CN111797865A - 数据处理方法、装置、存储介质和电子设备 - Google Patents
数据处理方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN111797865A CN111797865A CN201910282191.8A CN201910282191A CN111797865A CN 111797865 A CN111797865 A CN 111797865A CN 201910282191 A CN201910282191 A CN 201910282191A CN 111797865 A CN111797865 A CN 111797865A
- Authority
- CN
- China
- Prior art keywords
- classification
- task
- model
- knowledge
- classification task
- 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.)
- Withdrawn
Links
- 238000012545 processing Methods 0.000 title claims abstract description 56
- 238000003672 processing method Methods 0.000 title claims abstract description 34
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000013145 classification model Methods 0.000 claims abstract description 130
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000004590 computer program Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 17
- 235000013399 edible fruits Nutrition 0.000 description 21
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 230000008447 perception Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003190 augmentative effect Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 241000234295 Musa Species 0.000 description 2
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 244000241235 Citrullus lanatus Species 0.000 description 1
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 1
- 241000220225 Malus Species 0.000 description 1
- 235000011430 Malus pumila Nutrition 0.000 description 1
- 235000015103 Malus silvestris Nutrition 0.000 description 1
- 235000014443 Pyrus communis Nutrition 0.000 description 1
- 240000001987 Pyrus communis Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种数据处理方法、装置、存储介质和电子设备。所述方法包括：从分类任务序列中选取当前分类任务并执行，得到当前分类任务的执行结果，并从当前分类任务的执行结果中提取任务知识添加到知识库；从分类任务序列中选取下一分类任务并执行，根据知识库中的任务知识得到下一分类任务的执行结果，并从下一分类任务的执行结果中提取任务知识更新知识库，直至分类任务序列中所有分类任务执行完成；根据预设分类模型、当前情景数据和知识库进行情景识别。本方案将之前分类任务学习到的知识融入到情景分类任务中，使得全景任务的分类过程既考虑当前分类任务的特性，也融合了其他分类任务的特性，保证了情景分类识别的准确性和时效性。
Description
技术领域
本申请涉及电子设备领域，具体涉及一种数据处理方法、装置、存储介质和电子设备。
背景技术
随着电子技术的发展，诸如智能手机等电子设备的智能化程度越来越高。电子设备可以通过各种各样的算法模型来进行数据处理，从而为用户提供各种功能。例如，电子设备可以根据算法模型对用户的行为特征进行学习，从而为用户提供个性化的服务。
发明内容
本申请实施例提供一种数据处理方法、装置、存储介质及电子设备，可以提升情景分类识别的准确性及时效性。
第一方面，本申请实施例提供一种数据处理方法，包括：
构建分类任务序列；
从所述分类任务序列中选取当前分类任务并执行，得到所述当前分类任务的执行结果，并从所述当前分类任务的执行结果中提取任务知识添加到知识库；
从所述分类任务序列中选取下一分类任务并执行，根据所述知识库中的任务知识得到所述下一分类任务的执行结果，并从所述下一分类任务的执行结果中提取任务知识更新所述知识库，直至所述分类任务序列中所有分类任务执行完成；
根据预设分类模型、当前情景数据和所述知识库进行情景识别。
第二方面，本申请实施例还提供了一种建模装置，包括：
构建模块，用于构建分类任务序列；
第一执行模块，用于从所述分类任务序列中选取当前分类任务并执行，得到所述当前分类任务的执行结果，并从所述当前分类任务的执行结果中提取任务知识添加到知识库；
第二执行模块，用于从所述分类任务序列中选取下一分类任务并执行，根据所述知识库中的任务知识得到所述下一分类任务的执行结果，并从所述下一分类任务的执行结果中提取任务知识更新所述知识库，直至所述分类任务序列中所有分类任务执行完成；
识别模块，用于根据预设分类模型、当前情景数据、及所述知识库进行情景识别。
第三方面，本申请实施例还提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述数据处理方法的步骤。
第四方面，本申请实施例还提供一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述数据处理方法的步骤。
本申请实施例提供的数据处理方法，通过构建分类任务序列，并进行顺序学习，将前序分类任务学习出的知识用于后续的分类任务，并进行持续迭代。当执行分类任务时，将之前分类任务学习到的知识融入到分类任务中，使得任务的分类过程既考虑当前分类任务的特性，也融合了其他分类任务的特性，保证了分类的准确性和时效性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述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申请的一些实施例，对于本领域技术人员来讲，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他的附图。
图1为本申请实施例提供的感知架构示意图。
图2为本申请实施例提供的数据处理方法的第一种流程示意图。
图3为本申请实施例提供的数据处理方法的第二种流程示意图。
图4为本申请实施例提供的数据处理方法的第三种流程示意图。
图5为本申请实施例提供的数据处理方法的架构示意图。
图6为本申请实施例提供的建模装置的结构示意图。
图7为本申请实施例提供的电子设备的第一种结构示意图。
图8为本申请实施例提供的电子设备的第二种结构示意图。
具体实施方式
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，本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本申请的保护范围。
参考图1，图1为本申请实施例提供的数据处理方法的应用场景示意图。所述数据处理方法应用于电子设备。所述电子设备中设置有全景感知架构。所述全景感知架构为电子设备中用于实现所述数据处理方法的硬件和软件的集成。
其中，全景感知架构包括信息感知层、数据处理层、特征抽取层、情景建模层以及智能服务层。
信息感知层用于获取电子设备自身的信息或者外部环境中的信息。所述信息感知层可以包括多个传感器。例如，所述信息感知层包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
数据处理层用于对信息感知层获取到的数据进行处理。例如，数据处理层可以对信息感知层获取到的数据进行数据清理、数据集成、数据变换、数据归约等处理。
特征抽取层用于对数据处理层处理后的数据进行特征抽取，以提取所述数据中包括的特征。提取到的特征可以反映出电子设备自身的状态或者用户的状态或者电子设备所处环境的环境状态等。其中，特征抽取层可以通过过滤法、包装法、集成法等方法来提取特征或者对提取到的特征进行处理。
情景建模层用于根据特征抽取层提取到的特征来构建模型，所得到的模型可以用于表示电子设备的状态或者用户的状态或者环境状态等。例如，情景建模层可以根据特征抽取层提取到的特征来构建关键值模型、模式标识模型、图模型、实体联系模型、面向对象模型等。
智能服务层用于根据情景建模层所构建的模型为用户提供智能化的服务。例如，智能服务层可以为用户提供基础应用服务，可以为电子设备进行系统智能优化，还可以为用户提供个性化智能服务。
此外，全景感知架构中还可以包括多种算法，每一种算法都可以用于对数据进行分析处理，所述多种算法可以构成算法库。例如，所述算法库中可以包括马尔科夫算法、隐含狄里克雷分布算法、贝叶斯分类算法、支持向量机、K均值聚类算法、K近邻算法、条件随机场、残差网络、长短期记忆网络、卷积神经网络、循环神经网络等算法。
相关技术中，在情景识别时，难以借助其他分类领域的相关知识，使得对数据、算法精度等各方面要求较高，并且面临冷启动等相关问题。尤为值得注意的是，现有情景视图识别方法学习过程不够持续，即进行一次情景视图识别后，算法就训练完成，难以应对新出现的数据和属性等信息，导致算法的鲁棒性和泛化能力较弱。
有基于此，本技术方案构建了一种基于终身学习的情景持续性情景识别方法，能够使得情景建模过程得以持续更新和终身学习，保证了模型的学习能力和持续更新能力，能够更好地应对环境的变化和服务的变化。
本申请实施例提供的数据处理方法，可以应用于电子设备中。所述电子设备可以是智能手机、平板电脑、游戏设备、AR(Augmented Reality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本、桌面计算设备、可穿戴设备诸如手表、眼镜、头盔、电子手链、电子项链、电子衣物等设备。
参考图2至图5。图2为本申请实施例提供的数据处理方法的第一种流程示意图；图3为本申请实施例提供的数据处理方法的第二种流程示意图；图4为本申请实施例提供的数据处理方法的第三种流程示意图；图5为本申请实施例提供的数据处理方法的架构示意图。
其中，所述数据处理方法包括以下步骤：
110，构建分类任务序列。
本申请实施例中，构建分类任务序列，也即，将其他领域的分类问题进行收集和整合，然后根据时间建立一个分类任务序列，以获得分类任务序列＜ct，dt＞。其中，ct表示第t个分类任务的相关标签，dt表示第t个分类任务的相关数据。
其中，标签指的是类别，如针对水果的分类任务，那么具体的类别就是苹果、香蕉、梨子、西瓜等水果类型)。而相关数据，则表示分类任务的输入数据和输出标签数据，如针对水果的图像分类任务，那么输入数据就是某些水果的图像，输出数据就是每个水果图像所对应的水果类型(如苹果、香蕉等)。
实际应用中有很多种分类任务，如图像分类、行为分类、用户分类等等。例如，以构建图像分类任务序列为例，一开始是针对水果进行分类，后来有了一些新的任务需要对动物进行分类，再后来对植物进行分类等。
120，从分类任务序列中选取当前分类任务并执行，得到当前分类任务的执行结果，并从当前分类任务的执行结果中提取任务知识添加到知识库。
按上述序列的时间顺序执行分类任务序列中的任务。本申请实施例中，可采用终身学习的方法，首先执行任务c1，基于任务c1的执行，可得到相关的模型参数等知识，并存储到知识库中。也即，参考图3，步骤“执行当前分类任务，得到任务执行结果”，可以包括以下流程：
121、从分类任务序列中选取当前分类任务，并获取当前分类任务的第一待处理数据；
122、基于样本分类模型对第一待处理数据进行处理，得到第一分类结果；
123、根据第一分类结果对第一样本分类模型进行模型参数调整，直至第一样本分类模型收敛；
124、从收敛后的第一样本分类模型中提取第一待处理数据的第一特征信息；
125、基于收敛后第一样本分类模型的模型参数、第一特征信息和/或第一分类结果，生成当前分类任务的执行结果。
其中，该当前分类任务的执行结果可以包括模型参数、第一特征信息、及第一分类结果中的任意一个或多个。
具体的，可以从当前分类任务的执行结果中提取需要的任务知识添加到知识库，以为后续分类任务的识别提供参考基础。
130，从分类任务序列中选取下一分类任务并执行，根据知识库中的任务知识得到下一分类任务的执行结果，并从下一分类任务的执行结果中提取任务知识更新知识库，直至分类任务序列中所有分类任务执行完成。
在本申请实施例中，该方案可应用于同一类型的任务分类，也可以应用于不同类型的任务分类，仅知识提取的方式会不一样。
在一些实施例中，当前分类任务的执行结果中的任务知识包括：收敛后第一样本分类模型的模型参数。继续参考图3，若所述当前分类任务与下一分类任务为相同类型的分类任务，则步骤“将任务知识应用于下一分类任务的执行中，以得到下一任务执行结果”，可以包括以下流程：
131、从分类任务序列中选取下一分类任务。
132、将收敛后第一样本分类模型的模型参数作为第二样本分类模型的初始化模型参数，得到初始化后的第二样本分类模型；
133、基于初始化后的第二样本分类模型对下一分类任务进行处理，以得到下一分类任务的执行结果。
例如，上述分类任务序列都是针对图像的分类，第一个任务是关于水果分类的，第二个任务是关于花卉分类的，第三个任务是关于盆栽分类的。那么，首先可以采用卷积神经网络进行水果分类，那么学习完之后，会得到一个应用于水果分类的模型。然后，把水果分类模型网络的参数提取出来作为下一个任务“花卉分类任务”的卷积神经网络的初始化参数。则在进行花卉分类时，可以利用到水果分类的知识对花卉的分类进行识别。一方面帮助花卉分类网络更快地收敛，另一方面在进行花卉分类的时候用到水果分类的知识，有助于提高花卉分类的精度。第三个分类任务也是按照类似的方式进行处理。
在一些实施例中，步骤“基于初始化后的第二样本分类模型对下一分类任务进行处理，以得到下一分类任务的执行结果”，可以包括以下流程：
(11)获取下一分类任务的第二待处理数据；
基于初始化后的第二样本分类模型对第二待处理数据进行处理，得到第二分类结果；
(12)根据第二分类结果对初始化后的第二样本分类模型进行模型参数调整，直至第二样本分类模型收敛；
(13)从收敛后的第二样本分类模型中提取第二待处理数据的第二特征信息；
(14)基于收敛后第二样本分类模型的模型参数、第二特征信息和/或第二分类结果，生成下一分类任务的任务执行结果。
在一些实施例中，当前分类任务的执行结果中的任务知识包括：第一特征信息。参考图4，若当前分类任务与下一分类任务为不同类型，则步骤“将任务知识应用于下一分类任务的执行中，以得到下一任务执行结果”，可以包括以下流程：
134、从分类任务序列中选取下一分类任务，并从下一分类任务的待处理数据中提取第三特征信息；
135、将第一特征信息与第三特征信息融合，得到融合特征信息；
136、基于第三样本分类模型对融合特征信息进行处理，以得到下一分类任务的执行结果。
在本申请实施例中，对于不同类型的分类任务，使用的知识其实更多的是隐形的或者有一步转化，并不是直接就把前一个任务模型的参数直接拿到用到第二个任务上。
例如，第一个任务是从图像的角度对水果进行分类，第二个任务是从文本的角度对水果进行分类。虽然都是进行水果分类，但是使用的数据完全不同，一个是文本数据，一个是图像数据，用到的模型也完全不同。具体实时，由于文本类通常都是采用词向量模型，而图像类的通常是采用卷积神经网络。
由于两个任务的分了角度不同，因此无法直接将第一个任务的模型参数应用到第二个任务。在本申请实施例中，可以基于第一个任务，从收敛后的卷积神经网络中抽取到水果图像的特征，然后，将抽取到的水果图像的特征信息和基于词向量获取的第二个任务中待处理数据的特征数据融合到一起，形成一个新的特征信息，扩大了特征的规模，从而更好地文本的角度对水果进行分类。
在一些实施例中，步骤“基于第三样本分类模型对融合特征信息进行处理，以得到下一任务执行结果”，可以包括以下流程：
(21)基于样本分类模型对融合特征信息进行处理，得到第三分类结果；
(22)根据第三分类结果对第三样本分类模型进行模型参数调整，直至第三样本分类模型收敛；
(23)基于收敛后第三样本分类模型的模型参数、第三特征信息和/或第三分类结果，生成下一分类任务的任务执行结果。
需要注意的是，在本申请实施例中，需要注意的是，在执行后续任务的过程中，会从知识库中取出相关的知识帮助当前任务更好地进行学习。在任务执行完后，会将新学习出的知识更新到知识库中，从而获得融合了各种分类任务相关知识的数据库。
140，根据预设分类模型、当前情景数据和知识库进行情景识别。
具体的，在进行全景识别时，可以从上述学习得到的知识库中提取相关知识，并采用神经网络或传统分类方法对全景类别进行识别。此时的全景建模任务不仅考虑了全景相关的知识(即输入数据)，同时很好地融合了其他分类任务的相关知识，使得分类的精度和效果得到了进一步提升。也即，步骤“根据预设分类模型、当前全景数据和知识库进行情景识别”，可以包括以下流程：
(31)提取当前情景数据的数据特征；
(32)根据数据特征从知识库中选取对应的目标任务知识；
(33)基于预设分类模型和目标任务知识，对当前情景数据进行处理。
具体的，在对情景情景识别完成后，可将新学习出的知识融合到知识库中，从而保证更新的知识库可以尽可能涵盖全景建模相关的信息和知识。
在一些实施例中，目标任务知识包括：目标模型参数。在基于预设分类模型和目标任务知识，对数据进行处理时，具体可以为：将目标模型参数作为预设分类模型的初始化模型参数，得到初始化后的预设分类模型；基于初始化后的预设分类模型处理数据，得到分类结果。
在知识库更新后，可继续执行其他分类任务。直到遇到新的情景建模任务，则需要采用新的知识库对全景进行识别，从而保证情景建模过程的持续更新和终身学习，使得最终学习出的全景类别的鲁棒性、准确性和泛化程度都得到显著提升。
为避免新出现的数据和属性等信息，导致算法的鲁棒性和泛化能力较弱的问题，本申请方案构建了一种基于终身学习的情景持续性建模方法，能够让情景建模过程得以持续更新和终身学习。具体而言，通过构建分类任务序列，尤其是引入其他类型的分类任务，使得最终学习出的知识库具有很好地多样性，也使得针对情景的识别具有更高的准确性和更强的泛化能力。通过终身学习算法，使得情景的建模过程能够持续性地学习、持续性地更新和提升，保证了识别出的全景类别具有更强的时效性和精确性。
应当理解，本申请实施例中，诸如术语“第一”、“第二”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，这样描述的对象在适当情况下可以互换。
具体实施时，本申请不受所描述的各个步骤的执行顺序的限制，在不产生冲突的情况下，某些步骤还可以采用其它顺序进行或者同时进行。
由上可知，本申请实施例提供了的数据处理方法，将前序分类任务学习出的知识用于后续的分类任务，并进行持续迭代，直到遇到情景分类任务。将之前分类任务学习到的知识融入到情景分类任务中，使得全景任务的分类过程既考虑当前分类任务的特性，也融合了其他分类任务的特性，保证了情景分类识别的准确性和时效性。
在一些实施例中，基于本申请实施例的数据处理方法，首先通过信息感知层收集用户的电子设备中的分类任务，构建分类任务序列(如可包括水果分类、动物分类、蔬菜分类等等)，然后通过数据处理层执行分类任务序列中的每一分类任务。并在执行完一次任务后，通过特征抽取层从经数据处理层处理后的任务执行结果中提取相关任务知识作为特征并更知识库。然后，将更新后的知识库输入情景建模层，情景建模层包括一预先存储的分类模型，情景建模层的分类模型根据待执行的任务的数据、以及知识库中进行模型训练，得到训练后的分类模型。最后，智能服务层在利用训练后的分类模型进行情景识别时，可借助知识库中的任务知识辅助识别。例如在执行花卉分类任务时，则可以从知识库中提取水果分类的相关知识辅助执行花卉分类任务。
本申请实施例还提供一种建模装置。所述建模装置可以集成在电子设备中。所述电子设备可以是智能手机、平板电脑、游戏设备、AR(AugmentedReality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本、桌面计算设备、可穿戴设备诸如手表、眼镜、头盔、电子手链、电子项链、电子衣物等设备。
参考图6，图6为本申请实施例提供的数据处理装置的结构示意图。数据处理装置200可以包括：构建模块201、第一执行模块202、第二执行模块203、识别模块204，其中：
构建模块201，用于构建分类任务序列；
第一执行模块202，用于从该分类任务序列中选取当前分类任务并执行，得到该当前分类任务的执行结果，并从该当前分类任务的执行结果中提取任务知识添加到知识库；
第二执行模块203，用于从该分类任务序列中选取下一分类任务并执行，根据该知识库中的任务知识得到该下一分类任务的执行结果，并从该下一分类任务的执行结果中提取任务知识更新该知识库，直至该分类任务序列中所有分类任务执行完成；
识别模块204，用于根据预设分类模型、当前情景数据和知识库进行情景识别。
在一些实施例中，第一执行模块202用于：
从分类任务序列中选取当前分类任务，并获取当前分类任务的第一待处理数据；
基于样本分类模型对第一待处理数据进行处理，得到第一分类结果；
根据第一分类结果对第一样本分类模型进行模型参数调整，直至第一样本分类模型收敛；
从收敛后的第一样本分类模型中提取第一待处理数据的第一特征信息；
基于收敛后第一样本分类模型的模型参数、第一特征信息和/或第一分类结果，生成当前分类任务的执行结果。
在一些实施例中，当前分类任务的执行结果中的任务知识包括：收敛后第一样本分类模型的模型参数。若当前分类任务与下一分类任务为相同类型的分类任务，则第二执行模块203进一步可以用于：
从分类任务序列中选取下一分类任务；
将收敛后第一样本分类模型的模型参数作为第二样本分类模型的初始化模型参数，得到初始化后的第二样本分类模型；
基于初始化后的第二样本分类模型对所述下一分类任务进行处理，以得到下一任务执行结果。
在一些实施例中，第二执行模块203可以再进一步用于：
获取所述下一分类任务的第二待处理数据；
基于初始化后的第二样本分类模型对第二待处理数据进行处理，得到第二分类结果；
根据第二分类结果对初始化后的第二样本分类模型进行模型参数调整，直至第二样本分类模型收敛；
从收敛后的第二样本分类模型中提取第二待处理数据的第二特征信息；
基于收敛后第二样本分类模型的模型参数、第二特征信息和/或第二分类结果，生成所述下一分类任务的任务执行结果。
在一些实施例中，当前分类任务的执行结果中的任务知识包括：第一特征信息。若当前分类任务与下一分类任务为不同类型的分类任务，则第二执行模块203可以用于：
从分类任务序列中选取下一分类任务，并从下一分类任务的待处理数据中提取第三特征信息；
将第一特征信息与第三特征信息融合，得到融合特征信息；
基于第三样本分类模型对所述融合特征信息进行处理，以得到下一分类任务的执行结果。
在一些实施例中，第二执行模块203可以再进一步用于：
基于样本分类模型对所述融合特征信息进行处理，得到第三分类结果；
根据第三分类结果对第三样本分类模型进行模型参数调整，直至第三样本分类模型收敛；
基于收敛后第三样本分类模型的模型参数、第三特征信息和/或第三分类结果，生成所述下一分类任务的任务执行结果。
在一些实施例中，所述识别模块204可以用于：
提取当前情景数据的数据特征；
根据所述数据特征从所述知识库中选取对应的目标任务知识；
基于预设分类模型和所述目标任务知识，对当前数据进行处理。
在一些实施例中，目标任务知识包括：目标模型参数。在基于预设分类模型和所述目标任务知识，对当前数据进行处理时，识别模块204进一步可以用于：
将目标模型参数作为预设分类模型的初始化模型参数，得到初始化后的预设分类模型；
基于初始化后的预设分类模型处理所述数据，得到分类结果。
由上可知，本申请实施例提供的建模装置200，通过构建分类任务序列；执行当前分类任务，得到任务执行结果；从任务执行结果中提取任务知识，并添加到知识库；在执行下一分类任务时，将任务知识应用于下一分类任务的执行中，以得到下一任务执行结果，并基于下一任务执行结果更新知识库；当进行全景识别时，根据预设分类模型、当前全景数据、及知识库，进行情景识别，以得到情景分类识别结果。本方案将之前分类任务学习到的知识融入到情景分类任务中，使得全景任务的分类过程既考虑当前分类任务的特性，也融合了其他分类任务的特性，保证了情景分类识别的准确性和时效性。
本申请实施例还提供一种电子设备。所述电子设备可以是智能手机、平板电脑、游戏设备、AR(Augmented Reality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本、桌面计算设备、可穿戴设备诸如手表、眼镜、头盔、电子手链、电子项链、电子衣物等设备。
参考图7，图7为本申请实施例提供的电子设备300的第一种结构示意图。其中，电子设备300包括处理器301和存储器302。处理器301与存储器302电性连接。
处理器301是电子设备300的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或调用存储在存储器302内的计算机程序，以及调用存储在存储器302内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。
在本实施例中，电子设备300中的处理器301会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器302中，并由处理器301来运行存储在存储器302中的计算机程序，从而实现各种功能：
从分类任务序列中选取当前分类任务并执行，得到所述当前分类任务的执行结果，并从当前分类任务的执行结果中提取任务知识添加到知识库；
从所述分类任务序列中选取下一分类任务并执行，根据所述知识库中的任务知识得到所述下一分类任务的执行结果，并从下一分类任务的执行结果中提取任务知识更新所述知识库，直至分类任务序列中所有分类任务执行完成；
根据预设分类模型、当前情景数据和知识库进行情景识别。
在一些实施例中，在从分类任务序列中选取当前分类任务并执行，得到所述当前分类任务的执行结果时，所述处理器301用于执行以下步骤：
从所述分类任务序列中选取当前分类任务，并获取所述当前分类任务的第一待处理数据；
基于第一样本分类模型处理第一待处理数据，得到第一分类结果；
根据第一分类结果对第一样本分类模型进行模型参数调整，直至第一样本分类模型收敛；
从收敛后的第一样本分类模型中提取第一待处理数据的第一特征信息；
基于收敛后第一样本分类模型的模型参数、第一特征信息和/或第一分类结果，生成所述当前分类任务的执行结果
在一些实施例中，当前分类任务的执行结果中的任务知识包括：收敛后第一样本分类模型的模型参数。若当前分类任务与所述下一分类任务为相同类型的分类任务，则从所述分类任务序列中选取下一分类任务并执行，根据所述知识库中的任务知识得到所述下一分类任务的执行结果时，所述处理器301用于执行以下步骤：
从分类任务序列中选取下一分类任务；
将收敛后第一样本分类模型的模型参数作为第二样本分类模型的初始化模型参数，得到初始化后的第二样本分类模型；
基于初始化后的第二样本分类模型对所述下一分类任务进行处理，以得到下一任务执行结果。
在一些实施例中，基于初始化后的第二样本分类模型对所述下一分类任务进行处理，以得到下一分类任务的执行结果时，所述处理器301用于执行以下步骤：
获取所述下一分类任务的第二待处理数据；
基于初始化后的第二样本分类模型对第二待处理数据进行处理，得到第二分类结果；
根据第二分类结果对初始化后的第二样本分类模型进行模型参数调整，直至第二样本分类模型收敛；
从收敛后的第二样本分类模型中提取第二待处理数据的第二特征信息；
基于收敛后第二样本分类模型的模型参数、第二特征信息和/或第二分类结果，生成所述下一分类任务的任务执行结果。
在一些实施例中，当前分类任务的执行结果中的任务知识包括：第一特征信息。若所述当前分类任务与所述下一分类任务为相同类型，则从所述分类任务序列中选取下一分类任务并执行，根据所述知识库中的任务知识得到所述下一分类任务的执行结果时，所述处理器301用于执行以下步骤：
从所述下一分类任务的待处理数据中提取第三特征信息；
将第一特征信息与第三特征信息融合，得到融合特征信息；
基于第三样本分类模型对所述融合特征信息进行处理，以得到下一分类任务的执行结果。
在一些实施例中，基于第三样本分类模型对所述融合特征信息进行处理，以得到下一分类任务的执行结果时，所述处理器301用于执行以下步骤：
基于样本分类模型对所述融合特征信息进行处理，得到第三分类结果；
根据第三分类结果对第三样本分类模型进行模型参数调整，直至第三样本分类模型收敛；
基于收敛后第三样本分类模型的模型参数、第三特征信息和/或第三分类结果，生成所述下一分类任务的任务执行结果。
在一些实施例中，根据预设分类模型、当前情景数据和知识库进行情景识别时，所述处理器301用于执行以下步骤：
提取当前情景数据的数据特征；
根据所述数据特征从所述知识库中选取对应的目标任务知识；
基于预设分类模型和所述目标任务知识，对当前情景数据进行处理。
在一些实施例中，目标任务知识包括：目标模型参数。在基于预设分类模型和目标任务知识，对数据进行处理时，所述处理器301用于执行以下步骤：将目标模型参数作为预设分类模型的初始化模型参数，得到初始化后的预设分类模型；基于初始化后的预设分类模型处理数据，得到分类结果。
存储器302可用于存储计算机程序和数据。存储器302存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器301通过调用存储在存储器302的计算机程序，从而执行各种功能应用以及数据处理。
在一些实施例中，参考图8，图8为本申请实施例提供的电子设备300的第二种结构示意图。
其中，电子设备300还包括：显示屏303、控制电路304、输入单元305、传感器306以及电源307。其中，处理器301分别与显示屏303、控制电路304、输入单元305、传感器306以及电源307电性连接。
显示屏303可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路304与显示屏303电性连接，用于控制显示屏303显示信息。
输入单元305可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中，输入单元305可以包括指纹识别模组。
传感器306用于采集电子设备自身的信息或者用户的信息或者外部环境信息。例如，传感器306可以包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
电源307用于给电子设备300的各个部件供电。在一些实施例中，电源307可以通过电源管理系统与处理器301逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图8中未示出，电子设备300还可以包括摄像头、蓝牙模块等，在此不再赘述。
由上可知，本申请实施例提供了一种电子设备，通过构建分类任务序列，从分类任务序列中选取当前分类任务并执行，得到当前分类任务的执行结果，并从当前分类任务的执行结果中提取任务知识添加到知识库；从分类任务序列中选取下一分类任务并执行，根据知识库中的任务知识得到下一分类任务的执行结果，并从下一分类任务的执行结果中提取任务知识更新知识库，直至分类任务序列中所有分类任务执行完成；根据预设分类模型、当前情景数据和知识库进行情景识别。本方案将之前分类任务学习到的知识融入到情景分类任务中，使得全景任务的分类过程既考虑当前分类任务的特性，也融合了其他分类任务的特性，保证了分类的准确性和时效性。
本申请实施例还提供一种存储介质，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，所述计算机执行上述任一实施例所述的数据处理方法。
例如，在一些实施例中，当所述计算机程序在计算机上运行时，所述计算机执行以下步骤：
构建分类任务序列；
从分类任务序列中选取当前分类任务并执行，得到当前分类任务的执行结果，并从当前分类任务的执行结果中提取任务知识添加到知识库；
从分类任务序列中选取下一分类任务并执行，根据知识库中的任务知识得到下一分类任务的执行结果，并从下一分类任务的执行结果中提取任务知识更新知识库，直至分类任务序列中所有分类任务执行完成；
根据预设分类模型、当前情景数据和知识库进行情景识别。
需要说明的是，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过计算机程序来指令相关的硬件来完成，所述计算机程序可以存储于计算机可读存储介质中，所述存储介质可以包括但不限于：只读存储器(ROM，Read OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。
以上对本申请实施例所提供的数据处理方法、装置、存储介质及电子设备进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (12)
1.一种数据处理方法，其特征在于，包括：
构建分类任务序列；
从所述分类任务序列中选取当前分类任务并执行，得到所述当前分类任务的执行结果，并从所述当前分类任务的执行结果中提取任务知识添加到知识库；
从所述分类任务序列中选取下一分类任务并执行，根据所述知识库中的任务知识得到所述下一分类任务的执行结果，并从所述下一分类任务的执行结果中提取任务知识更新所述知识库，直至所述分类任务序列中所有分类任务执行完成；
根据预设分类模型、当前情景数据和所述知识库进行情景识别。
2.根据权利要求1所述的数据处理方法，其特征在于，所述从所述分类任务序列中选取当前分类任务并执行，得到所述当前分类任务的执行结果，包括：
从所述分类任务序列中选取当前分类任务，并获取所述当前分类任务的第一待处理数据；
基于第一样本分类模型处理所述第一待处理数据，得到第一分类结果；
根据所述第一分类结果对第一样本分类模型进行模型参数调整，直至第一样本分类模型收敛；
从收敛后的第一样本分类模型中提取所述第一待处理数据的第一特征信息；
基于收敛后第一样本分类模型的模型参数、所述第一特征信息和/或所述第一分类结果，生成所述当前分类任务的执行结果。
3.根据权利要求2所述的数据处理方法，其特征在于，所述当前分类任务的执行结果中的任务知识包括：收敛后第一样本分类模型的模型参数；若所述当前分类任务与所述下一分类任务为相同类型的分类任务，则所述从所述分类任务序列中选取下一分类任务并执行，根据所述知识库中的任务知识得到所述下一分类任务的执行结果，包括：
从所述分类任务序列中选取下一分类任务；
将所述收敛后第一样本分类模型的模型参数作为第二样本分类模型的初始化模型参数，得到初始化后的第二样本分类模型；
基于初始化后的第二样本分类模型处理所述下一分类任务，得到所述下一任务的执行结果。
4.根据权利要求3所述的数据处理方法，其特征在于，所述基于初始化后的第二样本分类模型处理所述下一分类任务，得到所述下一分类任务的执行结果，包括：
获取所述下一分类任务的第二待处理数据；
基于初始化后的第二样本分类模型处理所述第二待处理数据，得到第二分类结果；
根据所述第二分类结果对初始化后的第二样本分类模型进行模型参数调整，直至第二样本分类模型收敛；
从收敛后的第二样本分类模型中提取所述第二待处理数据的第二特征信息；
基于收敛后第二样本分类模型的模型参数、所述第二特征信息和/或所述第二分类结果，生成所述下一分类任务的执行结果。
5.根据权利要求2所述的数据处理方法，其特征在于，所述当前分类任务的执行结果中的任务知识包括：第一特征信息；
若所述当前分类任务与所述下一分类任务为不同类型的分类任务，则所述从所述分类任务序列中选取下一分类任务并执行，根据所述知识库中的任务知识得到所述下一分类任务的执行结果，包括：
从所述分类任务序列中选取下一分类任务，并从所述下一分类任务的待处理数据中提取第三特征信息；
将所述第一特征信息与所述第三特征信息融合，得到融合特征信息；
基于第三样本分类模型处理所述融合特征信息，得到所述下一分类任务的执行结果。
6.根据权利要求5所述的数据处理方法，其特征在于，所述基于第三样本分类模型处理所述融合特征信息，得到所述下一分类任务的执行结果，包括：
基于第三样本分类模型处理所述融合特征信息，得到第三分类结果；
根据所述第三分类结果对第三样本分类模型进行模型参数调整，直至第三样本分类模型收敛；
基于收敛后第三样本分类模型的模型参数、所述第三特征信息和/或所述第三分类结果，生成所述下一分类任务的任务执行结果。
7.根据权利要求1-6任一项所述的数据处理方法，其特征在于，所述根据预设分类模型、当前数据和所述知识库进行情景识别，包括：
提取当前情景数据的数据特征；
根据所述数据特征从所述知识库中选取对应的目标任务知识；
基于预设分类模型和所述目标任务知识，对所述当前情景数据进行处理。
8.根据权利要求7所述的数据处理方法，其特征在于，所述目标任务知识包括：目标模型参数；所述基于预设分类模型和所述目标任务知识，对所述数据进行处理，包括：
将所述目标模型参数作为所述预设分类模型的初始化模型参数，得到初始化后的预设分类模型；
基于初始化后的预设分类模型处理所述数据，得到分类结果。
9.一种数据处理装置，其特征在于，包括：
构建模块，用于构建分类任务序列；
第一执行模块，用于从所述分类任务序列中选取当前分类任务并执行，得到所述当前分类任务的执行结果，并从所述当前分类任务的执行结果中提取任务知识添加到知识库；
第二执行模块，用于从所述分类任务序列中选取下一分类任务并执行，根据所述知识库中的任务知识得到所述下一分类任务的执行结果，并从所述下一分类任务的执行结果中提取任务知识更新所述知识库，直至所述分类任务序列中所有分类任务执行完成；
识别模块，用于根据预设分类模型、当前情景数据和所述知识库进行情景识别。
10.根据权利要求9所述的数据处理装置，其特征在于，所述第一执行模块用于：
从所述分类任务序列中选取当前分类任务，并获取所述当前分类任务的第一待处理数据；
基于样本分类模型处理所述第一待处理数据，得到第一分类结果；
根据所述第一分类结果对第一样本分类模型进行模型参数调整，直至第一样本分类模型收敛；
从收敛后的第一样本分类模型中提取所述第一待处理数据的第一特征信息；
基于收敛后第一样本分类模型的模型参数、所述第一特征信息和/或所述第一分类结果，生成当前分类任务的执行结果。
11.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8任一项所述方法的步骤。
12.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282191.8A CN111797865A (zh) | 2019-04-09 | 2019-04-09 | 数据处理方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282191.8A CN111797865A (zh) | 2019-04-09 | 2019-04-09 | 数据处理方法、装置、存储介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111797865A true CN111797865A (zh) | 2020-10-20 |
Family
ID=72805686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910282191.8A Withdrawn CN111797865A (zh) | 2019-04-09 | 2019-04-09 | 数据处理方法、装置、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797865A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488044A (zh) * | 2014-09-16 | 2016-04-13 | 华为技术有限公司 | 数据处理的方法和设备 |
| EP3291146A1 (en) * | 2016-09-05 | 2018-03-07 | Fujitsu Limited | Knowledge extraction from a convolutional neural network |
| CN108681746A (zh) * | 2018-05-10 | 2018-10-19 | 北京迈格威科技有限公司 | 一种图像识别方法、装置、电子设备和计算机可读介质 |
| CN109328362A (zh) * | 2016-05-20 | 2019-02-12 | 渊慧科技有限公司 | 渐进式神经网络 |
-
2019
- 2019-04-09 CN CN201910282191.8A patent/CN111797865A/zh not_active Withdrawn
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488044A (zh) * | 2014-09-16 | 2016-04-13 | 华为技术有限公司 | 数据处理的方法和设备 |
| CN109328362A (zh) * | 2016-05-20 | 2019-02-12 | 渊慧科技有限公司 | 渐进式神经网络 |
| EP3291146A1 (en) * | 2016-09-05 | 2018-03-07 | Fujitsu Limited | Knowledge extraction from a convolutional neural network |
| CN108681746A (zh) * | 2018-05-10 | 2018-10-19 | 北京迈格威科技有限公司 | 一种图像识别方法、装置、电子设备和计算机可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12073305B2 (en) | Deep multi-task representation learning | |
| KR102491546B1 (ko) | 객체를 인식하는 방법 및 장치 | |
| CN111797858A (zh) | 模型训练方法、行为预测方法、装置、存储介质及设备 | |
| EP3757817A1 (en) | Electronic device and control method therefor | |
| CN111797854B (zh) | 场景模型建立方法、装置、存储介质及电子设备 | |
| US20210166058A1 (en) | Image generation method and computing device | |
| KR20190053481A (ko) | 사용자 관심 정보 생성 장치 및 그 방법 | |
| CN111796925A (zh) | 算法模型的筛选方法、装置、存储介质和电子设备 | |
| CN111797870A (zh) | 算法模型的优化方法、装置、存储介质及电子设备 | |
| CN111797851A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
| CN111797862A (zh) | 任务处理方法、装置、存储介质和电子设备 | |
| CN111798367A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN111797873A (zh) | 场景识别方法、装置、存储介质及电子设备 | |
| CN112037305B (zh) | 对图像中的树状组织进行重建的方法、设备及存储介质 | |
| CN115690544B (zh) | 多任务学习方法及装置、电子设备和介质 | |
| CN111797856A (zh) | 建模方法、装置、存储介质及电子设备 | |
| CN111814812A (zh) | 建模方法、装置、存储介质、电子设备及场景识别方法 | |
| CN117173624A (zh) | 在计算装置中的对象识别模型学习方法 | |
| KR20200094607A (ko) | 영상 시퀀스에 대한 캡션 정보를 생성하는 전자 장치 및 그 동작 방법 | |
| CN111797289A (zh) | 模型处理方法、装置、存储介质和电子设备 | |
| CN111797865A (zh) | 数据处理方法、装置、存储介质和电子设备 | |
| CN111796663B (zh) | 场景识别模型更新方法、装置、存储介质及电子设备 | |
| CN111797878B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN111797656B (zh) | 人脸关键点检测方法、装置、存储介质及电子设备 | |
| CN113688667A (zh) | 一种基于深度学习的行李取放动作识别方法和系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201020 |