CN111898546A - 数据处理方法及装置、电子设备和存储介质 - Google Patents

数据处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111898546A
CN111898546A CN202010758080.2A CN202010758080A CN111898546A CN 111898546 A CN111898546 A CN 111898546A CN 202010758080 A CN202010758080 A CN 202010758080A CN 111898546 A CN111898546 A CN 111898546A
Authority
CN
China
Prior art keywords
feature
feature data
data
characteristic
parallel computing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010758080.2A
Other languages
English (en)
Other versions
CN111898546B (zh
Inventor
王英艺
吴向阳
陈宇恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN202010758080.2A priority Critical patent/CN111898546B/zh
Publication of CN111898546A publication Critical patent/CN111898546A/zh
Application granted granted Critical
Publication of CN111898546B publication Critical patent/CN111898546B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种数据处理方法及装置、电子设备和存储介质，其中，所述方法包括：获取目标人脸的多个第一特征数据，其中，所述多个第一特征数据分别基于不同的算法对所述目标人脸提取得到；基于预设的特征映射关系，将所述多个第一特征数据分别转换为对应的多个第二特征数据，其中，所述多个第二特征数据具有相同的特征表示方式。本公开实施例可以提升特征转换的效率。

Description

数据处理方法及装置、电子设备和存储介质
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及装置、电子设备和存储介质。
背景技术
随着科技的发展以及智慧城市的建设，越来越多的人脸图像被采集。为了提升人脸图像处理性能和准确率，可以先从人脸图像提取出有意义的人脸特征，再对人脸特征进行存储、计算与分析。
对于城市级的人脸图像分析而言，可能需要重新提取人脸特征，而重新提取人脸图像的人脸特征是一项耗时、复杂的操作。一方面城市级的人脸特征的数据量巨大，特征提取往往需要依赖大量的计算资源，人脸特征重新提取任务花费时间较长。另一方面，对人脸图像重新提取人脸需要重新获取数量巨大且敏感的人脸图像，但部分早期的采集人脸图像可能已经删除，并且在诸如公安等数据敏感的行业，获取人脸图像可能是被禁止的。
有鉴于此，如何对城市级规模的人脸图像提取特定的人脸特征尚且没有一个很好的应对方法。
发明内容
本公开提出了一种数据处理技术方案。
根据本公开的一方面，提供了一种数据处理方法，包括：获取目标人脸的多个第一特征数据，其中，所述多个第一特征数据分别基于不同的算法对所述目标人脸提取得到；基于预设的特征映射关系，将所述多个第一特征数据分别转换为对应的多个第二特征数据，其中，所述多个第二特征数据具有相同的特征表示方式。
在一个可能的实现方式中，所述获取目标人脸的多个第一特征数据，包括：基于所述多个第一特征数据的分区信息，分布式获取所述多个第一特征数据以进行特征转换计算。
在一个可能的实现方式中，所述方法还包括：获取并行计算节点的数量；基于所述并行计算节点的数量将所述多个第一特征数据划分为与所述并行计算节点的数量对应数量的子集，其中，所述子集对应所述多个第一特征数据的分区信息；将每个所述子集中的第一特征数据分配给对应的并行计算节点，以进行特征转换计算。
在一个可能的实现方式中，所述基于预设的特征映射关系，将所述多个第一特征数据分别转换为对应的多个第二特征数据之后，还包括：将第一特征数据库中的所述多个第一特征数据更新为对应的所述多个第二特征数据。
在一个可能的实现方式中，所述基于预设的特征映射关系，将所述多个第一特征数据分别转换为对应的多个第二特征数据之后，还包括：将所述多个第二特征数据添加到第二特征数据库中。
在一个可能的实现方式中，所述基于预设的特征映射关系，将所述多个第一特征数据分别转换为对应的多个第二特征数据之后，还包括：基于所述多个第二特征数据，生成所述多个第二特征数据的索引信息。
在一个可能的实现方式中，所述基于所述多个第二特征数据，生成所述多个第二特征数据的索引信息，包括：根据多个第二特征数据之间的相似度，对所述多个第二特征数据进行划分，得到多个特征类；针对一个所述第二特征数据，将所述第二特征数据所在特征类的类心特征作为所述第二特征数据的索引信息。
在一个可能的实现方式中，所述方法还包括：加载提供所述特征映射关系的神经网络；所述预设的特征映射关系，将所述多个第一特征数据分别转换为对应的多个第二特征数据，包括：将所述第一特征数据输入所述神经网络中，得到所述神经网络输出的所述第一特征数据对应的第二特征数据。
根据本公开的一方面，还提供了一种数据处理装置，包括：
获取模块，用于获取目标人脸的多个第一特征数据，其中，所述多个第一特征数据分别基于不同的算法对所述目标人脸提取得到；
转换模块，用于基于预设的特征映射关系，将所述多个第一特征数据分别转换为对应的多个第二特征数据，其中，所述多个第二特征数据具有相同的特征表示方式。
在一个可能的实现方式中，所述获取模块，用于基于所述多个第一特征数据的分区信息，分布式获取所述多个第一特征数据以进行特征转换计算。
在一个可能的实现方式中，所述装置还包括：管理模块，用于获取并行计算节点的数量；基于所述并行计算节点的数量将所述多个第一特征数据划分为与所述并行计算节点的数量对应数量的子集，其中，所述子集对应所述多个第一特征数据的分区信息；将每个所述子集中的第一特征数据分配给对应的并行计算节点，以进行特征转换计算。
在一个可能的实现方式中，还包括：存储模块，用于将第一特征数据库中的所述多个第一特征数据更新为对应的所述多个第二特征数据。
在一个可能的实现方式中，还包括：存储模块，将所述多个第二特征数据添加到第二特征数据库中。
在一个可能的实现方式中，还包括：生成模块，用于基于所述多个第二特征数据，生成所述多个第二特征数据的索引信息。
在一个可能的实现方式中，所述生成模块，用于根据多个第二特征数据之间的相似度，对所述多个第二特征数据进行划分，得到多个特征类；针对一个所述第二特征数据，将所述第二特征数据所在特征类的类心特征作为所述第二特征数据的索引信息。
在一个可能的实现方式中，还包括：加载模块，用于加载提供所述特征映射关系的神经网络；所述转换模块，用于将所述第一特征数据输入所述神经网络中，得到所述神经网络输出的所述第一特征数据对应的第二特征数据。
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，可以获取目标人脸的多个第一特征数据，其中，多个第一特征数据分别基于不同的算法对目标人脸提取得到。然后基于预设的特征映射关系，将多个第一特征数据分别转换为对应的多个第二特征数据，其中，多个第二特征数据具有相同的特征表示方式。这样，通过预设的特征映射关系，在难以获取目标人脸的原始人脸图像的情况下，可以直接在目标人脸的第一特征数据的基础上进行不同算法提取的多个第一特征数据的特征转换，是特征转换后得到的多个第二特征数据具有相同的特征表达方式，从而减少特征提取的计算开销，提升特征转换效率。
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示出根据本公开实施例的数据处理方法的流程图。
图2示出根据本公开实施例的数据处理方法一示例的框图。
图3示出根据本公开实施例的数据处理装置的框图。
图4示出根据本公开实施例的电子设备示例的框图。
图5示出根据本公开实施例的电子设备示例的框图。
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”表示多个中的任意一种或多个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。
本公开实施例提供的数据处理方案，可以获取目标人脸的多个第一特征数据，然后基于预设的特征映射关系对不同算法提取的多个第一特征数据进行特征转换，得到多个第二特征数据。这里，多个第二特征数据具有相同的特征表示方式，从而通过特征映射关系，可以将第一特征数据转换为特定特征表示方式的第二特征数据。
在相关技术中，对于通过多种不同提取算法得到的人脸的特征数据而言，由于具有不同的特征表示方式而难以进行比对。这种情况下，通常是对原始人脸图像重新使用相同的提取算法得到人脸的特征数据，使人脸的特征数据具有相同的特征表示方式。然而，对于城市级的图像、视频分析而言，对原始人脸图像重提特征是一项耗时、复杂的操作。而对于原始人脸图像重提特征意味着需要重新获取数量巨大且敏感的人脸图像，但一些早期的原始人脸图像可能早已删除，或者，难以从诸如公安等信息敏感的行业获取原始人脸图像。本公开实施例可以通过预设的特征映射关系，在难以获取原始人脸图像的情况下，将多个第一特征数据转换为特定特征表示方式的第二特征数据，为人脸图像的分析提供便利手段。
本公开实施例提供的技术方案可以应用于人脸识别、人脸解锁、人脸支付、安防等应用场景的扩展，本公开实施例对此不做限定。例如，在人脸识别中可以将通过不同算法提取的特征数据转换为目标特征数据的特征表示方式，从而可以将转换后的特征数据与目标特征数据进行比对，判断转换后的特征数据与目标特征数据是否属于相同的人脸。
图1示出根据本公开实施例的数据处理方法的流程图。该数据处理方法可以由终端设备、服务器或其它类型的电子设备执行，其中，终端设备可以为用户设备(UserEquipment，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(PersonalDigital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该数据处理方法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。下面以电子设备作为执行主体为例对本公开实施例的数据处理方法进行说明。
步骤S11，获取目标人脸的多个第一特征数据，其中，所述多个第一特征数据分别基于不同的算法对所述目标人脸提取得到。
在本公开实施例中，第一特征数据可以是对目标人脸的人脸图像进行特征提取后得到的人脸的特征数据，例如，可以通过特定的算法对人脸图像进行特征提取，得到第一特征数据。多个第一特征数据可以来自相同的目标人脸，也可以来自不同的目标人脸。不第一特征数据可以通过不同算的法对目标人脸进行特征提取得到的，不同的第一特征数据可以具有不同的特征表示方式，一些情况下，不同的第一特征数据也可以具有相同的特征表达方式。电子设备可以在本地存储中获取多个第一特征数据，例如，在本地的人脸的特征数据库中获取多个第一特征数据。或者，电子设备可以从其他设备处获取多个第一特征数据，例如，可以网络服务器等设备处获取多个第一特征数据。
步骤S12，基于预设的特征映射关系，将所述多个第一特征数据分别转换为对应的多个第二特征数据，其中，所述第二特征数据具有相同的特征表示方式。
在本公开实施例中，特征映射关系可以是将一种特征表示方式的特征数据转换为另一种特征表示方式的特征数据的映射关系，可以通过算法、算子等对特征映射关系进行表示。特征表示方式可以理解为特征数据的特征构成以及表示含义。例如，一份人脸的特征数据通常可以通过包括至少一维数值的向量进行表示，其中，每一维的数值可以表示特定的含义，例如，第一维的数值表示人脸关键点的位置，第二维的数据表示人脸关键点的颜色。由于对目标人脸进行特征提取所使用的算法可能不同，从而不同的特征数据的特征表示方式可能不同，例如，不同的特征数据的特征维度不一致，或者，不同的特征数据的特征维度一致，但每一维的数值所代表的含义不一致等特征表示方式的不同。
这里，多个第一特征数据可以具有不同的特征表示方式，即，一份第一特征数据与另一份第一特征数据可能特征的维度不一致，或者，特征的维度一致，但每一维的数值所代表的含义不一致，从而一份第一特征数据很难直接与另一份第一特征数据进行比对。由于第一特征数据是从目标人脸提取得到的多维数值向量，提取的算法不同而导致了多份第一特征数据的特征表示方式不同。这里，不同特征表示方式的特征数据之间存在一定的映射关系的，即，可以通过特征映射关系δ，将不同特征表达方式的特征数据f和特征数据f′进行特征转换，例如，可以满足如下关系：f′≈δ*f。因此，可以通过特征映射关系将第一特征数据转换为对应的第二特征数据，从而使特征转换后的多个第二特征数据具有相同的特征表示方式，多个第二特征数据之间可以进行比对。
相应地，电子设备可以获取预设的特征映射关系，例如，可以获取本地生成的特征映射关系，或者，可以获取其他设备发送的特征映射关系。针对多个第一特征数据中的一个第一特征数据，可以利用特征映射关系对该第一特征数据进行特征转换，得到特征转换后的第二特征数据。在将不同算法提取的第一特征数据转换为特定特征表示方式的情况下，可以使用不同的特征映射关系。多个第二特征数据具有相同的特征表示方式，从而多个第二特征数据之间可以进行比对，从而在缺少第一特征数据的原始人脸图像的情况下，通过特征映射关系可以将第一特征数据转换为第二特征数据，实现不同特征表示方式的特征数据的特征转换。
在一些实现方式中，特征映射关系可以表示为神经网络，即，特定的神经网络可以提供特征表示方式转换的特征映射关系。从而可以加载提供特征映射关系的神经网络，然后将第一特征数据输入神经网络中，可以得到神经网络输出的第一特征数据对应的第二特征数据。
这里，以多个第一特征数据中的一个第一特征数据而言，电子设备可以加载提供预设的特征映射关系的神经网络，然后可以将第一特征数据输入神经网络中，利用神经网络提供的特征映射关系对第一特征数据进行特征转换，可以得到神经网络输出的第二特征数据。其中，神经网络可以是通过对样本图像的第一样本特征数据进行训练得到的，神经网络可以是深度神经网络。举例来说，可以将样本图像的第一样本特征数据输入构建的深度神经网络中，得到深度神经网络输出的预测样本特征数据，然后可以将预测样本特征数据与样本图像的第二样本特征数据进行比较，根据比较结果可以确定深度神经网络的网络损失。然后根据网络损失可以对神经网络的权重参数进行调整，使深度神经网络的网络损失不断减小，实现深度神经网络的训练。其中，第一样本特征数据可以与第一特征数据具有相同的特征表示方式，第二样本特征数据可以与第二特征数据具有相同的特征表示方式，训练完成的深度神经网络可以提供将第一特征数据转换为第二特征数据的特征映射关系，实现将第一特征数据转换特定的特征表示方式的第二特征数据。
本公开实施例提供的数据处理方案可以应用于分布式系统中，从而可以实现大规模的特征数据的特征转换任务。在上述步骤S11中，可以获取多个第一特征数据，在一些实现方式中，对于分布式系统而言，可以基于多个第一特征数据的分区信息，分布式获取多个第一特征数据分区信息指示的多份第一特征数据以进行特征转换计算。
这里，分布式系统可以包括多个并行计算节点，每个并行计算节点可以相互独立，多个并行计算节点可以执行特征转换操作。并行计算节点可以是电子设备、计算单元或处理器等，相应地，分布式系统可以包括多个用于执行特征转换的并行计算节点。针对一个并行计算节点而言，可以根据接收到的分区信息，在第一特征数据库中读取分区信息指示的至少一个第一特征数据，不同并行计算节点接收的分区信息可以不同，即可以理解为，不同并行计算节点接收的分区信息所指示的第一特征数据可以不同。这里，第一特征数据库中可以包括多个第一特征数据，其中的多个第一特征数据可以被划分为多个数据区域，分区信息可以指示一个或多个数据区域中的第一特征数据，例如，分区信息可以包括数据区域的标识，或者，分区信息可以包括一个或多个数据区域所包括的第一特征数据的开始标识和结尾标识。通过分区信息，每个并行计算节点可以快速地在第一特征数据库中获取对应的第一特征数据，从而可以减少不同并行计算节点重复读取相同的第一特征数据的情况，提高第一特征数据的搜索效率。
在一些实现方式中，第一特征数据库中的每份第一特征数据，可以通过预设的标识方式进行存储，如，可以通过地理位置、图像采集时间、图像采集装置等信息对第一特征数据进行标识。举例来说，假设一份第一特征数据f可以通过如下信息进行标识：
((rid,cid,cap_date),f)；
其中，rid可以表示图像采集区域的区域标识；cid可以表示图像采集区域内的图像采集装置标识；cap_date可以表示第一特征数据对应的人脸图像的图像采集时间。通过这三项信息构成了第一特征数据的标识信息。
在一些实现方式中，分区信息是基于分布式系统的并行计算节点的数量和/或每个并行计算节点的数据处理能力确定的。
这里，分布式系统中可以包括多个并行计算节点，多个并行计算节点可以并行对第一数据库中多份第一特征数据进行特征转换。每个并行计算节点接收的分区信息可以是基于分布式系统中并行计算节点的数据和/或每个并行计算节点的数据处理能力确定的，例如，可以根据分布式系统中并行计算节点的数量对第一特征数据库中的多份第一特征数据进行平均划分，得到第一特征数据库的至少一个数据分区，然后可以为每个并行计算节点分配的一个数据分区，根据为每个并行计算节点分配的一个数据分区，可以生成每个并行计算节点的分区信息。或者，可以根据每个并行计算节点的数据处理能力，对第一特征数据库中的多份第一特征数据进行划分，然后为每个并行计算节点分配与该并行计算节点的数据处理能力相匹配的数据分区，例如，一个并行计算节点的数据处理能力较强，可以为该并行计算节点分配包括的第一特征数据的份数较多的数据分区，然后可以根据为每个并行计算节点分配的分区，生成每个并行计算节点的分区信息。其中，并行计算节点的数据处理能力可以是一个并行计算节点可以对第一特征数据进行特征转换的计算能力，并行计算节点的数据处理能力可以通过一些参数进行衡量，例如，可以通过并行计算节点的特征转换效率、包括的处理器数量、可用内存大小等参数进行衡量。通过分布式系统中并行计算节点的数量和/或每个并行计算节点的数据处理能力确定每个并行计算节点的分区信息，可以使确定的分区信息更加适应分布式系统中并行计算节点的变化，使并行计算节点可以更加高效地进行特征转换。
在一些实现方式中，还可以获取并行计算节点的数量，基于并行计算节点的数量将多个第一特征数据划分为与并行计算节点的数量对应数量的子集，子集对应多个第一特征数据的分区信息。然后将每个子集中的第一特征数据分配给对应的并行计算节点，以进行特征转换计算。
这里，分布式系统还可以包括管理节点，管理节点可以是负责对并行计算节点进行管理的节点。管理节点可以用于确定多个并行计算节点的数量，例如，可以综合分布式系统的计算资源，确定并行计算节点的数量。例如，可以根据分布式系统中可用的处理器或显卡数量、可用内存大小等，确定并行计算节点的数量。在一个示例中，并行计算节点的数量可以利用公式(1)进行计算：
Figure BDA0002612233360000081
其中，N可以是启动的并行计算节点的数量；K为分布式系统中可用显卡的数量；M为分布式系统中的可用内存；m可以是为每个并行计算节点分配的内存，可以根据实际情况进行设置。
进一步地，在确定并行计算节点的数量之后，可以将多个第一特征数据划分为N个子集，一个子集对应上述的一个数据分区，相应地，一个子集可以具有一个数据分区的分区信息。例如，将多个第一特征数据划分为{R1,R2,…,Rn}，其中，Ri表示为第i个并行计算节点分配的子集，然后可以向第i个并行计算节点发送子集Ri的分区信息，从而实现对并行计算节点的管理。
在一些实现方式中，并行计算节点在获取第一特征数据或者对第一特征数据进行特征转换的过程中，可能会出现第一特征数据传输中断或第一特征数据转换中断的情况，在这种情况下，并行计算节点可以重新获取第一特征数据或者重新对第一特征数据进行特征转换，从而可以提高特征数据转换任务的容错性。
本公开实施例可以基于预设的特征映射关系将第一特征数据转换为特定特征表示方式的第二特征数据，从而可以实现不同特征表示方式的特征数据的转换。在一些实现方式中，在得到第二特征数据之后，还可以将第一特征数据库中的多个第一特征数据更新为对应的多个第二特征数据。
这里，以多个第一特征数据中的一个第一特征数据为例，在得到第一特征数据对应的第二特征数据之后，可以利用第二特征数据对第一特征数据进行更新，例如，可以根据分区信息，可以将第一特征数据库中分区信息指示的第一特征数据更新为第二特征数据，相应地，可以将第二特征数据的标识信息设置为第一特征数据的标识信息，从而实现第一特征数据的更新。
在一些实现方式中，还可以将得到多个第二特征数据添加到第二特征数据库中。第二特征数据库可以是新构建的数据库，用于存储特征转换后得到的第二特征数据。相应地，可以为第二特征数据设置与第一特征数据的标识信息相同的标志信息，在搜索第一特征数据或第二特征数据的情况下，可以通过指定第一特征数据库或第二特征数据库的方式，对第一特征数据和第二特征数据进行区分，从而实现利用新的人脸的特征数据库(第二特征数据库)对第二特征数据进行存储。
在一些实现方式中，在得到第二特征数据之后，还可以基于多个第二特征数据，生成第二特征数据的索引信息。索引信息可以是用于第二特征数据进行检索的信息，例如，将多个第二特征数据划分为多个类别，索引信息可以指示同一类别的第二特征数据，再例如，可以生成多个第二特征数据的组织结构，索引信息可以指示在同一个组织结构下的第二特征数据。通过索引信息可以提高特征数据对比的效率，从而在得到第二特征数据之后，可以生成第二特征数据的索引信息。
在一个示例中，可以根据多个第二特征数据之间的相似度，对多个第二特征数据进行划分，得到多个特征类，例如，可以计算多个第二特征数据之间的距离，根据多个第二特征数据之间的距离确定多个第二特征数据之间的相似度，然后可以将相似度小于相似度阈值的第二特征数据划分为一个特征类。即，可以将多个第二特征数据进行聚类，得到多个特征类。然后可以将每个特征类的聚类中心作为该特征类中第二特征数据的索引信息。在将一个目标特征数据与特征数据库(第一特征数据库或第二特征数据库)中的第二特征数据进行比对的情况下，可以先将目标特征数据与多个特征类的聚类中心进行比对，确定与目标特征数据匹配程度最高的一个或若干个特征类，然后再将目标特征数据与确定的一个或若干个特征类中的第二特征数据进行比对，进一步确定与目标特征数据最匹配的第二特征数据，从而可以提高特征数据对比的效率。
再例如，还可以根据第二特征数据对应的目标人脸的人脸属性，如，根据目标人脸对应的性别、年龄、发色等人脸属性，生成第二特征数据的索引信息。再例如，还可以根据第二特征数据对应的人脸图像的采集信息，如，根据人脸图像的采集区域、采集时间生成第二特征数据的索引信息。在将目标特征数据与特征数据库(第一特征数据库或第二特征数据库)中的第二特征数据进行比对的情况下，可以通过索引信息可以快速地检索到与目标特征数据对应的人脸属性相匹配的第二特征数据，例如，目标特征数据对应女性特征，可以根据索引信息确定女性特征对应的第二特征数据，然后将目标特征数据与女性特征对应的第二特征数据进行比对，确定与目标特征数据相似的第二特征数据，从而提高特征数据的比对效率。
下面通过一个示例对本公开实施例提供的数据处理方案进行说明。图2示出根据本公开实施例的数据处理方法一示例的框图。本示例中，分布式系统可以包括管理节点和并行计算节点，数据处理方案可以包括以下步骤：
步骤S201，加载用于特征转换的深度神经网络。
步骤S202，管理节点向每个并行计算节点传递分区信息。
步骤S203，各个并行计算节点根据接收的分区信息，并行从第一特征数据库中读取被分配的至少一份第一特征数据。
步骤S204，各个并行计算节点利用加载的深度神经网络对读取的至少一份第一特征数据进行特征转换，得到第二特征数据。
步骤S205，各个并行计算节点根据分区信息将得到的第二特征数据并行写入第一特征数据库，实现第一特征数据的更新。
步骤S206，各个并行计算节点生成第二特征数据的索引信息。
本公开实施例可以利用深度神经网络对特征数据进行转换，从而可以在难以获取原始的人脸数据的情况下，直接对已存在的特征数据进行转换和更新，使通过不同算法提取的特征数据可以进行比较。此外，对于大规模的特征数据的转换任务，可以采用分布式系统框架并行执行特征数据的转换任务，提高特征数据的转换效率。
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。
此外，本公开还提供了装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种数据处理方法，相应技术方案和描述和参见方法部分的相应记载，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。
图3示出根据本公开实施例的数据处理装置的框图，如图3所示，所述装置包括：
获取模块31，用于获取目标人脸的多个第一特征数据，其中，所述多个第一特征数据分别基于不同的算法对所述目标人脸提取得到；
转换模块32，用于基于预设的特征映射关系，将所述多个第一特征数据分别转换为对应的多个第二特征数据，其中，所述多个第二特征数据具有相同的特征表示方式。
在一个可能的实现方式中，所述获取模块31，用于基于所述多个第一特征数据的分区信息，分布式获取所述多个第一特征数据以进行特征转换计算。
在一个可能的实现方式中，所述装置还包括：管理模块，用于获取并行计算节点的数量；基于所述并行计算节点的数量将所述多个第一特征数据划分为与所述并行计算节点的数量对应数量的子集，其中，所述子集对应所述多个第一特征数据的分区信息；将每个所述子集中的第一特征数据分配给对应的并行计算节点，以进行特征转换计算。
在一个可能的实现方式中，还包括：存储模块，用于将第一特征数据库中的所述多个第一特征数据更新为对应的所述多个第二特征数据。
在一个可能的实现方式中，还包括：存储模块，将所述多个第二特征数据添加到第二特征数据库中。
在一个可能的实现方式中，还包括：生成模块，用于基于所述多个第二特征数据，生成所述多个第二特征数据的索引信息。
在一个可能的实现方式中，所述生成模块，用于根据多个第二特征数据之间的相似度，对所述多个第二特征数据进行划分，得到多个特征类；针对一个所述第二特征数据，将所述第二特征数据所在特征类的类心特征作为所述第二特征数据的索引信息。
在一个可能的实现方式中，还包括：加载模块，用于加载提供所述特征映射关系的神经网络；所述转换模块32，用于将所述第一特征数据输入所述神经网络中，得到所述神经网络输出的所述第一特征数据对应的第二特征数据。
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4是根据一示例性实施例示出的一种电子设备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。
参照图4，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。
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。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，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，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM)，自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(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、或者以一种或多个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技术的技术改进，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 (11)

1.一种数据处理方法，其特征在于，包括：
获取目标人脸的多个第一特征数据，其中，所述多个第一特征数据分别基于不同的算法对所述目标人脸提取得到；
基于预设的特征映射关系，将所述多个第一特征数据分别转换为对应的多个第二特征数据，其中，所述多个第二特征数据具有相同的特征表示方式。
2.根据权利要求1所述的方法，其特征在于，所述获取目标人脸的多个第一特征数据，包括：
基于所述多个第一特征数据的分区信息，分布式获取所述多个第一特征数据以进行特征转换计算。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取并行计算节点的数量；
基于所述并行计算节点的数量将所述多个第一特征数据划分为与所述并行计算节点的数量对应数量的子集，其中，所述子集对应所述多个第一特征数据的分区信息；
将每个所述子集分配给对应的并行计算节点，以进行特征转换计算。
4.根据权利要求1至3任意一项所述的方法，其特征在于，所述基于预设的特征映射关系，将所述多个第一特征数据分别转换为对应的多个第二特征数据之后，还包括：
将第一特征数据库中的所述多个第一特征数据更新为对应的所述多个第二特征数据。
5.根据权利要求1至3任意一项所述的方法，其特征在于，所述基于预设的特征映射关系，将所述多个第一特征数据分别转换为对应的多个第二特征数据之后，还包括：
将所述多个第二特征数据添加到第二特征数据库中。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述基于预设的特征映射关系，将所述多个第一特征数据分别转换为对应的多个第二特征数据之后，还包括：
基于所述多个第二特征数据，生成所述多个第二特征数据的索引信息。
7.根据权利要求6所述的方法，其特征在于，所述基于所述多个第二特征数据，生成所述多个第二特征数据的索引信息，包括：
根据所述多个第二特征数据之间的相似度，对所述多个第二特征数据进行划分，得到多个特征类；
针对一个所述第二特征数据，将所述第二特征数据所在特征类的类心特征作为所述第二特征数据的索引信息。
8.根据权利要求1至7任意一项所述的方法，其特征在于，所述方法还包括：
加载提供所述特征映射关系的神经网络；
所述预设的特征映射关系，将所述多个第一特征数据分别转换为对应的多个第二特征数据，包括：
将所述第一特征数据输入所述神经网络中，得到所述神经网络输出的所述第一特征数据对应的第二特征数据。
9.一种数据处理装置，其特征在于，包括：
获取模块，用于获取目标人脸的多个第一特征数据，其中，所述多个第一特征数据分别基于不同的算法对所述目标人脸提取得到；
转换模块，用于基于预设的特征映射关系，将所述多个第一特征数据分别转换为对应的多个第二特征数据，其中，所述多个第二特征数据具有相同的特征表示方式。
10.一种电子设备，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8中任意一项所述的方法。
11.一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8中任意一项所述的方法。
CN202010758080.2A 2020-07-31 2020-07-31 数据处理方法及装置、电子设备和存储介质 Active CN111898546B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010758080.2A CN111898546B (zh) 2020-07-31 2020-07-31 数据处理方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010758080.2A CN111898546B (zh) 2020-07-31 2020-07-31 数据处理方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111898546A true CN111898546A (zh) 2020-11-06
CN111898546B CN111898546B (zh) 2022-02-18

Family

ID=73182884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010758080.2A Active CN111898546B (zh) 2020-07-31 2020-07-31 数据处理方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111898546B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226557A (zh) * 2008-02-22 2008-07-23 中国科学院软件研究所 一种高效的关联主题模型数据处理方法及其系统
CN103150372A (zh) * 2013-03-08 2013-06-12 江苏唯实科技有限公司 基于中心索引的海量高维数据的聚类方法
CN105049268A (zh) * 2015-08-28 2015-11-11 东方网力科技股份有限公司 分布式计算资源分配系统和任务处理方法
CN105184368A (zh) * 2015-09-07 2015-12-23 中国科学院深圳先进技术研究院 一种分布式极限学习机优化集成框架方法系统及方法
CN106469182A (zh) * 2015-08-21 2017-03-01 阿里巴巴集团控股有限公司 一种基于映射关系的信息推荐方法及装置
US20170134722A1 (en) * 2013-05-21 2017-05-11 Magna Electronics Inc. Vehicle vision system with targetless camera calibration
CN109190052A (zh) * 2018-08-03 2019-01-11 东北大学 一种分布式环境下基于社会感知的空间索引方法
CN110874383A (zh) * 2018-08-30 2020-03-10 阿里巴巴集团控股有限公司 数据处理方法、装置及电子设备
CN110990388A (zh) * 2019-11-29 2020-04-10 东软睿驰汽车技术（沈阳）有限公司 一种数据处理方法及装置
CN111444390A (zh) * 2020-04-02 2020-07-24 徐州工程学院 一种基于Spark和深度哈希的视频并行检索方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226557A (zh) * 2008-02-22 2008-07-23 中国科学院软件研究所 一种高效的关联主题模型数据处理方法及其系统
CN103150372A (zh) * 2013-03-08 2013-06-12 江苏唯实科技有限公司 基于中心索引的海量高维数据的聚类方法
US20170134722A1 (en) * 2013-05-21 2017-05-11 Magna Electronics Inc. Vehicle vision system with targetless camera calibration
CN106469182A (zh) * 2015-08-21 2017-03-01 阿里巴巴集团控股有限公司 一种基于映射关系的信息推荐方法及装置
CN105049268A (zh) * 2015-08-28 2015-11-11 东方网力科技股份有限公司 分布式计算资源分配系统和任务处理方法
CN105184368A (zh) * 2015-09-07 2015-12-23 中国科学院深圳先进技术研究院 一种分布式极限学习机优化集成框架方法系统及方法
CN109190052A (zh) * 2018-08-03 2019-01-11 东北大学 一种分布式环境下基于社会感知的空间索引方法
CN110874383A (zh) * 2018-08-30 2020-03-10 阿里巴巴集团控股有限公司 数据处理方法、装置及电子设备
CN110990388A (zh) * 2019-11-29 2020-04-10 东软睿驰汽车技术（沈阳）有限公司 一种数据处理方法及装置
CN111444390A (zh) * 2020-04-02 2020-07-24 徐州工程学院 一种基于Spark和深度哈希的视频并行检索方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
EMAN AHMED 等: "A survey on Deep Learning Advances on Different 3D Data Representations", 《ARXIV》 *
SERGEY IOFFE 等: "Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift", 《ARXIV》 *
ZACHARIA FADIKA 等: "Parallel and Distributed Approach for Processing Large-Scale XML Datasets", 《10TH IEEE/ACM INTERNATIONAL CONFERENCE ON GRID COMPUTING》 *
吴卫祖 等: "基于神经网络的异构网络向量化表示方法", 《计算机科学》 *
宋杰 等: "MapReduce大数据处理平台与算法研究进展", 《软件学报》 *
贾磊: "基于LBP和HOG特征融合的人脸表情识别算法研究", 《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》 *
陈鹏 等: "多模态学习方法综述", 《工程科学学报》 *

Also Published As

Publication number Publication date
CN111898546B (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
CN109089133B (zh) 视频处理方法及装置、电子设备和存储介质
CN110472091B (zh) 图像处理方法及装置、电子设备和存储介质
CN110674719A (zh) 目标对象匹配方法及装置、电子设备和存储介质
CN110569777B (zh) 图像处理方法及装置、电子设备和存储介质
CN112101238A (zh) 聚类方法及装置、电子设备和存储介质
CN110532956B (zh) 图像处理方法及装置、电子设备和存储介质
CN110781957A (zh) 图像处理方法及装置、电子设备和存储介质
CN112905350A (zh) 任务调度方法及装置、电子设备和存储介质
CN111898676B (zh) 目标检测方法及装置、电子设备和存储介质
CN109522937B (zh) 图像处理方法及装置、电子设备和存储介质
CN109635142B (zh) 图像选择方法及装置、电子设备和存储介质
CN113688729B (zh) 一种行为识别方法及装置、电子设备和存储介质
CN112836801A (zh) 深度学习网络确定方法、装置、电子设备及存储介质
CN111523485A (zh) 位姿识别方法及装置、电子设备和存储介质
CN109101542B (zh) 图像识别结果输出方法及装置、电子设备和存储介质
CN113326768A (zh) 训练方法、图像特征提取方法、图像识别方法及装置
CN111582383A (zh) 属性识别方法及装置、电子设备和存储介质
CN110909203A (zh) 视频分析方法及装置、电子设备和存储介质
CN114332503A (zh) 对象重识别方法及装置、电子设备和存储介质
CN110633715B (zh) 图像处理方法、网络训练方法及装置、和电子设备
CN111652107A (zh) 对象计数方法及装置、电子设备和存储介质
CN113888543B (zh) 肤色分割方法、装置、电子设备及存储介质
CN113807253A (zh) 人脸识别方法及装置、电子设备和存储介质
CN113128437A (zh) 身份识别方法及装置、电子设备和存储介质
CN110955800A (zh) 视频检索方法及装置

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