积神经网络中的目标卷积层的输出结果。
在操作S530,根据目标卷积层的输出结果对待训练分类模型进行训练。
根据本公开的实施例,分类模型可以是高斯混合模型。对每张图片每个通道上的输出,可以用高斯混合模型进行拟合。在训练过程中,可以反复迭代预定轮数,例如,可以反复迭代20轮。然后输出拟合后高斯混合模型的峰值最大的8个点,对应人体的各个部位。例如,对应头、左肩、右肩、臀部、左膝、右膝、左脚、右脚。
根据本公开的实施例,对于新图像的判断,可以将新图像输入卷积神经网络,然后提取最后一个卷积层的输出结果,输出结果中包括多个特征区域。把输出值和训练得到的高斯混合模型相乘,选取峰值点,根据峰值点可以确定各个特征区域的类别。通过本公开的实施例,利用卷积神经网络中的目标卷积层的输出结果训练分类模型,提供了一种新的训练方法,使得可以通过分类模型实现确定神经元与类别的对应关系。
图6示意性示出了根据本公开实施例的数据处理装置的框图。
如图6所示,数据处理装置600包括输入模块610、第一获取模块620、第二获取模块630、第一确定模块640和第二确定模块650。
输入模块610用于将获取到的图像数据输入卷积神经网络中,其中,卷积神经网络包括一个或多个卷积层。
第一获取模块620用于获取卷积神经网络中的目标卷积层的输出结果,其中,输出结果包括多个特征区域。
第二获取模块630用于获取每个特征区域与目标卷积层中的神经元的对应关系。
第一确定模块640用于通过分类模型对输出结果中的每个特征区域进行分类,确定每个特征区域对应的类别。
第二确定模块650用于根据每个特征区域对应的类别,以及每个特征区域与目标卷积层中的神经元的对应关系,确定目标卷积层中的神经元与类别的对应关系。
在相关技术中,无论对用户还是对开发人员,深度神经网络都是一个黑盒系统,即内部工作机制不容易被人们理解。通过本公开的实施例,在卷积神经网络处理图像数据的过程中,获取卷积神经网络中的目标卷积层的输出结果,通过分类模型对目标卷积层的输出结果进行处理,以便对输出结果中的每个特征区域进行分类,确定每个特征区域对应的类别。根据每个特征区域对应的类别,以及每个特征区域与目标卷积层中的神经元的对应关系,可以确定目标卷积层中的神经元与类别的对应关系。在这种情况下,可以确定卷积神经网络中的神经元的功能,有助于理解卷积神经网络最终的输出结果,提高了卷积神经网络的可解释性。通过确定神经元与类别的对应关系,可以揭示神经网络如何进行判别的工作机制,增加系统的透明度和可解释性。
根据本公开的实施例,图像数据包括人体图像数据,每个特征区域对应的类别包括人体的各个部位,数据处理装置600还包括输出模块,用于在确定目标卷积层中的神经元与类别的对应关系之后,输出人体的各个部位各自对应的神经元的激活值;以及展示模块,用于将人体的各个部位以及各个部位各自对应的神经元的激活值进行关联展示;其中,将人体的各个部位以及各个部位各自对应的神经元的激活值进行关联展示包括:展示人体的人体模型图;以及在人体模型图的各个部位展示各自对应的神经元的激活值。
根据本公开的实施例,数据处理装置600还包括训练模块,用于预先训练得到分类模型,包括:获取用于训练卷积神经网络的图像数据;将用于训练卷积神经网络的图像数据输入卷积神经网络,并获取卷积神经网络中的目标卷积层的输出结果;以及根据目标卷积层的输出结果对待训练分类模型进行训练。
数据处理装置600还包括识别模块,用于在将获取到的图像数据输入卷积神经网络中之前,对获取到的图像数据进行识别,以确定获取到的图像数据中的人体区域数据;以及输入模块610用于将人体区域数据输入卷积神经网络中。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,输入模块610、第一获取模块620、第二获取模块630、第一确定模块640和第二确定模块650中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,输入模块610、第一获取模块620、第二获取模块630、第一确定模块640和第二确定模块650中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,输入模块610、第一获取模块620、第二获取模块630、第一确定模块640和第二确定模块650中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
本公开还提供了一种计算机系统,包括:一个或多个处理器;计算机可读存储介质,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述的数据处理方法。
图7示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机系统的方框图。图7示出的计算机系统仅仅是一个示例,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7所示,计算机系统700包括处理器710和计算机可读存储介质720。该计算机系统700可以执行根据本公开实施例的方法。
具体地,处理器710例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器710还可以包括用于缓存用途的板载存储器。处理器710可以是用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
计算机可读存储介质720,例如可以是非易失性的计算机可读存储介质,具体示例包括但不限于:磁存储装置,如磁带或硬盘(HDD);光存储装置,如光盘(CD-ROM);存储器,如随机存取存储器(RAM)或闪存;等等。
计算机可读存储介质720可以包括计算机程序721,该计算机程序721可以包括代码/计算机可执行指令,其在由处理器710执行时使得处理器710执行根据本公开实施例的方法或其任何变形。
计算机程序721可被配置为具有例如包括计算机程序模块的计算机程序代码。例如,在示例实施例中,计算机程序721中的代码可以包括一个或多个程序模块,例如包括721A、模块721B、……。应当注意,模块的划分方式和个数并不是固定的,本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合,当这些程序模块组合被处理器710执行时,使得处理器710可以执行根据本公开实施例的方法或其任何变形。
根据本发明的实施例,输入模块610、第一获取模块620、第二获取模块630、第一确定模块640和第二确定模块650中的至少一个可以实现为参考图7描述的计算机程序模块,其在被处理器710执行时,可以实现上面描述的相应操作。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储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执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于: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)、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。
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,上述模块、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,框图或流程图中的每个方框、以及框图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。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
尽管已经参照本公开的特定示例性实施例示出并描述了本公开,但是本领域技术人员应该理解,在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下,可以对本公开进行形式和细节上的多种改变。因此,本公开的范围不应该限于上述实施例,而是应该不仅由所附权利要求来进行确定,还由所附权利要求的等同物来进行限定。
Claims (10)
1.一种数据处理方法,包括:
将获取到的图像数据输入卷积神经网络中,其中,所述卷积神经网络包括一个或多个卷积层;
获取所述卷积神经网络中的目标卷积层的输出结果,其中,所述输出结果包括多个特征区域;
获取每个特征区域与所述目标卷积层中的神经元的对应关系;
通过分类模型对所述输出结果中的每个特征区域进行分类,确定所述每个特征区域对应的类别;以及
根据所述每个特征区域对应的类别,以及所述每个特征区域与所述目标卷积层中的神经元的对应关系,确定所述目标卷积层中的神经元与类别的对应关系。
2.根据权利要求1所述的方法,其中,所述图像数据为人体图像数据,所述类别包括人体的各个部位,所述方法还包括,在确定所述目标卷积层中的神经元与类别的对应关系之后:
输出所述人体的各个部位各自对应的神经元的激活值;以及
将所述人体的各个部位以及所述各个部位各自对应的神经元的激活值进行关联展示。
3.根据权利要求2所述的方法,其中,将所述人体的各个部位以及所述各个部位各自对应的神经元的激活值进行关联展示包括:
展示所述人体的人体模型图;以及
在所述人体模型图的各个部位展示各自对应的神经元的激活值。
4.根据权利要求1所述的方法,还包括预先训练得到所述分类模型,包括:
获取用于训练所述卷积神经网络的图像数据;
将所述用于训练所述卷积神经网络的图像数据输入所述卷积神经网络,并获取所述卷积神经网络中的目标卷积层的输出结果;以及
根据所述目标卷积层的输出结果对待训练分类模型进行训练。
5.根据权利要求1所述的方法,还包括:
在将获取到的图像数据输入卷积神经网络中之前,对所述获取到的图像数据进行识别,以确定所述获取到的图像数据中的人体区域数据;以及
将所述人体区域数据输入所述卷积神经网络中。
6.一种数据处理装置,包括:
输入模块,用于将获取到的图像数据输入卷积神经网络中,其中,所述卷积神经网络包括一个或多个卷积层;
第一获取模块,用于获取所述卷积神经网络中的目标卷积层的输出结果,其中,所述输出结果包括多个特征区域;
第二获取模块,用于获取每个特征区域与所述目标卷积层中的神经元的对应关系;
第一确定模块,用于通过分类模型对所述输出结果中的每个特征区域进行分类,确定所述每个特征区域对应的类别;以及
第二确定模块,用于根据所述每个特征区域对应的类别,以及所述每个特征区域与所述目标卷积层中的神经元的对应关系,确定所述目标卷积层中的神经元与类别的对应关系。
7.根据权利要求6所述的装置,其中,所述图像数据为人体图像数据,所述类别包括人体的各个部位,所述装置还包括:
输出模块,用于在确定所述目标卷积层中的神经元与类别的对应关系之后,输出所述人体的各个部位各自对应的神经元的激活值;以及
展示模块,用于将所述人体的各个部位以及所述各个部位各自对应的神经元的激活值进行关联展示;
其中,将所述人体的各个部位以及所述各个部位各自对应的神经元的激活值进行关联展示包括:
展示所述人体的人体模型图;以及
在所述人体模型图的各个部位展示各自对应的神经元的激活值。
8.根据权利要求6所述的装置,还包括训练模块,用于预先训练得到所述分类模型,包括:
获取用于训练所述卷积神经网络的图像数据;
将所述用于训练所述卷积神经网络的图像数据输入所述卷积神经网络,并获取所述卷积神经网络中的目标卷积层的输出结果;以及
根据所述目标卷积层的输出结果对待训练分类模型进行训练。
9.一种计算机系统,包括:
一个或多个处理器;
计算机可读存储介质,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至5中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911111661.0A CN110852394B (zh) | 2019-11-13 | 2019-11-13 | 数据处理方法及装置、计算机系统以及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911111661.0A CN110852394B (zh) | 2019-11-13 | 2019-11-13 | 数据处理方法及装置、计算机系统以及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852394A CN110852394A (zh) | 2020-02-28 |
CN110852394B true CN110852394B (zh) | 2022-03-25 |
Family
ID=69601688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911111661.0A Active CN110852394B (zh) | 2019-11-13 | 2019-11-13 | 数据处理方法及装置、计算机系统以及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852394B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177567B (zh) * | 2020-11-11 | 2021-09-17 | 苏州知云创宇信息科技有限公司 | 一种基于云计算服务的图像数据处理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346622A (zh) * | 2013-07-31 | 2015-02-11 | 富士通株式会社 | 卷积神经网络分类器及其分类方法和训练方法 |
CN107392085A (zh) * | 2017-05-26 | 2017-11-24 | 上海精密计量测试研究所 | 可视化卷积神经网络的方法 |
CN107516130A (zh) * | 2017-09-02 | 2017-12-26 | 胡明建 | 一种多阀值多函数择端输出人工神经元的设计方法 |
CN108765425A (zh) * | 2018-05-15 | 2018-11-06 | 深圳大学 | 图像分割方法、装置、计算机设备和存储介质 |
CN109858506A (zh) * | 2018-05-28 | 2019-06-07 | 哈尔滨工程大学 | 一种面向卷积神经网络分类结果的可视化算法 |
CN109934249A (zh) * | 2018-12-14 | 2019-06-25 | 网易(杭州)网络有限公司 | 数据处理方法、装置、介质和计算设备 |
CN109934226A (zh) * | 2019-03-13 | 2019-06-25 | 厦门美图之家科技有限公司 | 关键区域确定方法、装置及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190005387A1 (en) * | 2017-07-02 | 2019-01-03 | Ants Technology (Hk) Limited | Method and system for implementation of attention mechanism in artificial neural networks |
-
2019
- 2019-11-13 CN CN201911111661.0A patent/CN110852394B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346622A (zh) * | 2013-07-31 | 2015-02-11 | 富士通株式会社 | 卷积神经网络分类器及其分类方法和训练方法 |
CN107392085A (zh) * | 2017-05-26 | 2017-11-24 | 上海精密计量测试研究所 | 可视化卷积神经网络的方法 |
CN107516130A (zh) * | 2017-09-02 | 2017-12-26 | 胡明建 | 一种多阀值多函数择端输出人工神经元的设计方法 |
CN108765425A (zh) * | 2018-05-15 | 2018-11-06 | 深圳大学 | 图像分割方法、装置、计算机设备和存储介质 |
CN109858506A (zh) * | 2018-05-28 | 2019-06-07 | 哈尔滨工程大学 | 一种面向卷积神经网络分类结果的可视化算法 |
CN109934249A (zh) * | 2018-12-14 | 2019-06-25 | 网易(杭州)网络有限公司 | 数据处理方法、装置、介质和计算设备 |
CN109934226A (zh) * | 2019-03-13 | 2019-06-25 | 厦门美图之家科技有限公司 | 关键区域确定方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110852394A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378381B (zh) | 物体检测方法、装置和计算机存储介质 | |
CN109978893B (zh) | 图像语义分割网络的训练方法、装置、设备及存储介质 | |
Singh et al. | Image classification: a survey | |
US20170169314A1 (en) | Methods for object localization and image classification | |
EP3654248A1 (en) | Verification of classification decisions in convolutional neural networks | |
Suriyal et al. | Mobile assisted diabetic retinopathy detection using deep neural network | |
US9892326B2 (en) | Object detection in crowded scenes using context-driven label propagation | |
CN106897738A (zh) | 一种基于半监督学习的行人检测方法 | |
Sami et al. | Waste management using machine learning and deep learning algorithms | |
CN111291809A (zh) | 一种处理装置、方法及存储介质 | |
US11120297B2 (en) | Segmentation of target areas in images | |
US20240087368A1 (en) | Companion animal life management system and method therefor | |
US11727686B2 (en) | Framework for few-shot temporal action localization | |
CN112101114B (zh) | 一种视频目标检测方法、装置、设备以及存储介质 | |
Balemans et al. | Resource efficient sensor fusion by knowledge-based network pruning | |
CN112541394A (zh) | 黑眼圈及鼻炎识别方法、系统及计算机介质 | |
Kamilaris et al. | Training deep learning models via synthetic data: Application in unmanned aerial vehicles | |
Raja et al. | A novel fuzzy-based modified GAN and faster RCNN for classification of banana leaf disease | |
CN110852394B (zh) | 数据处理方法及装置、计算机系统以及可读存储介质 | |
US20240104697A1 (en) | Attributing generated visual content to training examples | |
CN113255715A (zh) | 标识神经网络中的过滤器的方法、其系统和存储介质 | |
Swathi et al. | A deep learning-based object detection system for blind people | |
CN112699907A (zh) | 数据融合的方法、装置和设备 | |
CN116189130A (zh) | 基于图像标注模型的车道线分割方法及装置 | |
CN115841605A (zh) | 目标检测网络训练与目标检测方法、电子设备、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |