CN115293264A - 数据处理方法、装置、电子设备和存储介质 - Google Patents

Abstract

本公开提供了一种数据处理方法、装置、电子设备和存储介质，涉及人工智能技术领域，具体涉及图像处理、计算机视觉和深度学习等技术领域，尤其涉及目标检测等场景。实现方案为：获取目标数据；获得预测模型基于目标数据预测的预测结果；以及基于预测结果，获得检测结果，检测结果指示目标数据对应于预测模型的容易样本和难样本中的一项，其中，预测模型基于对应于容易样本的数据预测的预测结果与对应于容易样本的数据所对应的标签一致的概率高于预测模型基于对应于难样本的数据预测的预测结果与对应于难样本的数据所对应的标签一致的概率。

Description

数据处理方法、装置、电子设备和存储介质

技术领域

本公开涉及人工智能技术领域，具体涉及图像处理、计算机视觉和深度学习等技术领域，尤其涉及目标检测等场景，具体涉及一种数据处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

基于人工智能的预测模型，采用训练样本集进行训练，训练完成后，基于输入数据进行预测。由于训练样本集中往往包括正样本和负样本，正样本和负样本中分别包含容易样本和难样本，容易样本和难样本在训练样本中的分布不同，使得经训练的预测模型基于输入数据进行预测获得准确的预测结果的能力不同。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种数据处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种获取目标数据；获得预测模型基于所述目标数据预测的预测结果；以及基于所述预测结果，获得检测结果，所述检测结果指示所述目标数据对应于所述预测模型的容易样本和难样本中的一项，其中，所述预测模型基于对应于所述容易样本的数据预测的预测结果与所述对应于所述容易样本的数据所对应的标签一致的概率高于所述预测模型基于对应于所述难样本的数据预测的预测结果与所述对应于所述难样本的数据所对应的标签一致的概率。

根据本公开的另一方面，提供了一种目标数据获取单元，被配置用于获取目标数据；预测结果获取单元，被配置用于获得预测模型基于所述目标数据预测的预测结果；以及检测结果获取单元，被配置用于基于所述预测结果，获得检测结果，所述检测结果指示所述目标数据对应于所述预测模型的容易样本和难样本中的一项，其中，所述预测模型基于对应于所述容易样本的数据预测的预测结果与所述对应于所述容易样本的数据所对应的标签一致的概率不低于所述预测模型基于对应于所述难样本的数据预测的预测结果与所述对应于所述难样本的数据所对应的标签一致的概率。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行根据本公开的实施例所述的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据本公开的实施例所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据本公开的实施例所述的方法。

根据本公开的一个或多个实施例，可以获得对应于预测模型的难样本的数据，减少标注成本，提升模型优化和迭代的效率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的数据处理方法的流程图；

图3示出了根据本公开的实施例的数据处理方法的流程图；

图4示出了根据本公开的实施例的数据处理方法的流程图；

图5示出了根据本公开的实施例的数据处理装置的结构框图；以及

图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行根据本公开的实施例所述的数据处理方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来接收根据本公开的实施例的数据处理方法中所获得的检测结果。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

根据本公开的一方面，提供了一种数据处理方法。参看图2，根据本公开的一些实施例的数据处理方法200包括：

步骤S210：获取目标数据；

步骤S220：获得预测模型基于所述目标数据预测的预测结果；以及

步骤S230：基于所述预测结果，获得检测结果，所述检测结果指示所述目标数据对应于所述预测模型的容易样本和难样本中的一项，其中，所述预测模型基于对应于所述容易样本的数据预测的预测结果与所述对应于所述容易样本的数据所对应的标签一致的概率高于所述预测模型基于对应于所述难样本的数据预测的预测结果与所述对应于所述难样本的数据所对应的标签一致的概率。

在相关技术中，通过对训练样本集中的数据进行标注后对模型进行训练以获得预测模型，在训练过程中基于训练样本集中的数据的标签，针对训练样本集筛选其中的对应于难样本的数据，以平衡训练样本集中容易样本和难样本的比例。例如，基于输入数据的损失，对对应于难样本的数据进行筛选，或者动态调整损失函数，以使模型能够专注于对应于难样本的数据。然而，在模型的应用过程中，往往涉及模型的优化和迭代，由于模型是经训练的模型，针对优化和迭代过程中所使用的训练样本集中的绝大部分数据，模型均能预测到准确的预测结果，即优化和迭代过程中所使用的训练样本集中的大部分数据是对应于容易样本的数据。如果对优化和迭代过程中所使用的训练样本集中每一个数据均进行标注，由于训练样本集中的大部分数据是对应于容易样本的数据，并不能使模型获得明显的优化和迭代效果，对这一部分数据的标注将造成标注成本的浪费，同时，采用这一部分数据对模型进行优化和迭代，使得模型的优化和迭代过程进展较慢。

在根据本公开的实施例中，通过基于预测模型获得目标数据的预测结果，并且基于预测结果获得指示该目标数据是对应于预测模型的容易样本还是对应于预测模型的难样本的检测结果，使得模型能够挖掘训练样本集中的对应于预测模型的难样本的数据，在后续基于训练样本集进行训练的过程中，只针对对应于预测模型的难样本的数据进行标注，减少标注成本，提升模型优化和迭代的效率。

在一些实施例中，目标数据可以是预测模型需要进行数据挖掘的数据集中的任意数据。例如，数据集可以是图像数据集、视频数据集、语音数据集或者文本数据集等，在此并不限定。

在一些实施例中，预测模型可以任意经训练的模型，例如，可以是分类模型、目标检测模型等，在此并不限定。

在一些实施例中，目标数据为区别于该预测模型的训练数据集中的每一个数据的任意数据。

例如，采用第一图像数据集训练第一模型之后获得该预测模型，目标数据为区别于该第一图像数据集中的每一个图像数据的任意图像数据。

在一些实施例中，获取目标数据包括：

将所述预测模型在应用过程中的输入数据作为所述目标数据。

将预测模型在应用过程中所输入的数据作为目标数据，使得预测模型能够在应用过程中基于输入数据进行迭代更新和优化，提升预测模型的迭代更新和优化效率。

例如，针对对道路进行监控的摄像装置所获得的视频数据进行目标检测的预测模型，将该视频数据中的每一帧图像作为目标数据，可以实时获得预测模型基于其所预测的预测结果不准确的图像，作为对应于预测模型的难样本的图像，以进行预测模型的迭代优化过程，从而提升预测模型的迭代更新和优化效率。

在一些实施例中，所述预测模型基于所述目标数据预测的预测结果指示所述目标数据在多个类别中的对应类别，所述难样本与所述多个类别中的第一类别对应，并且其中，所述基于所述预测结果，获得检测结果，包括：

响应于所述对应类别为所述第一类别，确定所述检测结果，所述检测结果指示所述目标数据对应于所述预测模型的所述难样本。

在一些情况中，针对不同类别的数据，预测模型的预测能力不同。根据本公开的实施例，将针对其预测模型的预测能力较低的类别的数据确定为对应于预测模型的难样本的数据，使得预测模型基于其进行训练之后，能够提升基于该类别的数据进行预测的能力。

例如，同时对图像中的汽车和自行车进行目标检测的预测模型，由于汽车在图像中的尺寸往往较自行车在图像中的尺寸大，图像包含的汽车的特征较自行车的特征更多，使得预测模型对图像中的汽车进行目标检测的能力往往大于对自行车进行目标检测的能力，即预测模型基于图像准确预测图像中是否包含汽车的概率较基于图像准确预测图像中是否包含自行车的概率要高。在根据本公开的实施例中，通过将预测模型基于其预测的对应类别对应于自行车的数据确定为对应于预测模型的难样本的数据，使得预测模型基于其进行训练后，能够提升基于图像准确预测图像中是否包含自行车的概率，从而提升预测模型的预测能力。

在另一些情况中，由于针对不同的类别，获取与该类别相应的数据的容易程度不同，使得在获得预测模型的训练过程中所采用的训练数据集中包括的与不同类别相应的数据比例不平衡，最终使得所获得预测模型对不同类别的数据具有不同的预测能力。在根据本公开的实施例中，将针对其预测模型的预测能力较低的类别的数据确定为对应于预测模型的难样本的数据，使得种子预测模型迭代优化的过程中，所采用的训练数据集中能够包括更多的针对其预测模型的预测能力较低的类别的数据，从而平衡模型训练过程中与不同类别相应的数据比例。

在一些实施例中，所述预测模型基于所述目标数据预测的预测结果指示所述目标数据在多个类别中的相应类别所对应的置信度，并且其中，所述基于所述预测结果，获得检测结果包括：

响应于所述置信度低于预设置信度阈值，确定所述检测结果，所述检测结果指示所述目标数据对应于所述预测模型的所述难样本。

预测模型基于目标数据预测的预测结果对应的置信度较低，说明预测模型在基于目标数据获得预测结果的过程中，目标数据中的一些特征会干扰模型的判断。根据本公开的实施例中，将预测模型基于其预测的预测结果中的相应类别所对应的置信度较低的目标数据确定为对应于预测模型的难样本，使得后续基于该目标数据迭代更新和优化预测模型之后，在预测过程中能够减少对应于难样本的数据对其判断的干扰，提升预测模型基于对应于难样本的数据进行预测的能力。

在一些实施例中，预测结果包括目标数据与多个类别中的每一个类别相应的置信度，其中，对应置信度最高的类别为目标数据的相应类别。

在一些实施例中，所述目标数据包括图像数据，其中，所述图像数据中包括多个目标对象，所述预测模型基于所述目标数据预测的预测结果指示所述多个目标对象中的每一个目标对象的包围框，并且其中，所述基于所述预测结果，获得检测结果包括：

响应于所述多个对象的多个包围框中的一个包围框与另一个包围框之间的交并比大于预设交并比阈值，确定所述检测结果，所述检测结果指示所述目标数据对应于所述预测模型的所述难样本。

在图像数据中包括多个目标对象的情况下，预测模型基于目标数据获得准确的预测结果的难度加大，模型的预测能力降低；将其作为对应于预测模型的难样本的数据，使得基于其训练预测模型之后，可以提升预测模型针对包含多个目标对象的目标数据的预测能力。

例如，图像数据中包括多辆并行排列的电动车，预测模型基于该图像数据准确识别每一辆电动车的概率较小。在根据本公开的实施例中，将基于其预测的预测结果中包括多个包围框，并且相邻两个包围框之间的交并比(IOU)大于预测交并比阈值的目标数据确定为对应于预测模型的难样本，使得能够获得包含多辆并行排列的电动车的图像数据，基于该图像数据进一步迭代优化预测模型之后，能够提升预测模型准确预测图像中每一辆电动车对应的包围框的概率。

在一些实施例中，所述目标数据为视频数据中的一帧图像，如图3所示，所述方法还包括：

步骤S310：获取所述视频数据中与所述目标数据相邻的另一帧图像；以及

步骤S320：获取所述预测模型基于所述另一帧图像预测的预测结果。

使得根据本公开的数据处理方法中，所述基于所述预测结果，确定该目标数据是否为难样本包括：

基于所述预测模型基于所述目标数据预测的预测结果和所述预测模型基于所述另一帧图像预测的预测结果，获得所述检测结果。

当目标数据为视频数据中的一帧图像时，通过获得视频数据中与该一帧图像相邻的另一帧图像并且获得预测模型基于该另一帧图像预测的预测结果，通过比较两帧图像对应的两个预测结果，获得检测结果，由于两帧图像相邻，其对应的预测结果之间具有相关性，使得所获得的检测结果更加准确。

在一些实施例中，响应于所述预测模型基于所述目标数据预测的预测结果和所述预测模型基于所述另一帧图像预测的预测结果不同，确定检测结果，该检测结果指示目标数据对应于预测模型的难样本；反之，确定检测结果，该检测结果指示目标数据对应于预测模型的容易样本。

在一些实施例中，所述目标数据包括至少一个目标对象，所述预测模型基于所述目标数据预测的预测结果指示所述至少一个目标对象中的每一个目标对象的包围框，所述基于所述预测模型基于所述目标数据预测的预测结果和所述预测模型基于所述另一帧图像预测的预测结果，获得所述检测结果包括：

响应于确定所述预测模型基于所述另一帧图像预测的预测结果包括与所述至少一个目标对象中的每一个目标对象相应的包围框，并且针对所述至少一个目标对象对应的至少一个包围框中的每一个包围框，该目包围框所述预测模型基于所述另一帧图像预测的预测结果中具有相应包围框，确定所述检测结果，所述检测结果指示所述目标数据对应于所述预测模型的所述容易样本，

其中，该包围框在所述目标数据预测的位置与所述相应包围框在所述另一帧图像中的位置之间的距离不大于预设距离阈值。

通过判断相邻两帧图像对应的两个预测结果中的包围框是否相应，确定检测结果，其中，包围框相应即包围框在两针图像中的位置之间的距离不大于预设距离阈值，使得所确定的检测结果进一步准确。

在一些实施例中，如图4所示，根据本公开的数据处理方法还包括：

步骤S410：响应于所述检测结果指示所述目标数据对应于所述预测模型的所述难样本，将所述目标数据确定为训练数据；

步骤S420：获得所述训练数据对应的标签；

步骤S430：基于所述训练数据和所述训练数据对应的标签，训练所述预测模型。

通过将对应于预测模型的难样本的目标数据确定为训练数据，并获得训练数据对应的标签，基于训练数据和训练数据对应的标签训练预测模型，完成对预测模型进行迭代优化，提升预测模型的预测能力。

在一些实施例中，通过获得人工标注训练数据后的标注标签，并且将该标注标签作为训练数据对应的标签，以获得训练数据对应的标签。

在一些实施例中，通过获得多个预测模型中的每一个预测模型基于训练数据获得的预测结果，获得该训练数据对应的标签。

例如，多个预测模型可以是分别识别财务票据、快递单和证件照上的文字的识别模型，通过该多个预测模型分别基于一图像预测该图像中的文字的预测结果，并且确定该多个预测模型预测的多个预测结果相同，确定该多个预测结果为获得该图像对应的标签。

根据本公开另一方面，还提供一种数据处理装置。如图5所示，数据处理装置500包括：目标数据获取单元510，被配置用于获取目标数据；预测结果获取单元520，被配置用于获得预测模型基于所述目标数据预测的预测结果；以及检测结果获取单元530，被配置用于基于所述预测模型基于所述目标数据预测的预测结果，获得检测结果，所述检测结果指示所述目标数据对应于所述预测模型的容易样本和难样本中的一项，其中，所述预测模型基于对应于所述容易样本的数据预测的预测结果与所述对应于所述容易样本的数据所对应的标签一致的概率高于所述预测模型基于对应于所述难样本的数据预测的预测结果与所述对应于所述难样本的数据所对应的标签一致的概率。

在一些实施例中，所述预测模型基于所述目标数据预测的预测结果指示所述目标数据在多个类别中的对应类别，所述难样本与所述多个类别中的第一类别对应，并且其中，所述检测结果获取单元530包括：第一确定单元，被配置用于响应于所述对应类别为所述第一类别，确定所述检测结果，所述检测结果指示所述目标数据对应于所述预测模型的所述难样本。

在一些实施例中，其中，所述预测模型基于所述目标数据预测的预测结果指示所述目标数据在多个类别中的相应类别所对应的置信度，并且其中，所述检测结果获取单元530包括：第二确定单元，被配置用于响应于所述置信度低于预设置信度阈值，确定所述检测结果，所述检测结果指示所述目标数据对应于所述预测模型的所述难样本。

在一些实施例中，所述目标数据包括图像数据，其中，所述图像数据中包括多个目标对象，所述预测模型基于所述目标数据预测的预测结果指示所述多个目标对象中的每一个目标对象的包围框，并且其中，所述检测结果获取单元530包括：第三确定单元，被配置用于响应于所述多个对象的多个包围框中的一个包围框与另一个包围框之间的交并比大于预设交并比阈值，确定所述检测结果，所述检测结果指示所述目标数据对应于所述预测模型的所述难样本。

在一些实施例中，所述目标数据为视频数据中的一帧图像，所述装置还包括：第一获取单元，被配置用于获取所述视频数据中与所述目标数据相邻的另一帧图像；以及第二获取单元，被配置用于获取所述预测模型基于所述另一帧图像预测的预测结果，并且其中，所述检测结果获取单元530包括：检测结果获取子单元，被配置用于基于所述预测模型基于所述目标数据预测的预测结果和所述预测模型基于所述另一帧图像预测的预测结果，获得所述检测结果。

在一些实施例中，所述目标数据包括至少一个目标对象，所述预测模型基于所述目标数据预测的预测结果指示所述至少一个目标对象中的每一个目标对象的包围框，所述检测结果获取子单元包括：第四确定单元，被配置用于响应于确定所述预测模型基于所述另一帧图像预测的预测结果包括与所述至少一个目标对象中的每一个目标对象相应的包围框，并且针对所述至少一个目标对象对应的至少一个包围框中的每一个包围框，该目包围框所述预测模型基于所述另一帧图像预测的预测结果中具有相应包围框，确定所述检测结果，所述检测结果指示所述目标数据对应于所述预测模型的所述容易样本，其中，该包围框在所述目标数据预测的位置与所述相应包围框在所述另一帧图像中的位置之间的距离不大于预设距离阈值。

在一些实施例中，所述目标数据获取单元510包括：目标数据确定单元，被配置用于将所述预测模型在应用过程中的输入数据作为所述目标数据。

在一些实施例中，装置500还包括：训练数据确定单元，被配置用于响应于所述检测结果指示所述目标数据对应于所述预测模型的所述难样本，将所述目标数据确定为训练数据；标签获取单元，被配置用于获得所述训练数据对应的标签；模型训练单元，被配置用于基于所述训练数据和所述训练数据对应的标签，训练所述预测模型。

根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

参考图6，现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

电子设备600中的多个部件连接至I/O接口605，包括：输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备，输入单元606可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (19)

1.一种数据处理方法，包括：

获取目标数据；

获得预测模型基于所述目标数据预测的预测结果；以及

基于所述预测结果，获得检测结果，所述检测结果指示所述目标数据对应于所述预测模型的容易样本和难样本中的一项，其中，

所述预测模型基于对应于所述容易样本的数据预测的预测结果与所述对应于所述容易样本的数据所对应的标签一致的概率高于所述预测模型基于对应于所述难样本的数据预测的预测结果与所述对应于所述难样本的数据所对应的标签一致的概率。

2.根据权利要求1所述的方法，其中，所述预测模型基于所述目标数据预测的预测结果指示所述目标数据在多个类别中的对应类别，所述难样本与所述多个类别中的第一类别对应，并且其中，所述基于所述预测结果，获得检测结果，包括：

响应于所述对应类别为所述第一类别，确定所述检测结果，所述检测结果指示所述目标数据对应于所述预测模型的所述难样本。

3.根据权利要求1所述的方法，其中，所述预测模型基于所述目标数据预测的预测结果指示所述目标数据在多个类别中的相应类别所对应的置信度，并且其中，所述基于所述预测结果，获得检测结果包括：

响应于所述置信度低于预设置信度阈值，确定所述检测结果，所述检测结果指示所述目标数据对应于所述预测模型的所述难样本。

4.根据权利要求1所述的方法，其中，所述目标数据包括图像数据，其中，所述图像数据中包括多个目标对象，所述预测模型基于所述目标数据预测的预测结果指示所述多个目标对象中的每一个目标对象的包围框，并且其中，所述基于所述预测结果，获得检测结果包括：

响应于所述多个对象的多个包围框中的一个包围框与另一个包围框之间的交并比大于预设交并比阈值，确定所述检测结果，所述检测结果指示所述目标数据对应于所述预测模型的所述难样本。

5.根据权利要求1所述的方法，其中，所述目标数据为视频数据中的一帧图像，所述方法还包括：

获取所述视频数据中与所述目标数据相邻的另一帧图像；以及

获取所述预测模型基于所述另一帧图像预测的预测结果，

并且其中，所述基于所述预测结果，确定该目标数据是否为难样本包括：

基于所述预测模型基于所述目标数据预测的预测结果和所述预测模型基于所述另一帧图像预测的预测结果，获得所述检测结果。

6.根据权利要求5所述的方法，其中，所述目标数据包括至少一个目标对象，所述预测模型基于所述目标数据预测的预测结果指示所述至少一个目标对象中的每一个目标对象的包围框，所述基于所述预测模型基于所述目标数据预测的预测结果和所述预测模型基于所述另一帧图像预测的预测结果，获得所述检测结果包括：

响应于确定所述预测模型基于所述另一帧图像预测的预测结果包括与所述至少一个目标对象中的每一个目标对象相应的包围框，并且针对所述至少一个目标对象对应的至少一个包围框中的每一个包围框，该目包围框所述预测模型基于所述另一帧图像预测的预测结果中具有相应包围框，确定所述检测结果，所述检测结果指示所述目标数据对应于所述预测模型的所述容易样本，其中，

该包围框在所述目标数据预测的位置与所述相应包围框在所述另一帧图像中的位置之间的距离不大于预设距离阈值。

7.根据权利要求1-6中任意一项所述的方法，其中，所述获取目标数据包括：

将所述预测模型在应用过程中的输入数据作为所述目标数据。

8.根据权利要求1-7中任一项所述的方法，还包括：

响应于所述检测结果指示所述目标数据对应于所述预测模型的所述难样本，将所述目标数据确定为训练数据；

获得所述训练数据对应的标签；

基于所述训练数据和所述训练数据对应的标签，训练所述预测模型。

9.一种数据处理装置，包括：

目标数据获取单元，被配置用于获取目标数据；

预测单元，被配置用于获得预测模型基于所述目标数据预测的预测结果；以及

检测结果获取单元，被配置用于基于所述预测模型基于所述目标数据预测的预测结果，获得检测结果，所述检测结果指示所述目标数据对应于所述预测模型的容易样本和难样本中的一项，其中，

所述预测模型基于对应于所述容易样本的数据预测的预测结果与所述对应于所述容易样本的数据所对应的标签一致的概率高于所述预测模型基于对应于所述难样本的数据预测的预测结果与所述对应于所述难样本的数据所对应的标签一致的概率。

10.根据权利要求9所述的装置，其中，所述预测模型基于所述目标数据预测的预测结果指示所述目标数据在多个类别中的对应类别，所述难样本与所述多个类别中的第一类别对应，并且其中，所述检测结果获取单元包括：

第一确定单元，被配置用于响应于所述对应类别为所述第一类别，确定所述检测结果，所述检测结果指示所述目标数据对应于所述预测模型的所述难样本。

11.根据权利要求9所述的装置，其中，所述预测模型基于所述目标数据预测的预测结果指示所述目标数据在多个类别中的相应类别所对应的置信度，并且其中，所述检测结果获取单元包括：

第二确定单元，被配置用于响应于所述置信度低于预设置信度阈值，确定所述检测结果，所述检测结果指示所述目标数据对应于所述预测模型的所述难样本。

12.根据权利要求9所述的装置，其中，所述目标数据包括图像数据，其中，所述图像数据中包括多个目标对象，所述预测模型基于所述目标数据预测的预测结果指示所述多个目标对象中的每一个目标对象的包围框，并且其中，所述检测结果获取单元包括：

第三确定单元，被配置用于响应于所述多个对象的多个包围框中的一个包围框与另一个包围框之间的交并比大于预设交并比阈值，确定所述检测结果，所述检测结果指示所述目标数据对应于所述预测模型的所述难样本。

13.根据权利要求9所述的装置，其中，所述目标数据为视频数据中的一帧图像，所述装置还包括：

第一获取单元，被配置用于获取所述视频数据中与所述目标数据相邻的另一帧图像；以及

第二获取单元，被配置用于获取所述预测模型基于所述另一帧图像预测的预测结果，

并且其中，所述检测结果获取单元包括：

检测结果获取子单元，被配置用于基于所述预测模型基于所述目标数据预测的预测结果和所述预测模型基于所述另一帧图像预测的预测结果，获得所述检测结果。

14.根据权利要求13所述的装置，其中，所述目标数据包括至少一个目标对象，所述预测模型基于所述目标数据预测的预测结果指示所述至少一个目标对象中的每一个目标对象的包围框，所述检测结果获取子单元包括：

第四确定单元，被配置用于响应于确定所述预测模型基于所述另一帧图像预测的预测结果包括与所述至少一个目标对象中的每一个目标对象相应的包围框，并且针对所述至少一个目标对象对应的至少一个包围框中的每一个包围框，该目包围框所述预测模型基于所述另一帧图像预测的预测结果中具有相应包围框，确定所述检测结果，所述检测结果指示所述目标数据对应于所述预测模型的所述容易样本，其中，

该包围框在所述目标数据预测的位置与所述相应包围框在所述另一帧图像中的位置之间的距离不大于预设距离阈值。

15.根据权利要求9-14中任意一项所述的装置，其中，所述目标数据获取单元包括：

目标数据确定单元，被配置用于将所述预测模型在应用过程中的输入数据作为所述目标数据。

16.根据权利要求9-15中任一项所述的装置，还包括：

训练数据确定单元，被配置用于响应于所述检测结果指示所述目标数据对应于所述预测模型的所述难样本，将所述目标数据确定为训练数据；

标签获取单元，被配置用于获得所述训练数据对应的标签

模型训练单元，被配置用于基于所述训练数据和所述训练数据对应的标签，训练所述预测模型。

17.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-8中任一项所述的方法。

Images