CN111428613A - 数据处理方法、装置、设备和存储介质 - Google Patents

Abstract

本公开涉及一种数据处理方法、装置、设备和存储介质。所述方法包括：获取目标数据；将所述目标数据通过第一神经网络进行处理，得到所述目标数据的处理结果；其中，所述第一神经网络通过第二样本数据进行训练，所述第二样本数据从包含标签的第一样本数据中获得，所述第二样本数据的标签标识的类别与所述第二样本数据的真实类别一致。

Description

数据处理方法、装置、设备和存储介质

技术领域

本公开涉及计算机视觉技术领域，尤其涉及一种数据处理方法、装置、设备和存储介质。

背景技术

视频识别是一种可以识别视频内容并根据内容对视频进行分类的方法，近年来，随着各种神经网络的提出，视频识别取得了长足的发展。然而，由于视频标注的成本较高，标注视频数据集的增长却相对显得缓慢，在一定程度上制约了视频识别性能的提高。如何克服上述问题来提高视频识别的性能，成为目前一个亟待解决的问题。

发明内容

本公开提出了一种数据处理方案。

根据本公开的一方面，提供了一种数据处理方法，包括：

获取目标数据；将所述目标数据通过第一神经网络进行处理，得到所述目标数据的处理结果；其中，所述第一神经网络通过第二样本数据进行训练，所述第二样本数据从包含标签的第一样本数据中获得，所述第二样本数据的标签标识的类别与所述第二样本数据的真实类别一致。

在一种可能的实现方式中，所述目标数据包括视频数据；所述将所述目标数据通过第一神经网络进行处理，得到所述目标数据的处理结果，包括：将所述视频数据通过所述第一神经网络进行处理，得到所述视频数据的处理结果，其中，所述视频数据的处理结果包括所述视频数据的类别。

在一种可能的实现方式中，所述第二样本数据从包含标签的第一样本数据中获得，包括：获取包含标签的第一样本数据；根据所述第一样本数据的标签，选定至少一个所述第一样本数据作为所述第二样本数据。

在一种可能的实现方式中，所述获取包含标签的第一样本数据，包括：从样本数据集中检索与至少一个目标类别分别对应的样本数据；将所述至少一个目标类别分别对应的样本数据以及每个所述样本数据的标签，作为第一样本数据，其中，所述样本数据的标签为所述样本数据对应的目标类别。

在一种可能的实现方式中，所述根据所述第一样本数据的标签，选定至少一个所述第一样本数据作为所述第二样本数据，包括：获取所述第一样本数据的真实类别；在所述第一样本数据的标签标识的类别与所述第一样本数据的真实类别一致的情况下，将所述第一样本数据作为第二样本数据。

在一种可能的实现方式中，所述获取所述第一样本数据的真实类别，包括：将所述第一样本数据输入至第二神经网络，其中，所述第二神经网络通过包含标注有目标类别的第三样本数据进行训练；根据所述第二神经网络的输出，确定所述第一样本数据的真实类别。

在一种可能的实现方式中，所述第一神经网络的训练过程包括：将所述第三样本数据与所述第二样本数据输入至所述第一神经网络中进行训练；或者，对所述第二样本数据进行处理，生成第四样本数据，将所述第三样本数据与所述第四样本数据输入至所述第一神经网络中进行训练。

在一种可能的实现方式中，所述第一神经网络的训练过程包括：将所述第二样本数据输入至所述第一神经网络中进行训练；或者，对所述第二样本数据进行处理，生成第四样本数据，将所述第四样本数据输入至所述第一神经网络中进行训练。

在一种可能的实现方式中，所述对所述第二样本数据进行处理，生成第四样本数据，包括：在所述第二样本数据包括静态图像的情况下，根据所述静态图像生成动态图像，将生成的动态图像作为所述第四样本数据；和/或，在所述第二样本数据包括动态图像的情况下，对时间长度超过阈值的动态图像进行剪切，将剪切的动态图像作为所述第四样本数据。

在一种可能的实现方式中，所述第一样本数据包括静态图像和/或动态图像。

根据本公开的一方面，提供了一种数据处理装置，包括：

目标数据获取模块，用于获取目标数据；处理模块，用于将所述目标数据通过第一神经网络进行处理，得到所述目标数据的处理结果；其中，所述第一神经网络通过第二样本数据进行训练，所述第二样本数据从包含标签的第一样本数据中获得，所述第二样本数据的标签标识的类别与所述第二样本数据的真实类别一致。

在一种可能的实现方式中，所述目标数据包括视频数据；所述处理模块用于：将所述视频数据通过所述第一神经网络进行处理，得到所述视频数据的处理结果，其中，所述视频数据的处理结果包括所述视频数据的类别。

在一种可能的实现方式中，所述第二样本数据通过第二样本数据获取模块，从包含标签的第一样本数据中获得，所述第二样本数据获取模块用于：获取包含标签的第一样本数据；根据所述第一样本数据的标签，选定至少一个所述第一样本数据作为所述第二样本数据。

在一种可能的实现方式中，所述第二样本数据获取模块进一步用于：从样本数据集中检索与至少一个目标类别分别对应的样本数据；将所述至少一个目标类别分别对应的样本数据以及每个所述样本数据的标签，作为第一样本数据，其中，所述样本数据的标签为所述样本数据对应的目标类别。

在一种可能的实现方式中，所述第二样本数据获取模块进一步用于：获取所述第一样本数据的真实类别；在所述第一样本数据的标签标识的类别与所述第一样本数据的真实类别一致的情况下，将所述第一样本数据作为第二样本数据。

在一种可能的实现方式中，所述第二样本数据获取模块进一步用于：将所述第一样本数据输入至第二神经网络，其中，所述第二神经网络通过包含标注有目标类别的第三样本数据进行训练；根据所述第二神经网络的输出，确定所述第一样本数据的真实类别。

在一种可能的实现方式中，所述第一神经网络通过训练模块训练，所述训练模块用于：将所述第三样本数据与所述第二样本数据输入至所述第一神经网络中进行训练；或者，对所述第二样本数据进行处理，生成第四样本数据，将所述第三样本数据与所述第四样本数据输入至所述第一神经网络中进行训练。

在一种可能的实现方式中，所述第一神经网络通过训练模块训练，所述训练模块用于：将所述第二样本数据输入至所述第一神经网络中进行训练；或者，对所述第二样本数据进行处理，生成第四样本数据，将所述第四样本数据输入至所述第一神经网络中进行训练。

在一种可能的实现方式中，所述训练模块进一步用于：在所述第二样本数据包括静态图像的情况下，根据所述静态图像生成动态图像，将生成的动态图像作为所述第四样本数据；和/或，在所述第二样本数据包括动态图像的情况下，对时间长度超过阈值的动态图像进行剪切，将剪切的动态图像作为所述第四样本数据。

在一种可能的实现方式中，所述第一样本数据包括静态图像和/或动态图像。

根据本公开的一方面，提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行上述数据处理方法。

根据本公开的一方面，提供了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数据处理方法。

在本公开实施例中，通过从第一样本数据中得到标签标识的类别与真实类别一致的第二样本数据，来训练第一神经网络，从而利用训练的第一神经网络实现对目标数据的处理，得到目标数据的处理结果。通过上述过程，可以利用便于获取的大量且具有准确标签的第二样本数据，减小第一神经网络的训练工作量，提升第一神经网络的工作精度与性能，继而减小目标数据的处理难度，提升目标数据处理结果的准确性。

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。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

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示出根据本公开一实施例的数据处理方法的流程图。

图2示出根据本公开一实施例的过滤第一样本数据的示意图。

图3示出根据本公开一实施例的过滤第一样本数据的示意图。

图4示出根据本公开一实施例的第四样本数据的生成示意图。

图5示出根据本公开一实施例的第四样本数据的生成示意图。

图6示出根据本公开一实施例的数据处理装置的框图。

图7示出根据本公开一应用示例的示意图。

图8示出根据本公开实施例的一种电子设备的框图。

图9示出根据本公开实施例的一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

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。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开一实施例的数据处理方法的流程图，该方法可以应用于终端设备、服务器或者其他处理设备等。其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal DigitalAssistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一个示例中，该神经网络的训练方法可以应用于人工智能处理器等芯片设备中。

在一些可能的实现方式中，该神经网络的训练方法也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。

如图1所示，所述数据处理方法可以包括：

步骤S11，获取目标数据。

步骤S12，将目标数据通过第一神经网络进行处理，得到目标数据的处理结果；其中，

第一神经网络通过第二样本数据进行训练，第二样本数据从包含标签的第一样本数据中获得，第二样本数据的标签标识的类别与第二样本数据的真实类别一致。

其中，第一神经网络可以是用于对目标数据进行分类或识别的神经网络，目标数据的具体实现形式，可以根据实际情况灵活决定。在一种可能的实现方式中，第一神经网络可以是用于进行视频识别的神经网络，即目标数据可以为视频数据，在目标数据包括视频数据的情况下，在一种可能的实现方式中，步骤S12可以包括：

将视频数据通过第一神经网络进行处理，得到视频数据的处理结果，其中，视频数据的处理结果包括视频数据的类别。

通过上述公开实施例可以看出，在目标数据包括视频数据的情况下，第一神经网络可以识别视频内容，并根据视频的内容将其划分为不同的类别。举例来说，第一神经网络可以通过视频识别内容，将视频划分为运动视频、休闲视频、搞笑视频等，具体如何分类可以根据视频识别的实际需求灵活决定，在本公开实施例中不做限制。在一种可能的实现方式中，目标数据也可以其他的多媒体数据，如静态图片、动态图片(GIF)或是其余数据类型等，此时第一神经网络可以扩展应用于对相应的数据类型进行识别或分类等。

后续各公开实施例均以第一神经网络用于视频识别为例进行说明，目标数据为其他数据类型或第一神经网络应用于其他领域的方式可以根据后续各公开实施例进行相应的扩展，不再赘述。

由于第一神经网络可以存在多种实现形式，相应地，用于训练第一神经网络的第二样本数据，以及用于生成第二样本数据的第一样本数据，其具体的实现形式可以根据第一神经网络的具体应用类别而灵活决定。在一种可能的实现方式中，在第一神经网络可以为用于进行视频识别的神经网络的情况下，第一样本数据可以包括：静态图像和/或动态图像。由于第二样本数据可以从第一样本数据中获得，因此，用于训练第一神经网络的第二样本数据，其所属类别可以与第一样本数据相同，或是包含在第一样本数据的类别之中。

其中，静态图像可以是静态图片、静态帧等，由于视频可以按照时间被划分为多帧静态图片，因此相应地，静态图片与静态帧也可以根据一定的方式构建成视频用于第一神经网络的训练，因此可以将静态图像作为第一样本数据。

动态图像可以是长视频、短视频或是图像互换格式(Graphics InterchangeFormat，GIF)图片等，其中，长视频与短视频可以是根据视频的时长而划分的视频，具体划分的时间长度可以根据实际需求进行定义，在本公开实施例中不做限制。无论动态图像为长视频还是短视频，其均可以用于第一神经网络的训练，因此可以作为第一样本数据。而GIF则可以划分为多个静态帧，然后再根据这些静态帧以一定的方式构建成视频，继而可以用于第一神经网络的训练，因此也可以作为第一样本数据。

通过包括有静态图像和/或动态图像的第一样本数据，可以利用各种各样的多媒体类型(如图片、短视频或长视频等)来训练第一神经网络，提高训练第一神经网络的数据的多样性，继而提升第一神经网络的训练效果和应用精度，从而提升数据处理结果的效果和精度。

进一步地，随着第一神经网络与第一样本数据的多种实现形式，第一样本数据中所包含的标签，其实现形式也可以根据实际情况灵活决定。在一种可能的实现方式中，在第一神经网络可以为用于进行视频识别的神经网络的情况下，第一样本数据中的标签可以为用于表明第一样本数据内容类别的标签，举例来说，由于第一神经网络可以将视频划分为运动视频、休闲视频、搞笑视频等，相应地，这些被划分的视频可以根据其内容包含有运动、休闲或是搞笑等标签。具体的标签数量和类别可以根据实际的识别需求进行灵活决定，在本公开实施例中不做限制。

随着第一样本数据实现方式的不同，第二样本数据的获取方式也可以随之灵活变化。在一种可能的实现方式中，第一样本数据的标签所标识的类别可能与第一样本数据的真实类别不一致，即标签并未正确反映第一样本数据的真实类别，比如，第一样本数据可能为一个搞笑视频，但是第一样本数据的标签为运动标签，与第一样本数据的真实类别搞笑不一致。如果直接利用第一样本数据训练第一神经网络，有可能降低第一神经网络的精度，因此，可以从第一样本数据进中获得标签标识的类别与真实类别一致的第二样本数据，具体如何获得第二样本数据也可以详见下述各公开实施例，在此同样先不做展开。

在本公开实施例中，通过从第一样本数据中得到标签标识的类别与真实类别一致的第二样本数据，来训练第一神经网络，从而利用训练的第一神经网络实现对目标数据的处理，得到目标数据的处理结果。通过上述过程，可以利用便于获取的大量且具有准确标签的第二样本数据，减小第一神经网络的训练工作量，提升第一神经网络的工作精度与性能，继而减小目标数据的处理难度，提升目标数据处理结果的准确性。

通过上述各公开实施例可以看出，对目标数据处理的第一神经网络主要通过第二样本数据进行训练，而第二样本数据可以从第一样本数据中获得，具体如何获得的实现方式可以根据实际情况灵活决定，在一种可能的实现方式中，第二样本数据从包含标签的第一样本数据中获得，可以包括：

步骤S21，获取包含标签的第一样本数据。

步骤S22，根据第一样本数据的标签，选定至少一个第一样本数据作为第二样本数据。

其中，获取包含标签的第一样本数据的实现方式，可以根据第一样本数据的实现形式灵活决定。具体的获取方式可以参见下述各公开实施例，在此先不做展开。

上述公开实施例已经提出，第一样本数据的标签标识的类别可能与第一样本数据的真实类别不一致，因此，在一种可能的实现方式中，可以通过步骤S22，基于第一样本数据的标签，选定至少一个第一样本数据来作为第二样本数据，具体选定的第二样本数据的数量，可以根据第一样本数据的实际情况，以及实际对第二样本数据的需求灵活决定。选定的标准可以根据实际需求灵活决定，详见下述各公开实施例，在此先不做展开。

在本公开实施例中，通过获取包含标签的第一样本数据，并根据第一样本数据的标签，选定至少一个第一样本数据作为第二样本数据。通过上述过程，可以便于利用第一样本数据的标签，从第一样本数据中直接获取大量具有准确标签的第二样本数据，减小了第二样本数据的获取难度，从而提升了第一神经网络训练的便捷程度，继而提升了数据处理的实用性和可行性。

上述公开实施例中已经提出步骤S21的实现方式可以灵活决定。在一种可能的实现方式中，步骤S21可以包括：

步骤S111，从样本数据集中检索与至少一个目标类别分别对应的样本数据。

步骤S112，将至少一个目标类别分别对应的样本数据以及每个样本数据的标签，作为第一样本数据，其中，样本数据的标签为样本数据对应的目标类别。

其中，目标类别可以是第一神经网络可以识别的类别，具体的数量与实现方式均可以根据第一神经网络的实际情况灵活决定。举例来说，在第一神经网络用于进行识别的情况下，其可以将视频划分为运动、休闲以及搞笑等多个类别，相应地，可以将运动、休闲以及搞笑分别作为目标类别，在每个目标类别下来进行数据检索，从而得到对应的运动长视频、运动图片、休闲短视频、休闲图片、搞笑视频或是搞笑图片等。

样本数据集的实现形式不受限制，可以是任何存储有包含标签的样本数据的数据库，比如将视频按照标签进行分类存储的数据库等，也可以是任何存储有不包含标签，仅包含有样本数据的数据内容的数据库，比如不包含任何分类或标签的视频数据库等。数据库的规模在本公开实施例中也不做限制，可以根据实际情况灵活决定，在一个示例中，可以将互联网的整体存储空间作为数据库。

检索的实现形式可以根据实际情况灵活决定。在一种可能的实现方式中，可以将目标类别作为关键词，在互联网根据关键词爬取对应的多媒体数据(图片、短视频或长视频等)，从而得到每个目标类别下的多个爬取结果作为检索结果。在一种可能的实现方式中，也可以是在特定的数据库中(比如某一特定的视频数据库、视频数据集或是视频网站等)，按照目标类别进行检索，来得到每个目标类别下的检索结果。另外，检索结果的数量在本公开实施例中不做限制，根据检索的方式以及检索的位置灵活决定。

由于数据检索是在至少一个目标类别下进行的，因此，得到的样本数据均存在对应的目标类别，因此，在一种可能的实现方式中，可以直接将对应的目标类别作为检索结果的标签，从而将包含有标签的样本数据作为第一样本数据，用于后续从第一样本数据中获得第二样本数据以及第一神经网络的训练等步骤。在一种可能的实现方式中，样本数据集中存储的样本数据可能本身就包含标签，比如某些视频网站可以直接在视频上传的过程中为数据进行打标，来表明视频内容，在这种情况下，可以直接将包含有标签的样本数据作为第一样本数据。

通过从样本数据集中检索与至少一个目标类别分别对应的样本数据，并将检索到的样本数据及对应的标签，作为第一样本数据。通过上述过程，可以通过较为便捷地方式得到大量包含标签的第一样本数据。既可以提升获得的样本数据的数据量，从而提升第一神经网络的训练精度；又可以减小对视频进行人工标注得到标签的工作量，从而节约时间成本和人力成本，提升第一神经网络的训练效率。

在一种可能的实现方式中，在通过数据检索的方式获取第一样本数据的情况下，可能由于检索不准确或检索数据库中分类的不准确，导致第一样本数据的标签与真实类别不相符。因此，可以通过步骤S22，根据第一样本数据的标签选定至少一个第一样本数据作为第二样本数据。步骤S22的实现方式可以根据实际情况灵活决定，在一种可能的实现方式中，可以通过人工筛选的方式，在第一样本数据中筛选出标签无误的数据作为第二样本数据。在一种可能的实现方式中，步骤S22可以包括：

步骤S221，获取第一样本数据的真实类别。

步骤S222，在第一样本数据的标签标识的类别与第一样本数据的真实类别一致的情况下，将第一样本数据作为第二样本数据。

其中，步骤S221中，获取至少一个第一样本数据的真实类别，可以是每次分别获取一个第一样本数据的真实类别，也可以是批量获取多个第一样本数据的真实类别，具体如何实现可以根据实际情况灵活决定。另外，由于第一样本数据可能包含大量数据，在通过步骤S221获取第二样本数据的过程中，可以是获取第一样本数据中每个数据的真实类别，也可以直接进行一些预筛选，将一些标签与真实类别明显不符的数据进行排除，然后获取剩余第一样本数据的真实类别。

在获取了至少一个第一样本数据的真实类别后，可以比较这些第一样本数据的标签标识的类别与真实类别，若一致，则可以通过步骤S222将这些第一样本数据作为第二样本数据，若不一致，则可以对这些第一样本数据进行删除。

在一种可能的实现方式中，可能存在一些情况，得到的第一样本数据的真实类别虽然与标签不一致，但是该第一样本数据的真实类别也属于第一神经网络的目标类别，举例来说，可能获取的某一第一样本数据的标签为搞笑视频，然而通过步骤S221，可以确定该第一样本数据的真实类别为运动视频，与搞笑视频不一致。这种情况下，在一种可能的实现方式中，可以直接删除这一第一样本数据，不将其作为第二样本数据，在一种可能的实现方式中，也可以修改该第一样本数据的标签，将其修改为与真实类别一致的标签，并将修改后的第一样本数据作为第二样本数据。具体如何操作，可以根据实际情况灵活选择，不局限于某种实现方式。

通过获取至少一个第一样本数据的真实类别，并在第一样本数据的标签标识的类别与真实类别一致的情况下，将第一样本数据作为样本数据。可以有效地从第一样本数据中筛选出标签标识的类别与真实类别一致的数据用于第一神经网络的训练，既提高了第一神经网络的训练精度，也有效降低了第一神经网络的样本数据量级，从而在保证训练精度的同时，有效节省存储资源和计算资源，也有效节省了第一神经网络的训练时间。

具体地，如何获取每个第一样本数据的真实类别，其实现方式同样可以根据实际情况灵活决定。在一种可能的实现方式中，可以通过特定的视频识别或图像视频算法，来分别判断每个第一样本数据的类别。在一种可能的实现方式中，也可以通过具有视频识别功能的神经网络来对第一样本数据进行识别，从而确定每个第一样本数据的真实类别。

因此，在一种可能的实现方式中，步骤S221可以包括：

步骤S2211，将第一样本数据输入至第二神经网络。

步骤S2212，根据第二神经网络的输出，确定第一样本数据的真实类别。

其中，第二神经网络可以是能够对第一样本数据的类别进行识别的任意网络，实现方式在本公开实施例中不做限制。在将第一样本数据输入到第二神经网络后，第二神经网络可以输出与输入的第一样本数据对应的类别，从而实现第一样本数据真实类别的确定。

在一种可能的实现方式中，由于第一神经网络和第二神经网络均可以识别输入数据的类别，因此第一神经网络可以与第二神经网络的实现方式相同，也可以不同。

在第一神经网络与第二神经网络的实现方式相同的情况下，本公开实施例提出的神经网络训练方法，可以是在获取第一样本数据后，利用具有视频识别功能的第二神经网络，从获取的大量样本数据中获取第二样本数据，然后将获取的第二样本数据再次输入至该第二神经网络中，得到具有更高精度的第一神经网络。

在第一神经网络与第二神经网络的实现方式不同的情况下，本公开实施例提出的神经网络训练方法，可以是在获取第一样本数据后，利用具有视频识别功能的第二神经网络，对获取的大量样本数据中获取第二样本数据，然后将获取的第二样本数据输入到一个任意的与第二神经网络不同的神经网络模型中，训练得到具有较高精度的第一神经网络。

通过将第一样本数据输入至第二神经网络，然后根据第二神经网络的输出，确定第一样本数据的真实类别。通过上述过程，可以利用具有类别识别功能的第二神经网络，确定第一样本数据的真实类别，这种方式可以较为便捷且准确地确认第一样本数据的真实类别，从而提高获取第二样本数据的效率和精度，继而提高第一神经网络的训练效率和精度。

由于可以通过第二神经网络来确定第一样本数据的真实类别，而神经网络在实现过程中可以通过训练来实现其功能，因此，第二神经网络可以通过相应地样本数据进行训练。在一种可能的实现方式中，第二神经网络可以通过包含标注有目标类别的第三样本数据进行训练。

通过上述公开实施例可以看出，第三样本数据的标签可以通过标注目标类别的形式获得，即第三样本数据的类别可以通过人工标注的方式进行确定。人工标注的方式可以较为准确地反应第三样本数据的真实类别，因此，通过第三样本数据训练得到的第二神经网络具有较为准确的精度，可以较为准确地从第一样本数据中获取第二样本数据。而且，由于第二神经网络通过包含标注有目标类别的第三样本数据进行训练所获得，且第二神经网络用于获取第二样本数据，因此，得到的第二样本数据与第三样本数据的状态和类型较为相近，具有与第三样本数据相似的准确度。从而使得通过第二样本数据训练出的第一神经网络可以具有较好的精度，与通过大量人工标注数据训练出的神经网络相比，在具有相似的识别精度和效果的同时，大大降低了样本数据量和训练时间，节省了时间与人力成本。

图2与图3示出根据本公开一实施例的从第一样本数据中获取第二样本数据的示意图，其中，图2为从第一样本数据中获取的第二样本数据，图3为不能作为第二样本数据的第一样本数据，通过图2和图3的对比可以看出，从第一样本数据中获取的第二样本数据，相对于不能作为第二样本数据的第一样本数据来说，不仅与标签具有一致的真实类别，而且具有更为清晰的内容，与通过人工进行类别标注的第三样本数据更加相近，因此通过该第二样本数据训练处的第一神经网络，可以具有较好的识别精度和效果。

在通过步骤S22得到了第二样本数据后，通过上述各公开实施例可以看出，可以利用第二样本数据对第一神经网络进行训练，在本公开实施例中，可以将第一神经网络的训练过程记为步骤S23。训练的方式可以根据实际情况灵活决定，在一种可能的实现方式中，步骤S23可以包括：

步骤S231，将第三样本数据与所述第二样本数据输入至第一神经网络中进行训练。

或者，

步骤S232，对第二样本数据进行处理，生成第四样本数据，将第三样本数据与第四样本数据输入至第一神经网络中进行训练。

其中，第四样本数据可以是经由第二样本数据处理后得到的样本数据，上述公开实施例中已经提出，第二样本数据可以具有图片、动态图片、短视频或长视频等多种类型，而第一神经网络可以主要用于对视频的识别，因此，对于不同类型的第二样本数据，如果进行相应地处理，可以更好地用于对第一神经网络的训练，从而提升第一神经网络的训练效果。具体如何处理，可以根据实际情况灵活决定，在此先不做展开，详见后续各公开实施例。

通过上述公开实施例可以看出，在本公开实施例中，无论是处理前的第二样本数据，还是处理后的第四样本数据，都可以与第三样本数据共同作为整体的样本数据输入到第一神经网络中，对第一神经网络进行训练。由于第三样本数据包含通过人工进行标注的类别，因此第三样本数据具有较高的准确度，将其与第二样本数据或第四样本数据进行联合实现对第一神经网络的联合训练，可以提升第一神经网络的训练精度，使得训练好的第一神经网络具有较好的识别效果。

在一种可能的实现方式中，步骤S23也可以包括：

步骤S233，将第二样本数据输入至第一神经网络中进行训练。或者，

步骤S234，对第二样本数据进行处理，生成第四样本数据，将第四样本数据输入至第一神经网络中进行训练。

通过上述公开实施例可以看出，在本公开实施例中，无论是处理前的第二样本数据，还是处理后的第四样本数据，也可以直接作为整体的样本数据输入到第一神经网络中，对第一神经网络进行训练。这种方式可以较为便捷地实现对第一神经网络的训练，提高神经网络的训练效率。

具体地，在一种可能的实现方式中，对第二样本数据进行处理，生成第四样本数据，可以包括：

在第二样本数据包括静态图像的情况下，根据静态图像生成动态图像，将生成的动态图像作为第四样本数据。和/或，

在第二样本数据包括动态图像的情况下，对时间长度超过阈值的动态图像进行剪切，将剪切的动态图像作为第四样本数据。

上述公开实施例中已经提出，第一样本数据可以包括静态图像和/或动态图像，而第二样本数据从第一样本数据中获得，因此第二样本数据也可以包括静态图像和/或动态图像。

由于本公开实施例中提出的第一神经网络可以用于对视频的识别，因此，如果直接将静态图像作为输入的样本数据来训练第一神经网络，可能会降低第一神经网络的精度。因此，可以根据静态图像来生成动态的视频图像，从而将生成的动态图像作为第四样本数据输入到第一神经网络中进行训练。具体地，根据静态图像生成动态图像的方式不受限定，可以根据实际情况灵活决定。图4示出根据本公开一实施例的第四样本数据的生成示意图，如图所示，在一种可能的实现方式中，对于一张静态图片，可以通过多次复制得到多帧图像，将这多帧图像在时间上进行连接，则可以构造出一个伪视频作为第四样本数据。从图中还可以看出，在一种可能的实现方式中，可以在利用静态图片通过多次复制得到多帧图像的基础上，对其中的某些帧添加一些扰动(如对这些帧进行形变等)，来模拟视频拍摄过程中可能存在的抖动情况，从而构造出一个更加真实的伪视频作为第四样本数据。扰动(或形变)的添加方式在本公开实施例中不做限定，在一种可能的实现方式中，可以构建一个第三神经网络，并将多个真实视频输入到第三神经网络中进行训练，从而使得该第三神经网络可以实现利用静态图片生成动态视频的功能，这样，在实际应用的过程中，可以在第二样本数据包括静态图像的情况下，将第二样本数据中的静态图像输入到该第三神经网络中，并将第三神经网络的输出作为第四样本数据。

另一方面，对于时间长度较长的视频，如果直接输入到第一神经网络进行训练，可能消耗大量的计算资源和存储资源，降低第一神经网络的训练效率。因此，在一种可能的实现方式中，可以对时间长度超过阈值的动态图像进行剪切，将剪切的动态图像作为第四样本数据。其中，判断时间长度的阈值，其具体的数值可以根据实际情况进行灵活设定，在本公开实施例中不做限制。具体的剪切方式在本公开实施例中也不做限定，图5示出根据本公开一实施例的第四样本数据的生成示意图，如图所示，在一种可能的实现方式中，可以将长视频中以不同的间隔截取相互之间不连续的多帧图像，将这些多帧图像按照时间进行拼接，构造一个剪切后的视频作为第四样本数据；在一种可能的实现方式中，也可以在长视频中选定其中的一段连续的视频作为第四样本数据；在一些可能的实现方式中，也可以考虑从长视频中选取一帧或多帧、连续或不连续的一段或多段视频等，按照时间顺序任意拼接来构造剪切后的视频等，具体选择根据需求进行灵活确定即可。

需要注意的是，在本公开实施例中，在将第二样本数据处理成第四样本数据的过程中，仅仅是为了改动第二样本数据的数据类型，使得其更便于对第一神经网络进行训练，因此一般不会对第二样本数据的标签进行改动，即第四样本数据的标签与对应的第二样本数据的标签一致。

通过在第二样本数据包括静态图像的情况下，根据静态图像生成动态图像，将生成的动态图像作为第四样本数据；和/或，在第二样本数据包括动态图像的情况下，对时间长度超过阈值的动态图像进行剪切，将剪切的动态图像作为第四样本数据。一方面可以提升训练得到的第一样本数据的精度，另一方面可以降低训练过程的数据量和训练时间，同时，可以增加样本数据的多样性，提升训练得到的第一样本数据的鲁棒性和应用范围。

图6示出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30包括：

目标数据获取模块31，用于获取目标数据。

处理模块32，用于将目标数据通过第一神经网络进行处理，得到目标数据的处理结果；其中，第一神经网络通过第二样本数据进行训练，第二样本数据从包含标签的第一样本数据中获得，第二样本数据的标签标识的类别与第二样本数据的真实类别一致。

在一种可能的实现方式中，目标数据包括视频数据；处理模块用于：将视频数据通过第一神经网络进行处理，得到视频数据的处理结果，其中，视频数据的处理结果包括视频数据的类别。

在一种可能的实现方式中，第二样本数据通过第二样本数据获取模块，从包含标签的第一样本数据中获得，第二样本数据获取模块用于：获取包含标签的第一样本数据；根据第一样本数据的标签，选定至少一个第一样本数据作为第二样本数据。

在一种可能的实现方式中，第二样本数据获取模块进一步用于：从样本数据集中检索与至少一个目标类别分别对应的样本数据；将至少一个目标类别分别对应的样本数据以及每个样本数据的标签，作为第一样本数据，其中，样本数据的标签为样本数据对应的目标类别。

在一种可能的实现方式中，第二样本数据获取模块进一步用于：获取第一样本数据的真实类别；在第一样本数据的标签标识的类别与第一样本数据的真实类别一致的情况下，将第一样本数据作为第二样本数据。

在一种可能的实现方式中，第二样本数据获取模块进一步用于：将第一样本数据输入至第二神经网络，其中，第二神经网络通过包含标注有目标类别的第三样本数据进行训练；根据第二神经网络的输出，确定第一样本数据的真实类别。

在一种可能的实现方式中，第一神经网络通过训练模块训练，训练模块用于：将第三样本数据与第二样本数据输入至第一神经网络中进行训练；或者，对第二样本数据进行处理，生成第四样本数据，将第三样本数据与第四样本数据输入至第一神经网络中进行训练。

在一种可能的实现方式中，第一神经网络通过训练模块训练，训练模块用于：将第二样本数据输入至第一神经网络中进行训练；或者，对第二样本数据进行处理，生成第四样本数据，将第四样本数据输入至第一神经网络中进行训练。

在一种可能的实现方式中，训练模块进一步用于：在第二样本数据包括静态图像的情况下，根据静态图像生成动态图像，将生成的动态图像作为第四样本数据；和/或，在第二样本数据包括动态图像的情况下，对时间长度超过阈值的动态图像进行剪切，将剪切的动态图像作为第四样本数据。

在一种可能的实现方式中，第一样本数据包括静态图像和/或动态图像。

应用场景示例

近年来，随着各种三维神经网络的提出，视频识别神经网络取得了长足的发展。如何以较小的数据与计算量，训练得到一个具有较高精度的视频神经网络，成为一个亟待解决的问题。

图7示出了根据本公开一应用示例的示意图，如图所示，本公开实施例提出了一种神经网络的训练方法，可以用于对视频识别神经网络的训练，其具体过程可以为：

第一步，使用带有人工标注的目标数据集，训练得到一个Teacher模型(即图中的第二神经网络模型)；

其中，目标数据集可以是上述各公开实施例中提到的第三样本数据，Teacher模型可以是上述各公开实施例中提到的第二神经网络。在本公开应用示例中，Teacher模型可以是一个具有基本视频识别功能的神经网络模型，Teacher模型可以识别视频的内容，并按照内容将其分类，如分类为运动视频、休闲视频、搞笑视频或是其他多种类别等，由于目标数据集通过人工标注得到，其数据量可能较低，因此Teacher模型的精度可能较低。

第二步，利用关键词从互联网爬取各种多媒体数据；

其中，爬取的多媒体数据可以是上述各公开实施例中提到的第一样本数据。关键词可以是根据视频识别类别所确定的关键词，如爬取运动视频的关键词可以包含有运动、动作或是sports等；搞笑视频的关键词可以包括搞笑、有趣或是funny等。爬取到的多媒体数据也可以包含多种类型，如图所示，可以有图片、剪辑视频或未剪辑视频等，也可以有短视频或长视频等；在爬取到多媒体数据后，可以将检索到该多媒体数据的关键词所对应的类别作为多媒体数据的标签，与多媒体数据进行绑定。

第三步，利用Teacher模型对爬取的多媒体数据进行过滤，保留有用数据；

其中，有用数据可以是爬取到的多媒体数据中，真实类别与标签标识的类别一致的数据，即上述各公开实施例中提到的第二样本数据。在本公开应用示例中，由于Teacher模型可以识别视频类别，因此将多媒体数据输入到Teacher模型中，可以确定多媒体数据的真实类别，若该真实类别与多媒体数据绑定的标签一致，则可以认为这一多媒体数据为有用数据进行保留，若该真实类别与多媒体数据绑定的标签不一致，则可以删除该多媒体数据。

第四步，利用过滤所得的有用数据和原始的目标数据集进行联合训练，得到最终的Student模型(即图中的第一神经网络模型)；

其中，Student模型是与Teacher模型具有相同功能的神经网络模型，即上述各公开实施例中提到的第一神经网络，由于其可以通过爬取过滤后得到的大量有用数据和目标数据集共同训练，因此该Student模型相对于Teacher模型来说，可以具有更高的识别精度和更好的识别效果。在利用有用数据和目标数据集进行联合训练的过程中，基于数据的形式，可以对数据进行不同的变换来得到第四样本数据，以输入到Student模型中进行训练，从而达到更好的训练效果。举例来说，如图所示，对于静态图片，可以通过图中的T_A变换来进行重复并施加一些扰动来生成一段伪视频来得到第四样本数据；对于长视频，可以通过图中的T_C变换来从长视频中截取出小段视频来得到第四样本数据；对于本身已经经过剪辑的视频，可以通过图中的T_B变换，比如拼接、进一步剪辑或是不进行任何处理等操作来得到第四样本数据。

通过上述公开应用示例，可以采用较低的样本数据量和较少的训练时间，来构建一个具有较好识别精度的视频识别神经网络，从而达到节约时间成本和人力成本的目的。通过实验验证，本公开应用示例提出的神经网络训练方法，在保证神经网络精度的同时，相对于相关的神经网络训练方法来说，在样本数据量上降低了2至3个数量级，通过硬盘即可实现对样本数据的存储，继而也有效降低了总体的训练时间。

本公开应用示例中提出的神经网络的训练方法，除了可以应用于视频识别神经网络的训练过程中以外，也可以应用到其他与视频或图像相关的神经网络的训练任务之中。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

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。

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。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

在实际应用中，上述存储器可以是易失性存储器(volatile memory)，例如RAM；或者非易失性存储器(non-volatile memory)，例如ROM，快闪存储器(flash memory)，硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；或者上述种类的存储器的组合，并向处理器提供指令和数据。

上述处理器可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器功能的电子器件还可以为其它，本公开实施例不作具体限定。

电子设备可以被提供为终端、服务器或其它形态的设备。

基于前述实施例相同的技术构思，本公开实施例还提供了一种计算机程序，该计算机程序被处理器执行时实现上述方法。

图8是根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关人员信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图9是根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图9，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态人员信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (13)

1.一种数据处理方法，其特征在于，包括：

获取目标数据；

将所述目标数据通过第一神经网络进行处理，得到所述目标数据的处理结果；其中，

所述第一神经网络通过第二样本数据进行训练，所述第二样本数据从包含标签的第一样本数据中获得，所述第二样本数据的标签标识的类别与所述第二样本数据的真实类别一致。

2.根据权利要求1所述的方法，其特征在于，所述目标数据包括视频数据；

所述将所述目标数据通过第一神经网络进行处理，得到所述目标数据的处理结果，包括：

将所述视频数据通过所述第一神经网络进行处理，得到所述视频数据的处理结果，其中，所述视频数据的处理结果包括所述视频数据的类别。

3.根据权利要求1或2所述的方法，其特征在于，所述第二样本数据从包含标签的第一样本数据中获得，包括：

获取包含标签的第一样本数据；

根据所述第一样本数据的标签，选定至少一个所述第一样本数据作为所述第二样本数据。

4.根据权利要求3所述的方法，其特征在于，所述获取包含标签的第一样本数据，包括：

从样本数据集中检索与至少一个目标类别分别对应的样本数据；

将所述至少一个目标类别分别对应的样本数据以及每个所述样本数据的标签，作为第一样本数据，其中，所述样本数据的标签为所述样本数据对应的目标类别。

5.根据权利要求3或4所述的方法，其特征在于，所述根据所述第一样本数据的标签，选定至少一个所述第一样本数据作为所述第二样本数据，包括：

获取所述第一样本数据的真实类别；

在所述第一样本数据的标签标识的类别与所述第一样本数据的真实类别一致的情况下，将所述第一样本数据作为第二样本数据。

6.根据权利要求5所述的方法，其特征在于，所述获取所述第一样本数据的真实类别，包括：

将所述第一样本数据输入至第二神经网络，其中，所述第二神经网络通过包含标注有目标类别的第三样本数据进行训练；

根据所述第二神经网络的输出，确定所述第一样本数据的真实类别。

7.根据权利要求6所述的方法，其特征在于，所述第一神经网络的训练过程包括：

将所述第三样本数据与所述第二样本数据输入至所述第一神经网络中进行训练；或者，

对所述第二样本数据进行处理，生成第四样本数据，将所述第三样本数据与所述第四样本数据输入至所述第一神经网络中进行训练。

8.根据权利要求1至6中任意一项所述的方法，其特征在于，所述第一神经网络的训练过程包括：

将所述第二样本数据输入至所述第一神经网络中进行训练；或者，

对所述第二样本数据进行处理，生成第四样本数据，将所述第四样本数据输入至所述第一神经网络中进行训练。

9.根据权利要求7或8所述的方法，其特征在于，所述对所述第二样本数据进行处理，生成第四样本数据，包括：

在所述第二样本数据包括静态图像的情况下，根据所述静态图像生成动态图像，将生成的动态图像作为所述第四样本数据；和/或，

在所述第二样本数据包括动态图像的情况下，对时间长度超过阈值的动态图像进行剪切，将剪切的动态图像作为所述第四样本数据。

10.根据权利要求1至9中任意一项所述的方法，其特征在于，所述第一样本数据包括静态图像和/或动态图像。

11.一种数据处理装置，其特征在于，包括：

目标数据获取模块，用于获取目标数据；

处理模块，用于将所述目标数据通过第一神经网络进行处理，得到所述目标数据的处理结果；其中，

所述第一神经网络通过第二样本数据进行训练，所述第二样本数据从包含标签的第一样本数据中获得，所述第二样本数据的标签标识的类别与所述第二样本数据的真实类别一致。

12.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至10中任意一项所述的方法。

13.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至10中任意一项所述的方法。

Images