CN112560612A - 确定业务算法的系统、方法、计算机设备及存储介质 - Google Patents

Abstract

本申请实施例公开了一种确定业务算法的系统、方法、计算机设备及存储介质，属于人工智能技术领域。基于本申请实施例提供的系统，对于针对第一拍摄场景的第一业务算法，可以基于第一业务算法对第二拍摄场景下采集的图像的算法分析数据，对第一业务算法中的模型进行训练，得到更新后的第二业务算法，从而使得业务算法能够不断适应新的拍摄场景，进而使得业务算法能够不断满足新的业务需求。也即是，本申请实施例提供了一种能够自主学习的系统，该系统能够不断基于新的场景自动更新业务算法。

Description

确定业务算法的系统、方法、计算机设备及存储介质

技术领域

本申请实施例涉及人工智能技术领域，特别涉及一种确定业务算法的系统、方法、计算机设备及存储介质。

背景技术

随着人工智能技术的发展，对于任一业务，均可以部署实现该业务的业务算法。业务算法中通常包括一个或多个模型，通过这一个或多个模型的联动作用便可使得业务算法实现该业务。这一个或多个模型可以为基于深度学习得到模型。

相关技术中，对于某个业务算法，获取用于训练该业务算法中各个模型的训练样本，然后采用人工方式添加训练样本的标签。基于训练样本的标签对初始化的各个训练模型进行训练，便可得到训练后的各个模型，从而得到业务算法。

上述训练后的模型在后续业务算法的应用中输出的数据通常不符合预先设置的要求，导致业务算法通常不能满足业务需求。

发明内容

本申请实施例提供了一种确定业务算法的系统、方法、计算机设备及存储介质，可以使得业务算法更好地满足业务需求。所述技术方案如下：

一方面，提供了一种确定业务算法的系统，所述系统包括模型仓库模块、感知推理模块、训练模块和算法仓库模块：

所述模型仓库模块，用于获取第一业务算法中的模型，所述第一业务算法中的模型为基于第一图像集训练得到的，所述第一图像集为基于相机在第一拍摄场景下采集的图像获取的；

所述感知推理模块，用于获取所述第一业务算法对第二图像集的算法分析数据，所述第二图像集为基于所述相机在第二拍摄场景下采集的图像获取的，所述算法分析数据为所述第一业务算法对所述第二图像集进行分析过程中的数据；

所述训练模块，用于基于所述第二图像集、以及所述算法分析数据对所述第一业务算法中的模型进行训练；

所述算法仓库模块，用于基于所述第一业务算法中训练后的模型确定第二业务算法。

可选地，所述第一业务算法中包括多个模型；

所述系统还包括数据筛选模块，所述数据筛选模块用于：

基于所述第一业务算法中的各个模型，对所述第二图像集进行分类，得到与所述多个模型分别对应的图像集合；

所述训练模块，用于：

对于所述多个模型中第一模型，基于所述第一模型对应的第一图像集合的算法分析数据，确定所述第一图像集合中图像的伪标签，任一图像的伪标签指示相应图像的校正后的识别结果；根据所述第一图像集合中图像的伪标签，以及所述第一图像集合，对所述第一模型进行训练，得到第二模型；

所述算法仓库模块用于：

将所述第一业务算法中的所述第一模型替换为所述第二模型，得到所述第二业务算法。

可选地，所述训练模块用于：

从所述第一图像集合中各个图像的算法分析数据中，获取所述第一图像集合中各个图像在所述第一模型下的识别结果；

根据所述第一图像集合中各个图像的算法分析数据和/或人工标注信息，对所述第一图像集合中各个图像在所述第一模型下的识别结果的真假值进行判断；

基于判断结果确定所述第一图像集合中各个图像的伪标签。

可选地，所述系统还包括用户交互模块，所述用户交互模块用于：

响应于针对所述第一图像集合中任一图像的标注指令，获取与所述任一图像对应的人工标注信息。

可选地，所述数据筛选模块还用于：

对于分类后的各个图像集合，对所述各个图像集合中的图像进行数据过滤，将过滤后的各个图像集合确定为所述多个模型分别对应的图像集合。

可选地，所述训练模块用于：

如果训练后的第一模型对于所述第二图像集的识别准确率大于训练前的所述第一模型对于所述第二图像集的识别准确率，则将所述训练后的第一模型确定为所述第二模型。

可选地，所述系统还包括数据仓库模块，所述数据仓库模块用于：

存储与所述多个模型分别对应的图像集合。

可选地，所述算法仓库模块，还用于：

将所述第二业务算法推送至业务设备，以使所述业务设备将加载的所述第一业务算法更新为所述第二业务算法，所述业务设备为实现业务的设备。

可选地，所述模型仓库模块还用于：

存储所述第二业务算法中各个模型以及各个模型的标识。

可选地，所述模型仓库模块中配置有功能映射表，所述功能映射表用于指示用户基于功能查询模型；

所述模型仓库模块还用于：

在所述功能映射表中添加所述第二业务算法中各个模型的功能和模型标识之间的对应关系。

可选地，所述算法分析数据是基于元数据协议封装的数据。

另一方面、提供了一种确定业务算法的方法，所述方法包括：

获取第一业务算法中的模型，所述第一业务算法中的模型为基于第一图像集训练得到的，所述第一图像集为基于相机在第一拍摄场景下采集的图像获取的；

获取所述第一业务算法对第二图像集的算法分析数据，所述第二图像集为基于所述相机在第二拍摄场景下采集的图像获取的，所述算法分析数据为所述第一业务算法对所述第二图像集进行分析过程中的数据；

基于所述第二图像集、以及所述算法分析数据对所述第一业务算法中的模型进行训练；

基于所述第一业务算法中训练后的模型确定第二业务算法。

可选地，所述第一业务算法中包括多个模型；

所述方法还包括：

基于所述第一业务算法中的各个模型，对所述第二图像集进行分类，得到与所述多个模型分别对应的图像集合；

所述基于所述第二图像集、以及所述算法分析数据对所述第一业务算法中的模型进行训练，得到第二业务算法，包括：

对于所述多个模型中第一模型，基于所述第一模型对应的第一图像集合的算法分析数据，确定所述第一图像集合中图像的伪标签，任一图像的伪标签指示相应图像的校正后的识别结果；

根据所述第一图像集合中图像的伪标签，以及所述第一图像集合，对所述第一模型进行训练，得到第二模型；

所述基于所述第一业务算法中训练后的模型确定第二业务算法，包括：

将所述第一业务算法中的所述第一模型替换为所述第二模型，得到所述第二业务算法。

可选地，所述基于所述第一模型对应的第一图像集合的算法分析数据，确定所述第一图像集合中图像的伪标签，包括：

从所述第一图像集合中各个图像的算法分析数据中，获取所述第一图像集合中各个图像在所述第一模型下的识别结果；

根据所述第一图像集合中各个图像的算法分析数据和/或人工标注信息，对所述第一图像集合中各个图像在所述第一模型下的识别结果的真假值进行判断；

基于判断结果确定所述第一图像集合中各个图像的伪标签。

可选地，所述方法还包括：

响应于针对所述第一图像集合中任一图像的标注指令，获取与所述任一图像对应的人工标注信息。

可选地，所述基于所述第一业务算法中的各个模型，对所述第二图像集进行分类，得到与所述多个模型分别对应的图像集合，包括：

对于分类后的各个图像集合，对所述各个图像集合中的图像进行数据过滤，将过滤后的各个图像集合确定为所述多个模型分别对应的图像集合。

可选地，所述根据所述第一图像集合中图像的伪标签，以及所述第一图像集合，对所述第一模型进行训练，得到第二模型，包括：

如果训练后的第一模型对于所述第二图像集的识别准确率大于训练前的所述第一模型对于所述第二图像集的识别准确率，则将所述训练后的第一模型确定为所述第二模型。

可选地，所述方法还包括：

存储与所述多个模型分别对应的图像集合。

可选地，所述方法还包括：

将所述第二业务算法推送至业务设备，以使所述业务设备将加载的所述第一业务算法更新为所述第二业务算法，所述业务设备为实现业务的设备。

可选地，所述方法还包括：

存储所述第二业务算法中各个模型以及各个模型的标识。

可选地，所述方法还包括：

在功能映射表中添加所述第二业务算法中各个模型的功能和模型标识之间的对应关系，所述功能映射表用于指示用户基于功能查询模型。

可选地，所述算法分析数据是基于元数据协议封装的数据。

另一方面，提供了一种计算机设备，所述计算机设备包括：

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提供的确定业务算法的方法中任一步骤。

另一方面、提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现上述提供的确定业务算法的方法中任一步骤。

第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述提供的确定业务算法的方法中任一步骤。

本申请实施例提供的技术方案带来的有益效果至少包括：

在本申请实施例中，基于本申请实施例提供的系统，对于针对第一拍摄场景的第一业务算法，可以基于第一业务算法对第二拍摄场景下采集的图像的算法分析数据，对第一业务算法中的模型进行训练，得到更新后的第二业务算法，从而使得业务算法能够不断适应新的拍摄场景，进而使得业务算法能够不断满足新的业务需求。也即是，本申请实施例提供了一种能够自主学习的系统，该系统能够不断基于新的场景自动更新业务算法。

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，对于本领域普通技术人员来讲，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是本申请实施例提供的一种确定业务算法的系统架构示意图；

图2是本申请实施例提供的一种确定业务算法的方法流程图；

图3是本申请实施例提供的一种元数据协议封装的数据格式示意图；

图4是本申请实施例提供的另一种确定业务算法的方法流程图；

图5是本申请实施例提供的一种终端的结构示意图；

图6是本申请实施例提供的另一种服务器的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

为了后续便于说明，在此对本申请实施例的应用场景进行解释说明。

本申请实施例提供的系统和方法应用于对于任一业务部署有实现该业务的业务算法的场景中。业务算法，即为实现该业务的算法。业务算法中通常包括多个模型，这多个模型中每个模型为一个具有输入输出的函数，每个模型用于实现业务算法中的部分功能，通过将这多个模型的输入输出联动起来，从而实现业务算法对应的业务。比如，对于人脸识别业务，可以部署人脸识别算法，该人脸识别算法包括图像分割模型、图像目标追踪模型、分类模型等等。

此外，上述业务算法可以是针对视频的业务算法。比如，针对监控视频的业务算法。在视频为监控视频的场景中，由于社会的不断进步，视频监控系统的应用范围越来越广。虽然现在智能化程度越来越高，视频监控系统的准确率也越来越好。但是视频监控系统上离线的训练的模型总是无法覆盖到所有场景的，经常会出现在各种繁杂的应用场景中业务算法的准确率总是达不到用户的使用标准的问题，使得现有的视频监控系统远远不能满足于许多应用场合的需要。本申请实施例提供的确定业务算法的系统和方法的目的就在于解决上述技术问题。

图1是本申请实施例提供的一种确定业务算法的系统的架构示意图。如图1所示，该系统100包括感知推理模块101、模型仓库模块102、训练模块103以及算法仓库模块104。

上述模型仓库模块102用于存储各个业务算法包括的模型。感知推理模块101用于基于已经训练过的拍摄场景下的成熟的业务算法对新的拍摄场景下获取的图像进行分析，得到新的拍摄场景下获取的图像的算法分析数据。利用新的拍摄场景下获取的图像的算法分析数据确定图像的伪标签，得到新的拍摄场景下的图像的伪标签。然后通过训练模块103基于新的拍摄场景下获取的图像的伪标签对已经训练过的成熟的业务算法中各个模型进行训练。算法仓库模块用于基于成熟业务算法中训练后的模型得到针对新的拍摄场景的业务算法。从而使得业务算法能够不断适应新的拍摄场景，进而使得业务算法能够不断满足新的业务需求。

由此可知，本申请实施例提供的系统能够实现一种基于半监督在线学习的方法。具体地，针对一个新的拍摄场景，通过旧拍摄场景下训练的业务算法学习到该新的拍摄场景的所有信息，通过一些策略基于这些信息来对新的拍摄场景下获取的图像打上伪标签，利用这个伪标签对旧拍摄场景下训练的业务算法中原始的模型进行一个训练，从而得到针对新的拍摄场景的业务算法，使得业务算法可以越运行越准确。也即是，本申请实施例提供的系统为一种自主学习的系统。利用该系统可进行半监督训练达到在线更新模型，解决目前视频监控系统无法满足用户更多场景使用的问题，最终提升业务算法整体效果，满足用户的业务需求。

可选地，如图1所示，该系统100还可以包括数据筛选模块105。数据筛选模块105对新的拍摄场景下采集的图像进行预处理，以便于后续训练模块基于预处理后的图像进行训练。

此外，算法仓库模块104用于存储不同业务算法，并将业务算法推送至业务设备，以使业务设备部署业务算法。该业务设备为实现业务的设备，比如该业务设备可以为能够实现人脸识别的图像采集设备，诸如监控摄像机等。

可选地，如图1所示，该系统还可以包括数据仓库模块106。该数据仓库模块106用于存储感知推理模块102得到的算法分析数据以及对应的新的拍摄场景下的图像，并对存储的数据进行统一管理。

可选地，如图1所示，该系统还可以包括用户交互模块107。该用户交互模块107可以提供人机交互界面，以便用户对确定业务算法过程中的一些操作进行配置。比如，基于该人机交互界面对训练过程中的图像添加人工标注信息等。又比如，基于该人机交互界面对模型仓库模块中的模型进行查询或数据仓库模块中的数据进行查询等等。

关于图1所示的系统中的各个模块的详细功能将在后续实施例中进一步详细解释说明，在此就先不展开阐述。

需要说明的是，图1所示的各个模块的命名并不能限定各个模块的功能，图1中各个模块的命名仅仅用于举例说明，在应用本申请实施例时，可以依据具体的功能进行命名。此外，图1所示的各个模块为逻辑上划分的软件模块，各个模块可以部署在同一硬件设备上，也可以部署在不同硬件设备中，本申请实施例对此不作限定。

图2是本申请实施例提供的一种确定业务算法的方法流程图。如图2所示，该方法包括如下几个步骤。需要说明的是，图2所示的实施例可以应用在终端中，也可以应用在服务器中，只需要终端或服务器上部署有上述图1所示的系统即可。下述实施例仅仅是以服务器为例进行说明。

步骤201：服务器获取第一业务算法中的模型，第一业务算法中的模型为基于第一图像集训练得到的，第一图像集为基于相机在第一拍摄场景下采集的图像获取的。

基于图1所示的系统可知，模型仓库模块中存储有各个业务算法的模型，因此，在一种可能的实现方式中，上述步骤201可以通过模型仓库模块来实现。也即是，模型仓库模块可以将待升级的业务算法的模型输出至训练模块，以便于训练模块基于后续步骤203进行模型的训练，从而实现业务算法的升级。

此外，模型仓库模块中的模型可以采用一定的加密技术进行加密，如此模型仓库模块在获取到第一业务算法中的模型后，需要将获取的模型解密才能输出至训练模块。在一种可能的实现方式中，模型仓库模块需要有授权才能将获取的模型解密才能输出至训练模块，若没有授权则无法解析出模型，相应也就无法将第一业务算法中的模型输出至训练模块。上述针对模型仓库模块的授权可以预先通过图1所示的用户交互模块来配置，也即是通过人机交互方式来配置模型仓库模块的授权，在此不再详细说明。

另外，模型仓库模块可以将各个模型存储在模型数据库中，该模型数据库可以为本地的数据库，也可以为基于云存储的数据库，本申请实施例对此不做限定。该模型数据库还可以称为模型仓库。此时，模型仓库模块相当于从模型数据库中获取步骤201中的第一业务算法中的模型。

此外，在本申请实施例中，可以通过约定协议来唯一标识各个模型，以便于图1所示的各个模块之间能够基于模型的标识对模型进行后续操作。在一种可能的实现方式中，可以使用“业务算法的类型&业务算法的版本&模型的功能&模型的版本”来唯一标识一个模型。需要说明的是，该标识模型的方式仅仅用于举例说明，本申请实施例并不限定设置唯一标识模型的方式，只需要设置的标识能够实现唯一标识一个模型即可。

另外，上述第一拍摄场景在后续步骤202中将进行解释说明，在此就先不展开阐述。

步骤202：服务器获取第一业务算法对第二图像集的算法分析数据，第二图像集为基于相机在第二拍摄场景下采集的图像获取的，算法分析数据为第一业务算法对第二图像集进行分析过程中的数据。

基于图1所示的系统可知，步骤202可以通过图1所示的感知推理模块来实现。也即是，感知推理模块用于基于第一业务算法对第二图像集进行分析，得到第二图像集的算法分析数据。其中，第一业务算法为基于第一图像集训练得到的。第一图像集为基于相机在第一拍摄场景下采集的图像获取的，第二图像集为基于相机在第二拍摄场景下采集的图像获取的。

上述第一拍摄场景和第二拍摄场景为不同的拍摄场景。在本申请实施例中，拍摄场景是指相机拍摄区域的环境。该环境包括拍摄区域中的静态对象，比如建筑物、绿化带等等。在一种可能的实现方式中，拍摄场景具体可以和相机所在的拍摄地点有关，也即是，相机的拍摄地点不同，相机的拍摄场景相应也不同。

上述算法分析数据包括第一业务算法对第二图像集进行处理的所有的数据。该所有数据包括中间分析数据以及最终结果数据。比如，上述算法分析数据包括第一业务算法对第二图像集进行处理的场景解析数据，图像分割数据、视场大小数据、场景类别数据、光线数据、掩膜(mask)前景图数据、误检热点图数据、检测目标框数据、跟踪目标标识数据、目标框数据、分类结果数据、建模特征数据、属性(前处理后处理)数据、规则信息、抓拍区域等数据。

上述场景解析数据是指第一业务算法对第二图像集对应的第二拍摄场景进行分析的数据。该场景解析数据可以包括第二拍摄场景和第一拍摄场景之间的差异分析数据。图像分割数据包括第一业务算法对第二图像集进行图像分割后得到的数据。图像分割数据可以包括图像分割后得到的同一类目标对应的掩膜和/或同一类目标中各个不同的目标等等。视场大小数据指示图像对应的拍摄区域的大小。场景类别数据指示第二拍摄场景所属的场景类别。光线数据指示采集图像时的光线信息。掩膜前景图数据指示图像中的前景数据。误检热点图数据指示由于误差原因识别的错误的数据。检测目标框数据指示检测目标框在图像的位置信息。跟踪目标标识数据指示识别的目标的标识。目标框数据指示目标框的大小等数据。分类结果数据指示对识别出的目标进行分类的结果。建模特征数据指示第一业务算法中各个模型对应的需要输入的特征数据。属性(前处理后处理)数据指示各个模型对图像进行处理前以及处理后的数据。规则信息包括第一业务算法中各个模型之间的联动规则等，比如如何将第一业务算法中的各个模型的输入输出联动起来实现业务。抓拍区域指示图像对应的拍摄区域的相关信息。

为了便于在图1所示系统中的各个模块中传输步骤202中的算法分析数据，在本申请实施例中，该算法分析数据可以是基于元数据协议封装的数据。也即是，感知推理模块在获取到上述算法分析数据之后，使用元数据协议封装该算法分析数据，然后在各个模块之间传输使用元数据协议封装后的算法分析数据。

此外，由于算法分析数据是针对第二图像集的算法分析数据，因此在一种可能的实现方式中，可以将上述采用元数据协议封装后的算法分析数据作为第二图像集的私有信息和第二图像集一起存放，后续图1中任一模块从第二图像集的私有信息中便可解析出第二图像集的算法分析数据。

图3是本申请实施例提供的一种元数据协议封装后的算法分析数据的格式示意图。如图3所示，该封装后的数据包括数据头(data-head)，用于存储使用的元数据协议的标识。该封装后的数据还包括数据版本(data-vision)，用于存储使用的元数据协议的版本。该封装后的数据还包括数据长度(data-length)，用于存储每个数据块的长度。该封装后的数据还包括数据个数(data-num)，用于存储写入的数据块的长度。该封装后的数据还包括子数据头(sub-data-head)，用于存储一些其他的相关信息。该封装后的数据还包括一个或多个数据块(data)，用于存储上述算法分析数据。

在感知推理模块通过上述实现方式获取到算法分析数据后，便可将算法分析数据以及对应的图像存储至图1所示的数据仓库模块，以便于后续训练模块从数据仓库模块中获取图像的算法分析数据。

可选地，由于后续训练模块是以模型为单位进行训练的，因此感知推理模块在将算法分析数据和第二图像集存储至数据仓库模块之前，还可以基于图1所示的数据筛选模块以模型为单位对第二图像集进行聚类处理，然后将聚类处理后的第二图像集和算法分析数据存储至数据仓库模块，也即是，数据仓库模块还用于存储与多个模型分别对应的图像集合。具体地，在一种可能的实现方式中，基于第一业务算法中的各个模型，对第二图像集进行分类，得到与多个模型分别对应的图像集合。

也即是，数据筛选模块接收感知推理模块输入的数据后，把第二图像集中各个图像进行聚类归为几个类，每一类对应一个待训练的模型。然后将每一类图像集合和相应的算法分析数据存储至数据仓库模块。前述聚类过程可以通过数据筛选模块中场景聚类模块来实现。该场景聚类模块同样为一个逻辑软件模块，用于实现上述聚类的相关操作。

可选地，对于分类后的各个图像集合，还可以对各个图像集合中的图像进行数据过滤，将过滤后的各个图像集合确定为这多个模型分别对应的图像集合。也即是，在将分类后的图像集合存储至数据仓库模块之前，还可以对图像集合中的图像进行过滤。

在一种可能的实现方式中，可以采用一定的学习算法把从各个图像集合中选择出高价值数据，以便对图像集合中的数据做一个初步过滤。该初步过滤可以包括如下几个部分。第一个部分为：通过特征空间分析去掉重复的图片样本。第二个部分为：通过样本质量分析去掉低质量、模糊的图片样本。第三个部分为：通过尺寸分析去掉尺寸较小的图片样本。前述过滤过程可以通过数据筛选模块中样本挑选模块来实现。该样本挑选模块同样为一个逻辑软件模块，用于实现上述初步过滤的相关操作。

另外，数据筛选模块在对图像集合中的数据进行过滤之后，还可以进一步将对图像集合中的数据进行评分。评分标准可以用于衡量图像集合中图片的质量的高低。本申请实施例并不限定如何对图像集合中的数据进行评分。

此外，在感知推理模块将算法分析数据作为图片的私有信息存储时，数据筛选模块可以从码流中解析出第二图像集和第二图像集的算法分析数据。解析出的第二图像集可以为多张图片或一段连续的图像序列。该过程可以通过数据筛选模块中解析数据模块来实现。该解析数据模块同样为一个逻辑软件模块，用于实现上述解析的相关操作。

数据筛选模块在将第二图像集和第二图像集的算法分析数据通过上述方式存储至数据仓库模块后，数据仓库模块接收数据筛选模块推送的在线数据，负责把在线数据集中管理。后续读取算法分析数据的相关操作都在这个模块里完成。

此外，数据仓库模块在存储数据筛选模块推送的数据时，还可以存放数据的相关信息，该相关信息包括图像的标识、图像的采集时间、图像的拍摄地点、图像是基于哪个模型筛选出来的、以及图像的评分、以及图像的人工标注信息等等。以便于后续可通过这些相关信息查询并生成用于训练与测试的数据列表。其中，图像的拍摄地点还可以称为图像的点位信息，在此不再详细说明。

此外，数据仓库模块存储的数据可放置在数据仓库中，该数据仓库可放在云储存或者本地存储。此外，该数据仓库支持通过相关信息如采集时间、拍摄地点、样本评分等筛选需要的样本，在此不再详细说明。

需要说明的是，步骤201和步骤202没有先后执行顺序。上述仅仅是以先执行步骤201再执行步骤202为例进行说明。在应用本申请实施例提供的方法时，也可以先执行步骤202再执行步骤201。

步骤203：服务器基于第二图像集、以及算法分析数据对第一业务算法中的模型进行训练。

在一种可能的实现方式中，在步骤202中数据筛选模块没有对第二图像集进行聚类处理的情况下，步骤203的实现过程可以为：基于第一业务算法中的各个模型，对第二图像集进行分类，得到与多个模型分别对应的图像集合；对于多个模型中第一模型，基于第一模型对应的第一图像集合的算法分析数据，确定第一图像集合中图像的伪标签，任一图像的伪标签指示相应图像的校正后的识别结果；根据第一图像集合中图像的伪标签，以及第一图像集合，对第一模型进行训练，得到第二模型。

具体地，上述基于第一模型对应的第一图像集合的算法分析数据，确定第一图像集合中图像的伪标签的实现过程可以为：从第一图像集合中各个图像的算法分析数据中，获取第一图像集合中各个图像在第一模型下的识别结果；根据第一图像集合中各个图像的算法分析数据和/或人工标注信息，对第一图像集合中各个图像在第一模型下的识别结果的真假值进行判断；基于判断结果确定第一图像集合中各个图像的伪标签。

上述根据第一图像集合中各个图像的算法分析数据对第一图像集合中各个图像在第一模型下的识别结果的真假值进行判断的实现过程可以为：对于第一图像集合中任一图像，解析该图像的算法分析数据，如果该图像的算法分析数据中存在指示识别结果的数据，且该指示识别结果的数据和该图像在第一模型下的识别结果的真假值两者所代表的识别结果均一致，则确定该图像在第一模型下的识别结果的真假值为真。比如，前述指示识别结果的数据可以为算法分析数据中包括的目标类型，如果该目标类型指示该图像中的目标为一个动物，但是该图像在第一模型下的识别结果为人脸，则确定该图像在第一模型下的识别结果的真假值为假。

此外，基于判断结果确定第一图像集合中各个图像的伪标签的实现过程可以为：如果该图像在第一模型下的识别结果的真假值为假，则基于针对该图像的人工标注信息来确定该图像的伪标签。如果该图像在第一模型下的识别结果的真假值为真，则基于针对该图像的人工标注信息和识别结果一起来确定该图像的伪标签。

上述针对该图像的人工标注信息可以为训练过程中工作人员通过图1所示的用户交互模块提供的人机交互界面来提供的。也即是，在本申请实施例中，用户交互模块可以响应于针对第一图像集合中任一图像的标注指令，获取与该图像对应的人工标注信息。具体实现方式在此不再详述。

另外，用户交互模块获取的人工标注信息可以随着相应的图像一起存储至图1中的数据仓库模块，在此不再详细说明。

可选地，在步骤202中数据筛选模块没有对第二图像集进行初步过滤处理的情况下，基于第一业务算法中的各个模型，对第二图像集进行分类，得到与多个模型分别对应的图像集合的实现过程为：对于分类后的各个图像集合，对各个图像集合中的图像进行数据过滤，将过滤后的各个图像集合确定为多个模型分别对应的图像集合。

可选地，上述在训练第一模型，得到第二模型的实现方式可以为：如果训练后的第一模型对于第二图像集的识别准确率大于训练前的第一模型对于第二图像集的识别准确率，则将训练后的第一模型确定为第二模型。该过程还可以通过训练模块中的性能评价模块来实现，性能评价模块利用标定真值进行标签分析推测，然后对训练前后的模型进行测试判断，当训练后的模型性能明显好于训练前的模型才输出训练后的模型，以便于后续升级业务算法。

此外，为了便于后续查询训练过程，还可以将训练中的相关信息采用规定的json格式作为一个统一格式来存储。该相关信息覆盖所有相关标定的内容如检测、分类、分割、特征点等等信息。

步骤204：服务器基于第一业务算法中训练后的模型确定第二业务算法。

具体地，针对步骤203中第一模型的训练，训练模块在将第一模型训练完成之后，算法仓库模块便可将第一业务算法中的第一模型替换为训练得到的第二模型，从而得到第二业务算法。

可选地，算法仓库模块还可以将第二业务算法推送至业务设备，以使业务设备将加载的第一业务算法更新为第二业务算法。从而实现将业务设备中的部署的第一业务算法进行升级。

可选地，算法仓库模块还可以将第二业务算法推送至感知推理模块，以便于后续感知推理模块基于升级后的第二业务算法继续进行升级，在此不再详细说明。

上述算法仓库模块将第二业务算法推送至业务设备的具体过程可以为：算法仓库模块中的量化转bin(一种二进制文件)模块负责把训练出来的基线模型进行量化转bin操作，在此过程中，还需要把之前的算法模型版本参数导入。算法仓库模块中的自动打包模块负责把算法包中的提供的模型、算法库等记录信息读取出来，进行版本比对并替换生成新的算法包，该信息以标准的json格式存放。自动升级模块取到新的算法包后则推送给业务设备进行升级操作。

此外，基于前述内容可知，图1所示的系统中还可以部署有模型仓库模块。因此，在训练模块训练完成各个模型之后，还可以将第二业务算法中各个模型以及各个模型的标识存储在模型数据库中，模型数据库中包括不同的模型以及不同模型的标识。从而完成对模型数据库的更新。

可选地，模型数据库中还可以建立功能映射表，功能映射表用于指示用户基于功能查询模型，从而实现外部通过功能在模型数据库中查询对应的模型，从而确定需要训练哪个模型。因此，在一种可能的实现方式，在训练完各个模型之后，在模型数据库的功能映射表中添加第二业务算法中各个模型的功能和模型标识之间的对应关系。

上述步骤201至步骤203还可以进一步通过图4所示的流程图来表示。关于图4所示的详细流程可以参考上述步骤201-步骤203中的详细实现方式，在此不再赘述。

综上所述，基于本申请实施例提供的系统，对于针对第一拍摄场景的第一业务算法，可以基于第一业务算法对第二拍摄场景下采集的图像的算法分析数据，对第一业务算法中的模型进行训练，得到更新后的第二业务算法，从而使得业务算法能够不断适应新的拍摄场景，进而使得业务算法能够不断满足新的业务需求。也即是，本申请实施例提供了一种能够自主学习的系统，该系统能够不断基于新的场景自动更新业务算法。

上述所有可选技术方案，均可按照任意结合形成本申请的可选实施例，本申请实施例对此不再一一赘述。

需要说明的是：图1实施例提供的确定业务算法的系统在确定业务算法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的确定业务算法的系统与确定业务算法的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图5是本申请实施例提供的一种终端500的结构框图。图1所示的系统中任一模块均可以通过该终端来实现。该终端500可以是：智能手机、平板电脑、MP3播放器(MovingPicture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端500还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。

通常，终端500包括有：处理器501和存储器502。

处理器501可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器501可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器501也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器501可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器501还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器502可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器502还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器502中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器501所执行以实现本申请中方法实施例提供的确定业务算法的方法。

在一些实施例中，终端500还可选包括有：外围设备接口503和至少一个外围设备。处理器501、存储器502和外围设备接口503之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口503相连。具体地，外围设备包括：射频电路504、显示屏505、摄像头组件506、音频电路507、定位组件508和电源509中的至少一种。

外围设备接口503可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器501和存储器502。在一些实施例中，处理器501、存储器502和外围设备接口503被集成在同一芯片或电路板上；在一些其他实施例中，处理器501、存储器502和外围设备接口503中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路504用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路504通过电磁信号与通信网络以及其他通信设备进行通信。射频电路504将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路504包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路504可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路504还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏505用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏505是触摸显示屏时，显示屏505还具有采集在显示屏505的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器501进行处理。此时，显示屏505还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏505可以为一个，设置终端500的前面板；在另一些实施例中，显示屏505可以为至少两个，分别设置在终端500的不同表面或呈折叠设计；在另一些实施例中，显示屏505可以是柔性显示屏，设置在终端500的弯曲表面上或折叠面上。甚至，显示屏505还可以设置成非矩形的不规则图形，也即异形屏。显示屏505可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。

摄像头组件506用于采集图像或视频。可选地，摄像头组件506包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件506还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路507可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器501进行处理，或者输入至射频电路504以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端500的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器501或射频电路504的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路507还可以包括耳机插孔。

定位组件508用于定位终端500的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件508可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。

电源509用于为终端500中的各个组件进行供电。电源509可以是交流电、直流电、一次性电池或可充电电池。当电源509包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端500还包括有一个或多个传感器510。该一个或多个传感器510包括但不限于：加速度传感器511、陀螺仪传感器512、压力传感器513、指纹传感器514、光学传感器515以及接近传感器516。

加速度传感器511可以检测以终端500建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器511可以用于检测重力加速度在三个坐标轴上的分量。处理器501可以根据加速度传感器511采集的重力加速度信号，控制显示屏505以横向视图或纵向视图进行用户界面的显示。加速度传感器511还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器512可以检测终端500的机体方向及转动角度，陀螺仪传感器512可以与加速度传感器511协同采集用户对终端500的3D动作。处理器501根据陀螺仪传感器512采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器513可以设置在终端500的侧边框和/或显示屏505的下层。当压力传感器513设置在终端500的侧边框时，可以检测用户对终端500的握持信号，由处理器501根据压力传感器513采集的握持信号进行左右手识别或快捷操作。当压力传感器513设置在显示屏505的下层时，由处理器501根据用户对显示屏505的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

指纹传感器514用于采集用户的指纹，由处理器501根据指纹传感器514采集到的指纹识别用户的身份，或者，由指纹传感器514根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器501授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器514可以被设置终端500的正面、背面或侧面。当终端500上设置有物理按键或厂商Logo时，指纹传感器514可以与物理按键或厂商Logo集成在一起。

光学传感器515用于采集环境光强度。在一个实施例中，处理器501可以根据光学传感器515采集的环境光强度，控制显示屏505的显示亮度。具体地，当环境光强度较高时，调高显示屏505的显示亮度；当环境光强度较低时，调低显示屏505的显示亮度。在另一个实施例中，处理器501还可以根据光学传感器515采集的环境光强度，动态调整摄像头组件506的拍摄参数。

接近传感器516，也称距离传感器，通常设置在终端500的前面板。接近传感器516用于采集用户与终端500的正面之间的距离。在一个实施例中，当接近传感器516检测到用户与终端500的正面之间的距离逐渐变小时，由处理器501控制显示屏505从亮屏状态切换为息屏状态；当接近传感器516检测到用户与终端500的正面之间的距离逐渐变大时，由处理器501控制显示屏505从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图5中示出的结构并不构成对终端500的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

本申请实施例还提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由终端的处理器执行时，使得终端能够执行上实施例提供的确定业务算法的方法。

本申请实施例还提供了一种包含指令的计算机程序产品，当其在终端上运行时，使得终端执行上述实施例提供的确定业务算法的方法。

图6是本申请实施例提供的一种服务器结构示意图。图1所示的系统中任一模块均可以通过该服务器来实现。该服务器可以是后台服务器集群中的服务器。具体来讲：

服务器600包括中央处理单元(CPU)601、包括随机存取存储器(RAM)602和只读存储器(ROM)603的系统存储器604，以及连接系统存储器604和中央处理单元601的系统总线605。服务器600还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)606，和用于存储操作系统613、应用程序614和其他程序模块615的大容量存储设备607。

基本输入/输出系统606包括有用于显示信息的显示器608和用于用户输入信息的诸如鼠标、键盘之类的输入设备609。其中显示器608和输入设备609都通过连接到系统总线605的输入输出控制器610连接到中央处理单元601。基本输入/输出系统606还可以包括输入输出控制器610以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器610还提供输出到显示屏、打印机或其他类型的输出设备。

大容量存储设备607通过连接到系统总线605的大容量存储控制器(未示出)连接到中央处理单元601。大容量存储设备607及其相关联的计算机可读介质为服务器600提供非易失性存储。也就是说，大容量存储设备607可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。

不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器604和大容量存储设备607可以统称为存储器。

根据本申请的各种实施例，服务器600还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器600可以通过连接在系统总线605上的网络接口单元611连接到网络612，或者说，也可以使用网络接口单元611来连接到其他类型的网络或远程计算机系统(未示出)。

上述存储器还包括一个或者一个以上的程序，一个或者一个以上程序存储于存储器中，被配置由CPU执行。所述一个或者一个以上程序包含用于进行本申请实施例提供的如下所述的确定业务算法的方法的指令。

本申请实施例还提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行上述实施例提供的确定业务算法的方法。

本申请实施例还提供了一种包含指令的计算机程序产品，当其在服务器上运行时，使得服务器执行上述实施例提供的确定业务算法的方法。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请实施例的较佳实施例，并不用以限制本申请实施例，凡在本申请实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种确定业务算法的系统，其特征在于，所述系统包括模型仓库模块、感知推理模块、训练模块和算法仓库模块：

所述模型仓库模块，用于获取第一业务算法中的模型，所述第一业务算法中的模型为基于第一图像集训练得到的，所述第一图像集为基于相机在第一拍摄场景下采集的图像获取的；

所述感知推理模块，用于获取所述第一业务算法对第二图像集的算法分析数据，所述第二图像集为基于所述相机在第二拍摄场景下采集的图像获取的，所述算法分析数据为所述第一业务算法对所述第二图像集进行分析过程中的数据；

所述训练模块，用于基于所述第二图像集、以及所述算法分析数据对所述第一业务算法中的模型进行训练；

所述算法仓库模块，用于基于所述第一业务算法中训练后的模型确定第二业务算法。

2.如权利要求1所述的系统，其特征在于，所述第一业务算法中包括多个模型；

所述系统还包括数据筛选模块，所述数据筛选模块用于：

基于所述第一业务算法中的各个模型，对所述第二图像集进行分类，得到与所述多个模型分别对应的图像集合；

所述训练模块，用于：

对于所述多个模型中第一模型，基于所述第一模型对应的第一图像集合的算法分析数据，确定所述第一图像集合中图像的伪标签，任一图像的伪标签指示相应图像的校正后的识别结果；根据所述第一图像集合中图像的伪标签，以及所述第一图像集合，对所述第一模型进行训练，得到第二模型；

所述算法仓库模块用于：

将所述第一业务算法中的所述第一模型替换为所述第二模型，得到所述第二业务算法。

3.如权利要求2所述的系统，其特征在于，所述训练模块用于：

从所述第一图像集合中各个图像的算法分析数据中，获取所述第一图像集合中各个图像在所述第一模型下的识别结果；

根据所述第一图像集合中各个图像的算法分析数据和/或人工标注信息，对所述第一图像集合中各个图像在所述第一模型下的识别结果的真假值进行判断；

基于判断结果确定所述第一图像集合中各个图像的伪标签。

4.如权利要求3所述的系统，其特征在于，所述系统还包括用户交互模块，所述用户交互模块用于：

响应于针对所述第一图像集合中任一图像的标注指令，获取与所述任一图像对应的人工标注信息。

5.如权利要求2所述的系统，其特征在于，所述训练模块用于：

如果训练后的第一模型对于所述第二图像集的识别准确率大于训练前的所述第一模型对于所述第二图像集的识别准确率，则将所述训练后的第一模型确定为所述第二模型。

6.如权利要求2所述的系统，其特征在于，所述系统还包括数据仓库模块，所述数据仓库模块用于：

存储与所述多个模型分别对应的图像集合。

7.如权利要求1至6任一所述的系统，其特征在于，

所述模型仓库模块还用于：存储所述第二业务算法中各个模型以及各个模型的标识；

所述模型仓库模块中配置有功能映射表，所述功能映射表用于指示用户基于功能查询模型；所述模型仓库模块还用于：在所述功能映射表中添加所述第二业务算法中各个模型的功能和模型标识之间的对应关系。

8.一种确定业务算法的方法，其特征在于，所述方法包括：

获取第一业务算法中的模型，所述第一业务算法中的模型为基于第一图像集训练得到的，所述第一图像集为基于相机在第一拍摄场景下采集的图像获取的；

获取所述第一业务算法对第二图像集的算法分析数据，所述第二图像集为基于所述相机在第二拍摄场景下采集的图像获取的，所述算法分析数据为所述第一业务算法对所述第二图像集进行分析过程中的数据；

基于所述第二图像集、以及所述算法分析数据对所述第一业务算法中的模型进行训练；

基于所述第一业务算法中训练后的模型确定第二业务算法。

9.一种计算机设备，其特征在于，所述计算机设备包括：

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权利要求8所述的方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现上述权利要求8所述的方法的步骤。

Images