CN115375781A

CN115375781A - 一种数据处理方法及其装置

Info

Publication number: CN115375781A
Application number: CN202210857639.6A
Authority: CN
Inventors: 韩建华; 徐航; 卢冠松; 张维; 许春景
Original assignee: Huawei Technologies Co Ltd
Current assignee: Huawei Technologies Co Ltd
Priority date: 2022-07-20
Filing date: 2022-07-20
Publication date: 2022-11-22

Abstract

一种数据处理方法，应用于人工智能领域，方法包括：获取图像以及多个第一信息，每个第一信息指示一个对象的类别；通过文本编码器，分别独立处理多个第一信息中的每个第一信息，以得到每个第一信息对应的第一编码结果；通过图像编码器，处理图像，得到第二编码结果；根据第一编码结果和第二编码结果，从多个第一信息指示的多个标签中识别出图像中包括的对象的类别。本申请将图像中不同对象的信息分别作为不同的输入数据输入到文本编码器中，文本编码器可以分别独立处理多个第一信息中的每个第一信息，文本编码器在处理每个第一信息时减少了不必要的注意力计算，提高了模型的运行效率。

Description

一种数据处理方法及其装置

技术领域

本申请涉及人工智能领域，尤其涉及一种数据处理方法及其装置。

背景技术

目前视觉感知网络能完成的功能越来越多，包括图像分类、2D检测、语义分割(Mask)、关键点检测、线性物体检测(比如自动驾驶技术中的车道线或停止线检测)、可行驶区域检测等。另外，视觉感知系统具有成本低、非接触性、体积小、信息量大的特点。随着视觉感知算法的精度的不断提高，其成为当今众多人工智能系统的关键技术，得到越来越广泛的应用，如：高级驾驶辅助系统(advanced driving assistant system，ADAS)和自动驾驶系统(autonomous driving system，ADS)中对路面上的动态障碍物(人或车)、静态物体(交通灯、交通标志或交通锥状物)的识别，在终端视觉的拍照美颜功能中通过识别人体的Mask和关键点实现瘦身效果等。

现有的目标检测方法通常只能识别和定位预定义的一定数量类别的物体，他们的检测能力极大地依赖于训练数据中的标注类别数目，而这类检测框的标注往需要大量的人力物力，特别是某些稀有的类别本身图像数目较少且只能被相关领域专家标注。然而下游复杂的应用场景需求检测模型可以在无需特定类别标注的的情况下完成开集检测任务，因此如何搭建出具有开集(open-set)检测能力的模型成为现阶段学术界与工业界都比较关注的问题。

现有的视觉语言预训练方法(例如，对比文本-图像预训练(contrastivelanguage-image pre-training，CLIP)模型，ALIGN模型)等方法利用网上爬取的图片文本对数据来拓展他们的开集能力并且在多个下游分类任务上展现了优越的零样本能力。

对于detection数据，GLIP把数据集对应的所有类别拼在一起作为文本编码器的一个输入。文本编码器编码该拼接后的文本并输出文本特征，然后GLIP将各个类别对应位置的特征与图像编码器提取的区域特征对齐。对于grounding数据，直接采用图片的文本描述作为文本提示句子输入到文本编码器中，并将各个框与其对应的部分文本描述与图像编码器提取的区域特征对齐。GLIP采用深度融合模块，区别于在最后一层做对齐时的后期融合，深度融合对两个模态的特征计算交叉注意力，从而让模型可以在较浅的模型阶段就开始进行跨模态的特征学习。

然而，GLIP模型需要把所有的对象的类别都拼在一块输入到文本编码器中，由于文本编码器输入长度限制，导致了类别的数量不能太多以及不能添加额外的类别特征描述信息。同时拼接类别文本作为输入需要耗费大量的计算资源(transformer的计算复杂度与输入文本的长度平方成正比)，导致训练及测试速度慢，训练效率低。

发明内容

本申请提供了一种数据处理方法，可以提高模型的运行效率。

第一方面，本申请提供了一种数据处理方法，所述方法包括：获取图像以及多个第一信息，所述第一信息指示所述图像包括的对象的类别；通过文本编码器，分别独立处理所述多个第一信息中的每个第一信息，以得到每个所述第一信息对应的第一编码结果；通过图像编码器，处理所述图像，以得到第二编码结果；根据所述第一编码结果和所述第二编码结果，更新所述文本编码器以及所述图像编码器。

本申请实施例中，将图像中不同对象的种类(例如作为正例的第一信息、以及作为负例的第二信息)分别作为不同的输入数据输入到文本编码器中，文本编码器可以分别独立处理所述多个第一信息中的每个第一信息，文本编码器在处理每个第一信息时不会受到其他第一信息影响，也就是相互之间没有注意力交互，减少了不必要的注意力attention计算，提高了模型的运行效率。

在一种可能的实现中，所述分别独立处理所述多个第一信息中的每个第一信息，包括：并行处理所述多个第一信息中的每个第一信息。

在一种实现中，为了提高求解效率和速度，可以将多个第一信息同时输入到文本编码模型中(并不是拼接后作为一个输入数据，而是分别作为独立的多个输入数据)，进而文本编码模型可以并行对多个第一信息中的每个第一信息进行处理。

在一种可能的实现中，所述第一信息可以包括用于指示对象的类别的信息，以及，用于描述所述类别的特征的信息。其中，用于描述所述类别的特征的信息可以为对类别的定义，例如可以为对类别的外形、味道、功能等某些属性进行的描述。例如，针对于类别为cup的对象，用于描述所述类别的特征的信息可以为：a small open container usuallyused for drinking；usually has a handle。

在一种可能的实现中，所述用于描述所述类别的特征的信息为从知识库中确定的，所述知识库中保存有多个类别、以及用于描述每个类别的特征的信息。

在一种可能的实现中，所述方法还包括：获取多个第二信息，每个所述第二信息指示所述图像不包括的对象的类别；通过所述文本编码器，分别独立处理所述多个第二信息中的每个第二信息，以得到每个所述第二信息对应的第三编码结果；所述根据所述第一编码结果和所述第二编码结果，包括：根据所述第一编码结果、所述第二编码结果和所述第三编码结果。

为了提高模型的目标检测的能力，构建的训练样本可以包含负例，也就是图像中的对象不包括的类别(也就是负例)，在训练时，一方面让网络识别出图像中包括的对象的类别还让网络识别出图像中对象不包括的类别。

在一种可能的实现中，第一信息可以为正例，第二信息可以为负例，可以获取多个第二信息，每个所述第二信息指示所述图像不包括的对象的类别。

在一种可能的实现中，所述第二信息包括用于指示对象的类别的信息，且所述第二信息指示的类别为从知识库中随机选择的，所述知识库保存有多个类别。

通过上述方式，在知识库空间中随机采样负样本，可以避免对于grounding数据以及image-text pair数据的部分标注问题。

在一种可能的实现中，所述知识库保存的所述多个类别的数量大于4000(例如4500、5000、6000、10000、14000、20000等)。知识库中类别的数量越大，则越容易包含不常见的对象类别，由于grounding数据集中常常会遗漏一些对象的标注，若知识库中的对象类别太少，则很容易随机选择出图像中包括的对象(在grounding数据集中未被标注出来)为负例，进而导致训练数据的标注有误，影响模型的训练精度。

在一种可能的实现中，所述多个第一信息为根据检测(detection)数据集、定位(grounding)数据集或者图像-文本(image-text)数据集得到的。

在一种可能的实现中，所述多个第一信息为根据定位(grounding)数据集得到的。对于grounding数据集，数据可以包括标注框以及标注框对应的文本描述(或者称之为文本标注)，可以从标注框的文本标注中抽取出正类的名词短语(可选的，可以将其他单词去掉)，每个标注框可以对应图像中的一个对象，每个标注框对应的文本描述可以为每个对象的第一信息。

在一种可能的实现中，所述多个第一信息为根据图像-文本(image-text)数据集得到的，所述图像-文本数据集包括所述图像以及所述图像对应的文本；其中，所述多个第一信息为通过视觉语言模型对所述图像以及所述文本进行处理得到的。

在一种可能的实现中，所述第一信息包括用于指示对象的类别的信息，所述视觉语言模型用于根据所述图像以及所述文本从知识库提供的多个类别中选择所述图像中所包含的对象的类别。对于image-text数据，使用一个类别无关的区域建议网络(regionproposal network，RPN)来提取目标前景，然后使用一个预训练的视觉语言模型(如CLIP或FILIP)来对这些前景打伪标签。为了解决image-text数据中描述文本的类别缺失的问题，可以将知识库中的类别作为打伪标签使用的候选类别。通过上述方式，可以缓解image-text数据伪标签使用caption中的名词遇到的不完全标注的问题。

第二方面，本申请提供了一种数据处理方法，包括：

获取图像以及多个第一信息，每个所述第一信息指示一个对象的类别；

通过文本编码器，分别独立处理所述多个第一信息中的每个第一信息，以得到每个所述第一信息对应的第一编码结果；

通过图像编码器，处理所述图像，得到第二编码结果；

根据所述第一编码结果和所述第二编码结果，从多个所述第一信息指示的多个标签中识别出所述图像中包括的对象的类别。

在一种可能的实现中，所述分别独立处理所述多个第一信息中的每个第一信息，包括：

并行处理所述多个第一信息中的每个第一信息。

在一种可能的实现中，所述第一信息包括指示对应对象的类别的信息、以及用于描述所述类别的特征的信息。

第三方面，本申请提供了一种数据处理装置，包括：

获取模块，用于获取图像以及多个第一信息，每个所述第一信息指示一个对象的类别；

编码模块，用于通过文本编码器，分别独立处理所述多个第一信息中的每个第一信息，以得到每个所述第一信息对应的第一编码结果；

通过图像编码器，处理所述图像，得到第二编码结果；

类别识别模块，用于根据所述第一编码结果和所述第二编码结果，从多个所述第一信息指示的多个标签中识别出所述图像中包括的对象的类别。

在一种可能的实现中，所述编码模块，具体用于：

并行处理所述多个第一信息中的每个第一信息。

第四方面，本申请提供了一种数据处理装置，所述装置包括：

获取模块，用于获取图像以及多个第一信息，所述第一信息指示所述图像包括的对象的类别；

通过图像编码器，处理所述图像，以得到第二编码结果；

更新模块，用于根据所述第一编码结果和所述第二编码结果，更新所述文本编码器以及所述图像编码器。

在一种可能的实现中，所述第一信息，包括：

用于指示对象的类别的信息；以及，

用于描述所述类别的特征的信息。

在一种可能的实现中，

所述获取模块，还用于获取多个第二信息，每个所述第二信息指示所述图像不包括的对象的类别；

所述编码模块，还用于通过所述文本编码器，分别独立处理所述多个第二信息中的每个第二信息，以得到每个所述第二信息对应的第三编码结果；

所述根据所述第一编码结果和所述第二编码结果，包括：

根据所述第一编码结果、所述第二编码结果和所述第三编码结果。

在一种可能的实现中，所述知识库保存的所述多个类别的数量大于4000。

在一种可能的实现中，所述第一信息包括用于指示对象的类别的信息，所述视觉语言模型用于根据所述图像以及所述文本从知识库提供的多个类别中选择所述图像中所包含的对象的类别。

第五方面，本申请实施例提供了一种数据处理装置，可以包括存储器、处理器以及总线系统，其中，存储器用于存储程序，处理器用于执行存储器中的程序，以执行如上述第一方面及其任一可选的方法、以及上述第二方面及其任一可选的方法。

第六方面，本申请实施例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中存储有计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面及其任一可选的方法法、以及上述第二方面及其任一可选的方法。

第七方面，本申请实施例提供了一种计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面及其任一可选的方法法、以及上述第二方面及其任一可选的方法。

第八方面，本申请提供了一种芯片系统，该芯片系统包括处理器，用于支持执行设备或训练设备实现上述方面中所涉及的功能，例如，发送或处理上述方法中所涉及的数据；或，信息。在一种可能的设计中，所述芯片系统还包括存储器，所述存储器，用于保存执行设备或训练设备必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。

附图说明

图1为人工智能主体框架的一种结构示意图；

图2a和图2b为本发明的应用系统框架示意；

图3为本申请的一种应用场景示意；

图4为本申请的一种应用场景示意；

图5为本申请的一种系统架构示意；

图6为本申请实施例的神经网络的结构示意；

图7为本申请实施例的神经网络的结构示意；

图8为本申请实施例提供的一种芯片的硬件结构；

图9为本申请实施例提供的一种数据处理方法的流程示意；

图10为本申请实施例提供的一种数据处理方法的流程示意；

图11a和图11b为本申请实施例的主干网络backbone；

图12为一种FPN的结构示意；

图13a为一种head的示意；

图13b为一种head的RPN层的示意；

图14为本申请实施例提供的一种数据处理方法的流程示意；

图15为本申请实施例提供的数据处理装置的一种结构示意图；

图16为本申请实施例提供的数据处理装置的一种结构示意图；

图17为本申请实施例提供的执行设备的一种结构示意图；

图18为本申请实施例提供的训练设备一种结构示意图；

图19为本申请实施例提供的芯片的一种结构示意图。

具体实施方式

下面结合本发明实施例中的附图对本发明实施例进行描述。本发明的实施方式部分使用的术语仅用于对本发明的具体实施例进行解释，而非旨在限定本发明。

下面结合附图，对本申请的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是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。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。

首先对人工智能系统总体工作流程进行描述，请参见图1，图1示出的为人工智能主体框架的一种结构示意图，下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中，“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。

(1)基础设施

基础设施为人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。

(2)数据

基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。

(3)数据处理

数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。

其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。

推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。

决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。

(4)通用能力

对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用系统，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。

(5)智能产品及行业应用

智能产品及行业应用指人工智能系统在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。

本申请实施例主要应用在驾驶辅助、自动驾驶、手机终端等需要完成多种感知任务的领域。本发明的应用系统框架如图2a和图2b所示，视频经过抽帧得到单张图像，该图像送入到本发明中图2a或图2b所示的感知网络，得到该图像中感兴趣物体的2D、3D、Mask(掩膜)、关键点等信息。这些检测结果输出到后处理模块进行处理，比如在自动驾驶系统中送入规划控制单元进行决策、在手机终端中送入美颜算法进行处理得到美颜后的图像。下面分别对ADAS/ADS视觉感知系统和手机美颜两种应用场景做简单的介绍。

应用场景1：ADAS/ADS视觉感知系统

如图3所示，在ADAS和ADS中，需要实时进行多类型的2D目标检测，包括：动态障碍物(行人(Pedestrian)、骑行者(Cyclist)、三轮车(Tricycle)、轿车(Car)、卡车(Truck)、公交车(Bus))，静态障碍物(交通锥标(TrafficCone)、交通棍标(TrafficStick)、消防栓(FireHydrant)、摩托车(Motocycle)、自行车(Bicycle))，交通标志(TrafficSign、导向标志(GuideSign)、广告牌(Billboard)、红色交通灯(TrafficLight_Red)/黄色交通灯(TrafficLight_Yellow)/绿色交通灯(TrafficLight_Green)/黑色交通灯(TrafficLight_Black)、路标(RoadSign))。另外，为了准确获取动态障碍物的在3维空间所占的区域，还需要对动态障碍物进行3D估计，输出3D框。为了与激光雷达的数据进行融合，需要获取动态障碍物的Mask，从而把打到动态障碍物上的激光点云筛选出来；为了进行精确的泊车位，需要同时检测出泊车位的4个关键点；为了进行构图定位，需要检测出静态目标的关键点。使用本申请实施例提供的技术方案，可以完成上述的全部或一部分功能。

例如，本申请实施例提供的技术方案可以应用于辅助驾驶、高级辅助驾驶中的自适应巡航。

ADAS中的自适应巡航功能需要根据车道前方车辆的位置和速度，自适应地调整自车的速度，从而实现自动巡航而不发生碰撞。当本车车道前方没有其他交通参与者(目标时)，自车根据预先设定的速度或者道路限速前进。例如，当本车的感知系统检测到有其他交通参与者进入到本车道的前方，此时自车会根据白车的位置和速度，自动降低本车的速度，避免前车减速发生碰撞。

例如，本申请实施例提供的技术方案可以应用于自动辅助驾驶中和监控中的目标轨迹预测。

轨迹预测通过相机感知道路场景，并通过目标检测算法获取重要交通参与者在环境中的位置、朝向、尺寸等信息，通过累计多帧检测结果就可以获得各目标的运动速度和方向，从而实现对目标未来运动轨迹的预测，并作为后续自动驾驶车辆决策控制的依据。例如，可以为自动驾驶车辆对周围车辆未来运动方向的预测，例如，可以在监控场景中，通过检测行人的朝向和位置，对其未来运动做出预测，从而提前识别可能出现的人群形为。

应用场景2：手机美颜功能

如图4所示，在手机中，通过本申请实施例提供的数据处理方法可以检测出人体的Mask和关键点，可以对人体相应的部位进行放大缩小，比如进行收腰和美臀操作，从而输出美颜的图像。

应用场景3：图像分类场景

物体识别装置在获取待分类图像后，采用本申请的物体识别方法获取待分类图像中的物体的类别，然后可根据待分类图像中物体的物体的类别对待分类图像进行分类。对于摄影师来说，每天会拍很多照片，有动物的，有人物，有植物的。采用本申请的方法可以快速地将照片按照照片中的内容进行分类，可分成包含动物的照片、包含人物的照片和包含植物的照片。

对于图像数量比较庞大的情况，人工分类的方式效率比较低下，并且人在长时间处理同一件事情时很容易产生疲劳感，此时分类的结果会有很大的误差；而采用本申请的方法可以将图像进行分类。

应用场景4：商品分类

物体识别装置获取商品的图像后，然后采用本申请的物体识别方法获取商品的图像中商品的类别，然后根据商品的类别对商品进行分类。对于大型商场或超市中种类繁多的商品，采用本申请的数据处理方法可以完成商品的分类，降低了时间开销和人工成本。

应用场景5：在开放世界数据集的目标检测任务

目标检测在各行各业的应用都很广泛，如自动驾驶，自动驾驶是一项复杂的机器人任务，需要在不断变化的环境中进行感知、规划和执行。由于其安全性至关重要，因此还需要以最高精度执行此任务，目标检测提供有关道路上自由空间的信息，以及检测车道标记和交通标志等信息。而自动驾驶领域，怎样高精度地检测出长尾物体(路上的垃圾袋手推车等)对自动驾驶的安全性来说尤为重要。真实场景中存在着各种各样的物体，有的物体数量非常稀少，但是也是衡量检测性能/安全的指标之一，而现有的检测模型往往不能很好的解决这一问题。

本发明提出了基于知识库辅助的物体-文本预训练的开集检测大模型，重点应用于开放世界数据集的目标检测任务。本发明将detection数据，grounding数据和互联网上的image-text数据统一到同一概念子空间中，构建并行范式来训练神经网络模型，使得模型可以检测出开放世界数据的任意物体，应用到各种场景上并得到比较好的效果。

需要注意的是，此提出方法适用性不局限于检测场景，可同时应用于开集分类场景，如终端对于拍照图像的识别及自动分类，云端对于工业场景缺陷部件图像分类等。

由于本申请实施例涉及大量神经网络的应用，为了便于理解，下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。

(1)物体识别，利用图像处理和机器学习、计算机图形学等相关方法，确定图像物体的类别。

(2)神经网络：

神经网络可以是由神经单元组成的，神经单元可以是指以xs和截距1为输入的运算单元，该运算单元的输出可以为：

其中，s＝1、2、……n，n为大于1的自然数，Ws为xs的权重，b为神经单元的偏置。f为神经单元的激活函数(activation functions)，用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。

(3)深度神经网络：

深度神经网络(Deep Neural Network，DNN)，可以理解为具有很多层隐含层的神经网络，这里的“很多”并没有特别的度量标准，本申请实施例常说的多层神经网络和深度神经网络其本质上是同一个东西。从DNN按不同层的位置划分，DNN内部的神经网络可以分为三类：输入层，隐含层，输出层。一般来说第一层是输入层，最后一层是输出层，中间的层数都是隐含层。层与层之间是全连接的，也就是说，第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂，但是就每一层的工作来说，其实并不复杂，简单来说就是如下线性关系表达式：

其中，

是输入向量，

是输出向量，

是偏移向量，W是权重矩阵(也称系数)，α()是激活函数。每一层仅仅是对输入向量

经过如此简单的操作得到输出向量

由于DNN层数多，则系数W和偏移向量

的数量也就是很多了。那么，具体的参数在DNN是如何定义的呢？首先本申请实施例来看看系数W的定义。以一个三层的DNN为例，如：第二层的第4个神经元到第三层的第2个神经元的线性系数定义为

上标3代表系数W所在的层数，而下标对应的是输出的第三层索引2和输入的第二层索引4。总结下，第L-1层的第k个神经元到第L层的第j个神经元的系数定义为

注意，输入层是没有W参数的。在深度神经网络中，更多的隐含层让网络更能够刻画现实世界中的复杂情形。理论上而言，参数越多的模型复杂度越高，“容量”也就越大，也就意味着它能完成更复杂的学习任务。

(4)卷积神经网络(Convosutionas Neuras Network，CNN)是一种带有卷积结构的深度神经网络。卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。该特征抽取器可以看作是滤波器，卷积过程可以看作是使用一个可训练的滤波器与一个输入的图像或者卷积特征平面(feature map)做卷积。卷积层是指卷积神经网络中对输入信号进行卷积处理的神经元层。在卷积神经网络的卷积层中，一个神经元可以只与部分邻层神经元连接。一个卷积层中，通常包含若干个特征平面，每个特征平面可以由一些矩形排列的神经单元组成。同一特征平面的神经单元共享权重，这里共享的权重就是卷积核。共享权重可以理解为提取图像信息的方式与位置无关。这其中隐含的原理是：图像的某一部分的统计信息与其他部分是一样的。即意味着在某一部分学习的图像信息也能用在另一部分上。所以对于图像上的所有位置，本申请实施例都能使用同样的学习得到的图像信息。在同一卷积层中，可以使用多个卷积核来提取不同的图像信息，一般地，卷积核数量越多，卷积操作反映的图像信息越丰富。

卷积核可以以随机大小的矩阵的形式初始化，在卷积神经网络的训练过程中卷积核可以通过学习得到合理的权重。另外，共享权重带来的直接好处是减少卷积神经网络各层之间的连接，同时又降低了过拟合的风险。

(5)反向传播算法：

卷积神经网络可以采用误差反向传播(back propagation，BP)算法在训练过程中修正初始的超分辨率模型中参数的大小，使得超分辨率模型的重建误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始的超分辨率模型中参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的超分辨率模型的参数，例如权重矩阵。

(6)损失函数：

在训练深度神经网络的过程中，因为希望深度神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为深度神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断地调整，直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。

(7)反向传播算法：

神经网络可以采用误差反向传播(back propagation，BP)算法在训练过程中修正初始的神经网络模型中参数的大小，使得神经网络模型的重建误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始的神经网络模型中参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的神经网络模型的参数，例如权重矩阵。

(8)transformer：

一种包含编码器与解码器的特征提取网络(类比于卷积神经网络)。transformer网络可以神经网络包括嵌入层和至少一个transformer层，至少一个transformer层可以为N个transformer层(N大于0的整数)，其中，每个transformer层包括依次相邻的注意力层、加和与归一化(add&norm)层、前馈(feed forward)层和加和与归一化层。在嵌入层，对当前输入进行嵌入处理，得到多个特征向量；在所述注意力层，从所述transformer层的上一层获取P个输入向量，以P个输入向量中的任意的第一输入向量为中心，基于预设的注意力窗口范围内的各个输入向量与该第一输入向量之间的关联度，得到该第一输入向量对应的中间向量，如此确定出P个输入向量对应的P个中间向量；在所述池化层，将所述P个中间向量合并为Q个输出向量，其中至少一个transformer层中最后一个transformer层得到的多个输出向量用作所述当前输入的特征表示。

接下来，结合具体例子对上述各步骤进行具体介绍。

首先，在所述嵌入层，对当前输入进行嵌入处理，得到多个特征向量。

嵌入层可以称为输入嵌入(input embedding)层。当前输入可以为文本输入，例如可以为一段文本，也可以为一个句子。文本可以为中文文本，也可以为英文文本，还可以为其他语言文本。嵌入层在获取当前输入后，可以对该当前输入中各个词进行嵌入处理，可得到各个词的特征向量。在一些实施例中，所述嵌入层包括输入嵌入层和位置编码(positional encoding)层。在输入嵌入层，可以对当前输入中的各个词进行词嵌入处理，从而得到各个词的词嵌入向量。在位置编码层，可以获取各个词在该当前输入中的位置，进而对各个词的位置生成位置向量。在一些示例中，各个词的位置可以为各个词在该当前输入中的绝对位置。以当前输入为“几号应还花呗”为例，其中的“几”的位置可以表示为第一位，“号”的位置可以表示为第二位，……。在一些示例中，各个词的位置可以为各个词之间的相对位置。仍以当前输入为“几号应还款”为例，其中的“几”的位置可以表示为“号”之前，“号”的位置可以表示为“几”之后、“应”之前，……。当得到当前输入中各个词的词嵌入向量和位置向量时，可以将各个词的位置向量和对应的词嵌入向量进行组合，得到各个词特征向量，即得到该当前输入对应的多个特征向量。多个特征向量可以表示为具有预设维度的嵌入矩阵。可以设定该多个特征向量中的特征向量个数为M，预设维度为H维，则该多个特征向量可以表示为M×H的嵌入矩阵。

其次，从所述第一transformer层的上一层获取P个输入向量，以P个输入向量中的任意的第一输入向量为中心，基于预设的注意力窗口范围内的各个输入向量与该第一输入向量之间的关联度，得到该第一输入向量对应的中间向量，如此确定出P个输入向量对应的P个中间向量。注意力层也可以称为多头注意力(multi-head attention)层。在一个例子中，注意力层可以为固定窗口多头注意力(fixed window multi-head attention)层。

在一些实施例中，第一transformer层可以为上述嵌入层的下一层，P个输入向量为从嵌入层得到的所述多个特征向量。在一些实施例中，本说明书实施例提供的神经网络中的至少一个transformer层还包括第二transformer层。该第二transformer层为第一自注意力的上一层，则P个输入向量为第二transformer层输出的P个输出向量。在该神经网络中的最后一个transformer层，通过上述步骤的多个输出向量可用作当前输入的特征表示。该特征表示为为当前输入的一种适合计算机处理的特征表示，可用于文本相似度、文本分类、阅读理解、机器翻译等任务。

(9)注意力机制(attention mechanism)：

注意力机制模仿了生物观察行为的内部过程，即一种将内部经验和外部感觉对齐从而增加部分区域的观察精细度的机制，能够利用有限的注意力资源从大量信息中快速筛选出高价值信息。注意力机制可以快速提取稀疏数据的重要特征，因而被广泛用于自然语言处理任务，特别是机器翻译。而自注意力机制(self-attention mechanism)是注意力机制的改进，其减少了对外部信息的依赖，更擅长捕捉数据或特征的内部相关性。注意力机制的本质思想可以改写为如下公式：

其中，Lx＝||Source||代表Source的长度，公式含义即将Source中的构成元素想象成是由一系列的数据对构成，此时给定目标Target中的某个元素Query，通过计算Query和各个Key的相似性或者相关性，得到每个Key对应Value的权重系数，然后对Value进行加权求和，即得到了最终的Attention数值。所以本质上Attention机制是对Source中元素的Value值进行加权求和，而Query和Key用来计算对应Value的权重系数。从概念上理解，把Attention可以理解为从大量信息中有选择地筛选出少量重要信息并聚焦到这些重要信息上，忽略大多不重要的信息。聚焦的过程体现在权重系数的计算上，权重越大越聚焦于其对应的Value值上，即权重代表了信息的重要性，而Value是其对应的信息。自注意力机制可以理解为内部Attention(intra attention)，Attention机制发生在Target的元素Query和Source中的所有元素之间，自注意力机制指的是在Source内部元素之间或者Target内部元素之间发生的Attention机制，也可以理解为Target＝Source这种特殊情况下的注意力计算机制，其具体计算过程是一样的，只是计算对象发生了变化而已。

(10)grounding数据集：

视觉定位数据(包含图像和对应的描述)，一张图像中有多个框，一个框对应描述中的一个词组，描述框中的物体或状态。

(11)detection数据集：

常规的检测数据，一张图像中有多个框，一个框对应一个名词类别。

下面介绍本申请实施例提供系统架构。

参见图5，本申请实施例提供了一种系统架构100。如所述系统架构100所示，数据采集设备160用于采集训练数据，本申请实施例中训练数据包括：物体的图像或者图像块及物体的类别(例如第一信息、第二信息)；并将训练数据存入数据库130，训练设备120基于数据库130中维护的训练数据训练得到机器学习模型，机器学习模型可以包括文本编码器以及图像编码器，文本编码器可以为基于transformer的神经网络，图像编码器可以为CNN特征提取模型(解释说明：这里的特征提取模型就是前面介绍的经训练阶段训练得到的模型，可以是用于特征提取的机器学习模型等)以及头端(head)。该CNN特征提取模型能够用于实现本申请实施例提供的机器学习模型，即，将待识别图像或图像块通过相关预处理后输入该CNN特征提取模型，即可得到待识别图像或图像块感兴趣物体的2D、3D、Mask、关键点等信息。本申请实施例中的CNN特征提取模型具体可以为CNN卷积神经网络。需要说明的是，在实际的应用中，所述数据库130中维护的训练数据不一定都来自于数据采集设备160的采集，也有可能是从其他设备接收得到的。另外需要说明的是，训练设备120也不一定完全基于数据库130维护的训练数据进行CNN特征提取模型的训练，也有可能从云端或其他地方获取训练数据进行模型训练，上述描述不应该作为对本申请实施例的限定。

根据训练设备120训练得到的目标模型/规则可以应用于不同的系统或设备中，如应用于图5所示的执行设备110，所述执行设备110可以是终端，如手机终端，平板电脑，笔记本电脑，增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)，车载终端等，还可以是服务器或者云端等。在图5中，执行设备110配置输入/输出(input/output，I/O)接口112，用于与外部设备进行数据交互，用户可以通过客户设备140向I/O接口112输入数据，所述输入数据在本申请实施例中可以包括：待识别图像或者图像块或者图像。

在执行设备120对输入数据进行预处理，或者在执行设备120的计算模块111执行计算等相关的处理(比如进行本申请中机器学习模型的功能实现)过程中，执行设备120可以调用数据存储系统150中的数据、代码等以用于相应的处理，也可以将相应处理得到的数据、指令等存入数据存储系统150中。

最后，I/O接口112将处理结果，如上述得到的图像或图像块或者图像中感兴趣物体的2D、3D、Mask、关键点、置信度等信息返回给客户设备140，从而提供给用户。

可选地，客户设备140，可以是自动驾驶系统中的规划控制单元、手机终端中的美颜算法模块。

值得说明的是，训练设备120可以针对不同的目标或称不同的任务，基于不同的训练数据生成相应的目标模型/规则，该相应的目标模型/规则即可以用于实现上述目标或完成上述任务，从而为用户提供所需的结果。

在图5中所示情况下，用户可以手动给定输入数据，该手动给定可以通过I/O接口112提供的界面进行操作。另一种情况下，客户设备140可以自动地向I/O接口112发送输入数据，如果要求客户设备140自动发送输入数据需要获得用户的授权，则用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备140也可以作为数据采集端，采集如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果作为新的样本数据，并存入数据库130。当然，也可以不经过客户设备140进行采集，而是由I/O接口112直接将如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果，作为新的样本数据存入数据库130。

值得注意的是，图5仅是本申请实施例提供的一种系统架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在图5中，数据存储系统150相对执行设备110是外部存储器，在其它情况下，也可以将数据存储系统150置于执行设备110中。

如图5所示，根据训练设备120训练得到神经网络(包含CNN特征提取模型、文本编码器等)，该CNN特征提取模型在本申请实施例中可以是CNN卷积神经网络也可以是下面实施例即将介绍的机器学习模型。

由于CNN是一种非常常见的神经网络，下面结合图5重点对CNN的结构进行详细的介绍。如上文的基础概念介绍所述，卷积神经网络是一种带有卷积结构的深度神经网络，是一种深度学习(deep learning)架构，深度学习架构是指通过机器学习的算法，在不同的抽象层级上进行多个层次的学习。作为一种深度学习架构，CNN是一种前馈(feed-forward)人工神经网络，该前馈人工神经网络中的各个神经元可以对输入其中的图像作出响应。

本申请实施例的图像处理方法具体采用的神经网络的结构可以如图6所示。在图6中，卷积神经网络(CNN)100可以包括输入层210，卷积层/池化层220(其中池化层为可选的)，以及神经网络层230。其中，输入层210可以获取待处理图像，并将获取到的待处理图像交由卷积层/池化层220以及后面的神经网络层230进行处理，可以得到图像的处理结果。下面对图6中的CNN 100中内部的层结构进行详细的介绍。

卷积层/池化层220：

卷积层：

如图6所示卷积层/池化层220可以包括如示例221-226层，举例来说：在一种实现中，221层为卷积层，222层为池化层，223层为卷积层，224层为池化层，225为卷积层，226为池化层；在另一种实现方式中，221、222为卷积层，223为池化层，224、225为卷积层，226为池化层。即卷积层的输出可以作为随后的池化层的输入，也可以作为另一个卷积层的输入以继续进行卷积操作。

下面将以卷积层221为例，介绍一层卷积层的内部工作原理。

卷积层221可以包括很多个卷积算子，卷积算子也称为核，其在图像处理中的作用相当于一个从输入图像矩阵中提取特定信息的过滤器，卷积算子本质上可以是一个权重矩阵，这个权重矩阵通常被预先定义，在对图像进行卷积操作的过程中，权重矩阵通常在输入图像上沿着水平方向一个像素接着一个像素(或两个像素接着两个像素……这取决于步长stride的取值)的进行处理，从而完成从图像中提取特定特征的工作。该权重矩阵的大小应该与图像的大小相关，需要注意的是，权重矩阵的纵深维度(depth dimension)和输入图像的纵深维度是相同的，在进行卷积运算的过程中，权重矩阵会延伸到输入图像的整个深度。因此，和一个单一的权重矩阵进行卷积会产生一个单一纵深维度的卷积化输出，但是大多数情况下不使用单一权重矩阵，而是应用多个尺寸(行×列)相同的权重矩阵，即多个同型矩阵。每个权重矩阵的输出被堆叠起来形成卷积图像的纵深维度，这里的维度可以理解为由上面所述的“多个”来决定。不同的权重矩阵可以用来提取图像中不同的特征，例如一个权重矩阵用来提取图像边缘信息，另一个权重矩阵用来提取图像的特定颜色，又一个权重矩阵用来对图像中不需要的噪点进行模糊化等。该多个权重矩阵尺寸(行×列)相同，经过该多个尺寸相同的权重矩阵提取后的卷积特征图的尺寸也相同，再将提取到的多个尺寸相同的卷积特征图合并形成卷积运算的输出。

这些权重矩阵中的权重值在实际应用中需要经过大量的训练得到，通过训练得到的权重值形成的各个权重矩阵可以用来从输入图像中提取信息，从而使得卷积神经网络200进行正确的预测。

当卷积神经网络200有多个卷积层的时候，初始的卷积层(例如221)往往提取较多的一般特征，该一般特征也可以称之为低级别的特征；随着卷积神经网络200深度的加深，越往后的卷积层(例如226)提取到的特征越来越复杂，比如高级别的语义之类的特征，语义越高的特征越适用于待解决的问题。

池化层：

由于常常需要减少训练参数的数量，因此卷积层之后常常需要周期性的引入池化层，在如图6中220所示例的221-226各层，可以是一层卷积层后面跟一层池化层，也可以是多层卷积层后面接一层或多层池化层。在图像处理过程中，池化层的唯一目的就是减少图像的空间大小。池化层可以包括平均池化算子和/或最大池化算子，以用于对输入图像进行采样得到较小尺寸的图像。平均池化算子可以在特定范围内对图像中的像素值进行计算产生平均值作为平均池化的结果。最大池化算子可以在特定范围内取该范围内值最大的像素作为最大池化的结果。另外，就像卷积层中用权重矩阵的大小应该与图像尺寸相关一样，池化层中的运算符也应该与图像的大小相关。通过池化层处理后输出的图像尺寸可以小于输入池化层的图像的尺寸，池化层输出的图像中每个像素点表示输入池化层的图像的对应子区域的平均值或最大值。

神经网络层230：

在经过卷积层/池化层220的处理后，卷积神经网络200还不足以输出所需要的输出信息。因为如前所述，卷积层/池化层220只会提取特征，并减少输入图像带来的参数。然而为了生成最终的输出信息(所需要的类信息或其他相关信息)，卷积神经网络200需要利用神经网络层230来生成一个或者一组所需要的类的数量的输出。因此，在神经网络层230中可以包括多层隐含层(如图6所示的231、232至23n)以及输出层240，该多层隐含层中所包含的参数可以根据具体的任务类型的相关训练数据进行预先训练得到，例如该任务类型可以包括图像识别，图像分类，图像超分辨率重建等等。

在神经网络层230中的多层隐含层之后，也就是整个卷积神经网络200的最后层为输出层240，该输出层240具有类似分类交叉熵的损失函数，具体用于计算预测误差，一旦整个卷积神经网络200的前向传播(如图6由210至240方向的传播为前向传播)完成，反向传播(如图6由240至210方向的传播为反向传播)就会开始更新前面提到的各层的权重值以及偏差，以减少卷积神经网络200的损失，及卷积神经网络200通过输出层输出的结果和理想结果之间的误差。

需要说明的是，如图6所示的卷积神经网络210仅作为一种卷积神经网络的示例，在具体的应用中，卷积神经网络还可以以其他网络模型的形式存在。

本申请实施例的图像处理方法具体采用的神经网络的结构可以如图7所示。在图7中，卷积神经网络(CNN)100可以包括输入层110，卷积层/池化层120(其中池化层为可选的)，以及神经网络层130。与图6相比，图7中的卷积层/池化层120中的多个卷积层/池化层并行，将分别提取的特征均输入给全神经网络层130进行处理。

需要说明的是，图6和图7所示的卷积神经网络仅作为一种本申请实施例的图像处理方法的两种可能的卷积神经网络的示例，在具体的应用中，本申请实施例的图像处理方法所采用的卷积神经网络还可以以其他网络模型的形式存在。

另外，采用本申请实施例的神经网络结构的搜索方法得到的卷积神经网络的结构可以如图6和图7中的卷积神经网络结构所示。

图8为本申请实施例提供的一种芯片的硬件结构，该芯片包括神经网络处理器NPU50。该芯片可以被设置在如图5所示的执行设备110中，用以完成计算模块111的计算工作。该芯片也可以被设置在如图5所示的训练设备120中，用以完成训练设备120的训练工作并输出目标模型/规则。如图6和图7所示的卷积神经网络中各层的算法均可在如图8所示的芯片中得以实现。

神经网络处理器NPU 50，NPU作为协处理器挂载到主中央处理器(centralprocessing unit，CPU)(host CPU)上，由主CPU分配任务。NPU的核心部分为运算电路503，控制器504控制运算电路503提取存储器(权重存储器或输入存储器)中的数据并进行运算。

在一些实现中，运算电路503内部包括多个处理单元(process engine,PE)。在一些实现中，运算电路503是二维脉动阵列。运算电路503还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路503是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器502中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器501中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)508中。

向量计算单元507可以对运算电路的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。例如，向量计算单元507可以用于神经网络中非卷积/非FC层的网络计算，如池化(pooling)，批归一化(batch normalization)，局部响应归一化(local response normalization)等。

在一些实现种，向量计算单元能507将经处理的输出的向量存储到统一缓存器506。例如，向量计算单元507可以将非线性函数应用到运算电路503的输出，例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元507生成归一化的值、合并值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路503的激活输入，例如用于在神经网络中的后续层中的使用。

统一存储器506用于存放输入数据以及输出数据。

权重数据直接通过存储单元访问控制器505(directmemory accesscontroller，DMAC)将外部存储器中的输入数据搬运到输入存储器501和/或统一存储器506、将外部存储器中的权重数据存入权重存储器502，以及将统一存储器506中的数据存入外部存储器。

总线接口单元(bus interface unit，BIU)510，用于通过总线实现主CPU、DMAC和取指存储器509之间进行交互。

与控制器504连接的取指存储器(instruction fetch buffer)509，用于存储控制器504使用的指令；

控制器504，用于调用指存储器509中缓存的指令，实现控制该运算加速器的工作过程。

可选地，本申请中此处的输入数据为图像，输出数据为图像中感兴趣物体的2D、3D、Mask、关键点等信息。

一般地，统一存储器506，输入存储器501，权重存储器502以及取指存储器509均为片上(On-Chip)存储器，外部存储器为该NPU外部的存储器，该外部存储器可以为双倍数据率同步动态随机存储器(double data rate synchronous dynamic randomaccessmemory，DDR SDRAM)、高带宽存储器(high bandwidth memory，HBM)或其他可读可写的存储器。

上文中介绍的图5中的执行设备110能够执行本申请实施例的数据处理方法的各个步骤，图6和图7所示的CNN模型和图8所示的芯片也可以用于执行本申请实施例的数据处理方法的各个步骤。下面结合附图对本申请实施例的数据处理方法进行详细的介绍。

目标检测的任务是找出图像中所有感兴趣的目标(或者称之为对象或者物体)，确定它们的类别和位置，是计算机视觉领域的核心问题之一。目标检测的核心问题主要有两个：(1)分类，确定所有感兴趣物体的类别，(2)定位，确定感兴趣物体的位置。因此目标检测问题是一个分类，回归问题的叠加。本申请主要涉及目标检测中的分类任务。

现有的目标检测方法通常只能识别和定位预定义的一定数量类别的物体，他们的检测能力极大地依赖于训练数据中的标注类别数目，而这类检测框的标注往需要大量的人力物力，特别是某些稀有的类别本身图像数目较少且只能被相关领域专家标注。然而下游复杂的应用场景需求检测模型可以在无需特定类别标注的的情况下完成开集检测任务，因此如何搭建出具有开集(open-set)检测能力的模型成为现阶段学术界与工业界都比较关注的问题。开集检测技术的应用场景涵盖大多数无标签或少标签目标检测任务，如下：

1)自动驾驶系统中corner case(路面非白名单物体)的检测或收集任务；

2)3C产线需要对固定位置或者ROI区域的器件(电阻、电容、电感、接插件、螺钉等等)进行有无、错漏检测，以及缺陷(连焊、漏焊、虚焊等)检测；

3)终端中对拍摄照片进行自动新建类别并分类，同时可以协助图像编辑以及文本-图像检索工作。

另一方面，互联网上有充足且廉价的图像-文本对(image-text pair)数据，这类图文对数据囊括了绝大多数现有世界的类别，适合开集方向的研究，缺点是没有ground-truth检测框的人工标注。现有的视觉语言预训练方法(例如，对比文本-图像预训练(contrastive language-image pre-training，CLIP)模型，ALIGN模型)等方法利用网上爬取的图片文本对数据来拓展他们的开集能力并且在多个下游分类任务上展现了优越的零样本能力。

现有的使用深度学习的目标检测模型，通常在有标注的目标检测数据集上训练，它们的表现通常依赖于每个类上都有充足的训练数据。然而训练数据的标注则需要耗费大量的人力物力，导致这些数据集通常只包含有限个数的类别，基本上不含有一些稀少的类别(图像数量少且需要专家标注)。因此现有的检测模型往往只能检测出少量的类别，无法对训练集中不存在类别进行检测，导致在业务场景应用起来有相应风险。例如自动驾驶系统中的检测模型往往只能检测出人车类别，对于路上的垃圾袋或手推车等非白名单类别不能合理的预测，导致道路行驶风险较大。

另一方面，互联网上的图像文本对数据相对来说是易获取的，一些利用视觉语言预训练模型的目标检测方法使用这些数据预训练好的模型来获取比较好的开集检测能力。但是这些方法通常使用一个预训练的视觉语言模型对图像打伪标签，利用打过伪标签的数据来训练检测模型，因此该预训练的视觉语言模型通常决定了检测模型性能的上限。还有一些方法需要将图像裁剪输入进预训练的视觉语言模型中，这些方法对一张图像需要迭代多次(1000+)，耗时耗力。另外，还有一类方法如GLIP，使用串行范式统一detection数据和grounding数据为grounding数据的格式，但是对于detection数据以及grounding数据来说，不必要的类别之间的交互会增大计算开销，也会影响模型性能。

为了解决上述问题，本申请提供了一种数据处理方法。

从模型训练的角度：

参照图9，图9为本申请实施例提供的一种数据处理方法的流程示意，如图9所示，本申请实施例提供的一种数据处理方法，可以包括步骤901至904，下面分别对这些步骤进行详细的描述。

901、获取图像以及多个第一信息，每个所述第一信息指示一个对象的类别。

在一种可能的实现中，图像可以包括多个对象(或者称之为物品、目标)。

为了训练用于进行目标检测的模型(例如本申请中基于知识库辅助的物体-文本预训练的开集检测大模型)，需要构建训练样本。其中，训练样本可以分为输入到文本编码器中的数据以及输入到图像编码器中的数据，输入到图像编码器的数据可以包括图像，输入到文本编码器的数据(例如本申请实施例中的第一信息)可以包括图像中包括的对象的类别(例如以标识等字符串的形式表示)。

例如，针对于检测(detection)数据集中的数据，可以包括图像以及图像中包括的对象的类别，针对于用于描述类别的特征的信息，可以通过预先构建的知识库(或者可以称之为字典、数据库等)得到，在一种可能的实现中，所述用于描述所述类别的特征的信息为从知识库中确定的，所述知识库中保存有多个类别、以及用于描述每个类别的特征的信息。

接下来介绍一个知识库的构建方式示意：

在一种可能的实现中，知识库中对象的类别来源可以包括：(1)大规模image-text数据集中的名词短语(如YFCC100m)(2)已存在的公开的detection数据集中的类别名(如Objects365，OpenImages，Things)。可选的，对于detection数据集，可以去重后将其加入字典中，对于YFCC中的名词短语，可以过滤出频率少于一定数量(例如50、80、100等)的和WordNet中没有相关定义的名词短语，将剩下的加入到字典中。最终构建了一个具有L个概念的字典。

可以对于知识库O的内容进行知识丰富，也就是补充各个类别的特征的描述。对于收集的知识库O中的每个名词概念o_l，从WodNet中找其定义def_l，将其与o_l拼接起来，将知识库O重构为

示例性的，知识库O可以具有超过4000个类别(例如4500、5000、6000、10000、14000、20000等)以及其定义，如下表1所示：

表1

应理解，针对于detection数据集构建的第一信息，可以包括用于描述类别的特征的信息。

示例性的，对于detection数据集中的数据，假设一张图像中有k个正类(如person，bicycle)，通过随机采样负类将其补充为N个类别(如person,bicycle,car,…toothbrush)。将N个类使用知识库O中对应类别的定义进行知识丰富，最终构成一个P＝[“person,ahuman being”,…“toothbrush,small brush has long handle used toclean teeth”]的文本输入列表。如果类别不存在于名词库中，本申请实施例使用文本特征相似度最高的类别对应的定义来替代，如下表2所示。

表2

然后将P的N个项并行地输入进文本编码器中，本申请实施例使用文本嵌入的最后一个token对应的特征作为类别文本的特征表示。

例如，针对于定位(grounding)数据集和image-text数据集，为了和detection数据集的输入格式对齐，可以从知识库中随机采样负类，补充到和detection数据相似的含有N个项的文本输入列表，例如，补充后的数据为：P＝[“a woman”,”a herding dog”,“threecattle”,“neg1”,…,“negq”]。其中neg1到negq为随机采样的负类。

在一种可能的实现中，对于detection数据集，将每个数据的类别通过知识库进行定义的增强得到对应的文本输入，对于知识库中不存在的类别，将其与知识库中的单词做文本特征相似度对比，最近的单词对应的定义作为额外的补充信息与类别名词文本组合；对于grounding数据集，将其名词短语单独分出，得到对应的文本列表；对于image-text数据，采用知识库中所有的类别使用预训练好的语言-文本模型对图像打伪标签，由于知识库中包含了几乎所有的类别，所以可以很好的缓解部分标注问题。之后将其打的伪标签类别直接作文文本进行输入。同时为了解决grounding数据和image-text pair数据上存在的负例不完全的问题(会导致样例数较少的类别特征较难区分)，随机采样知识库中的类别作为负例。

902、通过文本编码器，分别独立处理所述多个第一信息中的每个第一信息，以得到每个所述第一信息对应的第一编码结果。

在一种可能的实现中，文本编码器可以为基于注意力机制的神经网络，例如包含transformer层的特征提取网络。文本编码器可以针对于输入的一个数据进行特征提取，且在处理过程中，会对输入的数据中不同的数据单元进行注意力交互，以得到输出的特征表示(也就是文本编码结果)。然而，在目标检测的场景中，针对于一张图像，会存在多个对象的类别，若将多个对象的类别进行拼接后作为一个输入数据输入到文本编码器中，则会大大增加网络计算的复杂度。

例如，信息1和信息2可以作为两个相互独立的输入数据同时输入到文本编码模型中，文本编码模型可以输出信息1对应的特征表示1，以及信息2对应的特征表示2。信息1和信息2可以作为两个输入数据依次输入到文本编码模型中，文本编码模型可以输出信息1对应的特征表示1，以及信息2对应的特征表示2。通过两种方式得到的特征表示可以相同。

示例性的，参照图10，图10为本申请提供的一种模型架构的示意，通过构建并行预训练范式，有效地将每个第一信息(或者还包括第二信息)独立地输入进文本编码器中，这个范式避免了模型处理类别关系的不高效的交互。

针对于正例的第一信息，可以通过文本编码器，分别独立处理所述多个第一信息中的每个第一信息，以得到每个所述第一信息对应的第一编码结果。针对于负例的第二信息，可以通过所述文本编码器，分别独立处理所述多个第二信息中的每个第二信息，以得到每个所述第二信息对应的第三编码结果。

在一种可能的实现中，所述分别独立处理所述多个第二信息中的每个第二信息，包括：并行处理所述多个第二信息中的每个第二信息。

903、通过图像编码器，处理所述图像，得到第二编码结果；所述第一编码结果和所述第二编码结果用于预测所述图像中对象类别的第一预测结果。

在一种可能的实现中，图像编码器可以为为图2a中示出的架构，其可以由特征提取网络组成，其中，特征提取网络可以包括主干网络backbone、特征金字塔网络(featurepyramid network，FPN)，其中，FPN为可选的。此外，为了预测图像中对象的检测框以及检测框中对象的类别，还可以包括头端head。

本申请实施例中，主干网络backbone用于接收输入的图像，并对输入的图像进行卷积处理，输出对应所述图像的具有不同分辨率的特征图；也就是说输出对应所述图像的不同大小的特征图，也就是说，Backbone完成基础特征的提取，为后续的检测提供相应的特征。

具体的，主干网络可以对输入的图像进行一系列的卷积或attention处理，得到在不同的尺度下的特征图(feature map)。这些特征图将为后续的检测模块提供基础特征。主干网络可以采用多种形式，比如视觉几何组(visual geometry group，VGG)、残差神经网络(residual neural network，resnet)、GoogLeNet的核心结构(Inception-net)、Transformer等。

主干网络backbone可以对输入的图像进行卷积处理，生成若干不同尺度的卷积特征图，每张特征图是一个H*W*C的矩阵，其中H是特征图的高度，W是特征图的宽度、C是特征图的通道数。

Backbone可以采用目前多种现有的卷积网络框架，比如VGG16、Resnet50、Inception-Net等，下面以Resnet18为Backbone为例进行说明。该流程如图11a所示。

假设输入的图像的分辨率为H*W*3(高度H，宽度W，通道数为3，也就是RBG三个通道)。输入图像经过Resnet18的第一个卷积模块Res18-Conv1(图中的卷积模块1)进行卷积运算，生成Featuremap(特征图)C1，这个特征图相对于输入图像进行了2次下采样，并且通道数扩充为64，因此C1的分辨率是H/4*W/4*64，该卷积模块1由若干卷积层组成，后面的卷积模块类似，参照图11b，图11b为卷积模块的结构示意，如图11b中示出的那样，卷积模块1可以包括多个卷积层(卷积层1至卷积层N)；C1经过Resnet18的第2个卷积模块Res18-Conv2(图中的卷积模块2)进行卷积运算，得到Featuremap C2，这个特征图的分辨率与C1一致；C2继续经过Resnet18的第3个卷积模块Res18-Conv3(图中的卷积模块3)处理，生成Featuremap C3，这个特征图相对C2进一步下采样，通道数增倍，其分辨率为H/8*W/8*128；最后C3经过Res18-Conv4(图中的卷积模块4)处理，生成Featuremap C4，其分辨率为H/16*W/16*256。

从图11a可以看出，Resnet18对输入图像进行多个层次的卷积处理，得到不同尺度的特征图：C1/C2/C3/C4。底层的特征图的宽度和高度比较大，通道数较少，其主要为图像的低层特征(比如图像边缘、纹理特征)，高层的特征图的宽度和高度比较小，通道数较多，其主要为图像的高层特征(比如形状、物体特征)。后续的2D检测流程将会基于这些特征图进行进一步的预测。

本申请实施例中，主干网络backbone包括多个卷积模块，每个卷积模块包括多个卷积层，每个卷积模块可以对输入的特征图进行卷积处理，已得到不同分辨率的特征图，本申请实施例中主干网络backbone包括的第一卷积层为主干网络backbone包括的多个卷积层中的一个。

需要说明的是，本申请实施例中的主干网络也可以称为骨干网络，这里并不限定。

需要说明的是，图11a和图11b中示出的主干网络backbone仅为一种实现方式，并不构成对本申请的限定。

本申请实施例中，FPN与主干网络backbone连接，FPN可以对主干网络backbone生成的多个不同分辨率的特征图进行卷积处理，来构造特征金字塔。

参照图12，图12为一种FPN的结构示意，其中，使用卷积模块1对最顶层特征图C4进行处理，卷积模块1可以包括至少一个卷积层，示例性的，卷积模块1可以使用空洞卷积和1×1卷积将最顶层特征图C4的通道数下降为256，作为特征金字塔的最顶层特征图P4；横向链接最顶层下一层特征图C3的输出结果并使用1×1卷积(卷积模块2)降低通道数至256后，与特征图p4逐像素相加得到特征图p3；以此类推，从上到下，构建出特征金字塔Φp＝{特征图p4，特征图p3，特征图p2，特征图p1}。

本申请实施例中，FPN包括多个卷积模块，每个卷积模块包括多个卷积层，每个卷积模块可以对输入的特征图进行卷积处理，本申请实施例中FPN包括的第二卷积层为FPN包括的多个卷积层中的一个。

需要说明的是，图12中示出的FPN仅为一种实现方式，并不构成对本申请的限定。

本申请实施例中，head与FPN连接，head可以根据FPN提供的特征图，完成一个任务的2D框的检测，输出这个任务的物体的2D框、3D框(可选的)以及对应的置信度等等，接下来描述一种head的结构示意，参照图13a，图13a为一种head的示意，如图13a中示出的那样，Head包括候选区域生成网络(Region Proposal Network，RPN)、ROI-ALIGN和RCNN三个模块。

其中，RPN模块可以用于在FPN提供的一个或者多个特征图上预测所述任务物体所在的区域，并输出匹配所述区域的候选2D框；或者可以这样理解，RPN在FPN输出的一个或者多个横图上预测出可能存在该任务物体的区域，并且给出这些区域的框，这些区域称为候选区域(Proposal)。比如，当Head负责检测车时，其RPN层就预测出可能存在车的候选框；当Head负责检测人时，其RPN层就预测出可能存在人的候选框。当然，这些Proposal是不准确的，一方面其不一定含有该任务的物体，另一方面这些框也是不紧致的。

2D候选区域预测流程可以由Head的RPN模块实施，其根据FPN提供的特征图，预测出可能存在该任务物体的区域，并且给出这些区域的候选框(也可以叫候选区域，Proposal)。在本实施例中，若Head负责检测车，其RPN层就预测出可能存在车的候选框。

RPN层的基本结构可以如图13b所示。在FPN提供的特征图上通过卷积模块1(例如一个3*3的卷积)，生成特征图RPNHidden。后面Head的RPN层将会从RPN Hidden中预测Proposal。具体来说，Head的RPN层分别通过卷积模块2和卷积模块3(例如分别是一个1*1的卷积)，预测出RPN Hidden每个位置处的Proposal的坐标以及置信度。这个置信度越高，表示这个Proposal存在该任务的物体的概率越大。比如，在Head中某个Proposal的score越大，就表示其存在车的概率越大。每个RPN层预测出来的Proposal需要经过Proposal合并模块，根据Proposal之间的重合程度去掉多余的Proposal(这个过程可以采用但不限制于NMS算法)，在剩余的K个Proposal中挑选出score最大的N(N<K)个Proposal作为候选的可能存在物体的区域。从图13b可以看出，这些Proposal是不准确的，一方面其不一定含有该任务的物体，另一方面这些框也是不紧致的。

ROI-ALIGN模块用于根据所述RPN模块预测得到的区域，从所述FPN提供的一个特征图中扣取出所述候选2D框所在区域的特征；也就是说，ROI-ALIGN模块主要根据RPN模块提供的Proposal，在某个特征图上把每个Proposal所在的区域的特征扣取出来，并且resize到固定的大小，得到每个Proposal的特征。可以理解的是，ROI-ALIGN模块可以使用但不局限于ROI-POOLING(感兴趣区域池化)/ROI-ALIGN(感兴趣区域提取)/PS-ROIPOOLING(位置敏感的感兴趣区域池化)/PS-ROIALIGN(位置敏感的感兴趣区域提取)等特征抽取方法。

RCNN模块用于通过神经网络对所述候选2D框所在区域的特征进行卷积处理，得到所述候选2D框属于各个物体类别的置信度；通过神经网络对所述候选区域2D框的坐标进行调整，使得调整后的2D候选框比所述候选2D框与实际物体的形状更加匹配，并选择置信度大于预设阈值的调整后的2D候选框作为所述区域的2D框。也就是说，RCNN模块主要是对ROI-ALIGN模块提出的每个Proposal的特征进行细化处理，得到每个Proposal的属于各个类别置信度(比如对于车这个任务，会给出Backgroud/Car/Truck/Bus 4个分数)，同时对Proposal的2D框的坐标进行调整，输出更加紧致的2D框。这些2D框经过非极大值抑制(nonmaximum suppression，NMS)合并后，作为最后的2D框输出。

2D候选区域细分类主要由图13a中的Head的RCNN模块实施，其根据ROI-ALIGN模块提取出来的每个Proposal的特征，进一步回归出更加紧致的2D框坐标，同时对这个Proposal进行分类，输出其属于各个类别的置信度。RCNN的可实现形式很多，其中一种实现形式如图13b所示。ROI-ALIGN模块输出的特征大小可以为N*14*14*256(Feature ofproposals)，其在RCNN模块中首先经过Resnet18的卷积模块4(Res18-Conv5)处理，输出的特征大小为N*7*7*512，然后通过一个Global Avg Pool(平均池化层)进行处理，把输入特征中每个通道内的7*7的特征进行平均，得到N*512的特征，其中每个1*512维的特征向量代表每个Proposal的特征。接下来通过2个全连接层FC分别回归框的精确坐标(输出N*4的向量，这4个数值分表表示框的中心点x/y坐标，框的宽高)，框的类别的置信度(在Head中，需要给出这个框是Backgroud/Car/Truck/Bus的分数)。最后通过框合并操作，选择分数最大的若干个框，并且通过NMS操作去除重复的框，从而得到紧致的框输出。

在一些实际应用场景中，该感知网络还可以包括其他Head，可以在检测出2D框的基础上，进一步进行3D/Mask/Keypoint检测。示例性的，以3D为例，ROI-ALIGN模块根据Head提供的准确的2D框，在FPN输出的特征图上提取出每个2D框所在区域的特征，假设2D框的个数为M，那么ROI-ALIGN模块输出的特征大小为M*14*14*256，其首先经过Resnet18的卷积模块5(例如为Res18-Conv5)处理，输出的特征大小为N*7*7*512，然后通过一个Global AvgPool(平均池化层)进行处理，把输入特征中每个通道的7*7的特征进行平均，得到M*512的特征，其中每个1*512维的特征向量代表每个2D框的特征。接下来通过3个全连接层FC分别回归框中物体的朝向角(orientation，M*1向量)、质心点坐标(centroid，M*2向量，这2个数值表示质心的x/y坐标)和长宽高(dimention)。

本申请实施例中，head包括至少是一个卷积模块，每个卷积模块包括至少一个卷积层，每个卷积模块可以对输入的特征图进行卷积处理，本申请实施例中head包括的第三卷积层为head包括的多个卷积层中的一个。

需要说明的是，图13a和图13b中示出的head仅为一种实现方式，并不构成对本申请的限定。

应理解，Backbone可以示例性的采用transformer架构实现或者采用上述介绍的CNN来实现，本申请并不限定。例如，针对于文本数据，Backbone可以采用transformer架构实现或者采用上述介绍的CNN来实现，针对于图像数据，Backbone可以采用transformer架构实现或者采用上述介绍的CNN来实现。需要注意的是，这里的encoder和head结构，以及涵盖其中的超参数，包括卷积层数量、激活层类型、中间特征维度、分辨率等等都不做限定，可以使用任何常见的用于稠密预测任务的架构。

如图10所示，给定一个输入的图像x，先通过图像编码器Φ_i(例如可以采用ATSS单阶段检测器)得到M个框特征

k∈[1,M]，同时计算单阶段检测模型对应的中心度损失L_CEN(sigmoid cross entropy loss)和回归损失L_REG(giou loss)。

也就是说，第一预测结果可以包括多个预测框、以及每个预测框中对象的类别。

904、根据所述第一编码结果和所述第二编码结果，更新所述文本编码器以及所述图像编码器。

在一种可能的实现中，可以将类别文本并行通过文本编码器得到每个文本对应的文本特征(第一编码结果)，其中两两文本间不存在交互。当类别文本和对应的roi对应时视为正例，否则视为负例，将文本特征(第一编码结果，或者还可以包括第三编码结果)和图像特征(第二编码结果，或者可以称之为区域特征)计算余弦相似度分配损失L_ALI。最后总的损失为L_REG，L_CEN，L_ALI三者的加权和。其中，L_REG为边界框回归损失，L_CEN为中心度损失。

示例性的，针对于获得的文本特征F^T∈R^ND(第一编码结果，或者还可以包括第三编码结果)，将其与区域特征(第二编码结果)进行点乘，得到预测的对齐矩阵S∈R^NM，S＝F^ITranspose(F^T)。使用预测的对齐矩阵S和真实的对齐矩阵G计算对齐损失L_ALI(S,G)。最终总的损失函数L＝L_ALI(S，G)+αL_CEN+βL_REG，其中α和β为权重超参。

接下来介绍本申请实施例中的数据处理方法的一个具体示例：

其中，整个模型主要由三个部分组成：视觉主干网络(也就是上述介绍的图像编码器)，文本主干网络(也就是上述介绍的文本编码器)，检测头(也就是上述介绍的head)：

1)视觉编码器由Swin-Transformer组成，用于提取区域特征，区域特征的数量M由特征图的大小和预定义锚框的数量决定。

2)文本编码器由与CLIP的text encoder结构保持一致，主体框架为transformer，用于并行提取类别对应的特征。每个输入句子的最长token设为48。每个图像对应的文本输入P的概念数量N设为150

3)检测头，参照GLIP，可以可以采用ATSS检测头。

在一种可能的实现中，可以使用AdamW优化器，对于视觉编码器主干网络和检测头，学习率设置为2.8e-4，对于文本编码器主干网络，学习率设为2.8e-5。批次大小设为128，采用32个GPU训练。所有的模型可以训练了12个epoch，耗费时间约63小时，学习率以0.1为系数在第8个和第11个epoch衰减。损失函数的权重系数α和β都设为1.0。

本发明在LVIS数据集(1203类)上进行了全面和细致的实验，以证明DetCLIP的有效性。本发明使用混合数据进行训练，包括detection数据，grounding数据和image-text数据。对于detection数据，本发明从Objects365V2中采样66万训练图像(定义为O365)。对于grounding数据，本申请实施例使用MDETR中介绍的grounding数据(定义为GoldG)。依据GLIP中的设置，本申请实施例在grounding数据中移除了在LVIS的出现过的样本来公平比较，最后保留了77万训练数据。对于image-text数据，本申请实施例使用YFCC100M数据集，本发明使用预训练的CLIP模型和RPN对图像打检测框级别的细粒度伪标签，从结果中以一定阈值采样了100万训练图像。最后，训练集总共包含243万图像，相对于GLIP的2700万训练数据，DetCLIP仅用了不到10％的数据。

本发明在包含1203类5k张图像的的LVIS验证集上作评估，沿用GLIP的设置使用fixedAP作为评价指标。

参照表3，表3为在LVIS子集上的零样本表现，Apr/APc/APf分别表示了稀有类，常见类和频繁类的值，GLIP中的DH和F代表了复杂度更加高的动态检测头和多模态信息深度融合模块。

表3

表3展示了LVIS上的结果。使用本发明提出的并行范式以及引入的额外的知识库，本申请实施例的模型可以从不同数据源引入更多的训练数据可以提高性能，比如比较DetCLIP-T(A)(第8行)和DetCLIP-T(第10行)，分别用了O365和O365,GOLDG,YFCC1M的数据，可以明显看出，使用了更多数据的DetCLIP-T比使用较少数据的DetCLIP-T(A)的表现要高7.1％。另外，由于受益于本发明提出的并行框架及知识库的有效性能，DetCLIP比GLIP的表现高出了一大部分，DetCLIP-T比GLIP-T高出了9.9％，在rare类别上的甚至提升了12.4％。同时使用数据量最小的模型DetCLIP-T(A)比GLIP-T(A)也高出了10.3％。注意到DetCLIP比GLIP更轻量，因为没有使用动态头(DH)和跨模态融合，同时训练使用了更少的数据以及更少的epoch。本发明通过利用image-text数据，也超出了全监督模型(使用LVIS数据进行训练)的性能。

同时相比较于GLIP-T，本申请中提出的DETCLIP-T模型也在训练时间以及测试速度上分别有5倍和19倍的提升。

Table 4:Efficiency comparison on LVIS.

表5展示了本发明两个核心组件的效果：并行范式(第2列)和额外引入的知识库(第3-5列)。第一行代表了本发明实现的GLIP-A模型，采取了顺序范式并只使用detection数据作训练。由于实施的不同，本申请实施例的版本在LVIS上的零样本能力可以达到23.7％，比官方的18.5％的高，因此用它来作为基线。

表5

首先，应用并行范式可以带来一个巨大的提升，在LVIS上将效果提升了4.1％(第二行)。这表明并行范式比串行范式更有效。然而直接应用该方法到添加grounding的数据集上，带来的提升较小(27.8％第二行→28.2％第四行)。本申请实施例猜测这有可能是因为并行范式弱化了文本概念间的交互，导致模型不能很好地学习到语义相关的概念。因此，本申请实施例引入了知识库来获取定义，提供不同类别之间关系的先验信息，这使得性能提升到了32.2％(第五行)。对于grounding数据，从知识库中采样类别作为负类也帮助模型更好地区分稀少的类别，性能提升到了34.4％(第七行)。另外引入image-text数据在全部类别尤其是稀有类别上带来一定的提升(第八行)，使用知识库对伪标签进行标签完备之后的检测性能进一步提升到了35.9％(第九行)。类似的表现也可以在13个下游检测数据集上看到。

本申请实施例提供了一种数据处理方法，包括：获取图像以及多个第一信息，所述第一信息指示所述图像包括的对象的类别；通过文本编码器，分别独立处理所述多个第一信息中的每个第一信息，以得到每个所述第一信息对应的第一编码结果；通过图像编码器，处理所述图像，以得到第二编码结果；根据所述第一编码结果和所述第二编码结果，更新所述文本编码器以及所述图像编码器。通过上述方式，将图像中不同对象的种类(例如作为正例的第一信息)分别作为不同的输入数据输入到文本编码器中，文本编码器可以分别独立处理所述多个第一信息中的每个第一信息，文本编码器在处理每个第一信息时不会受到其他第一信息影响，也就是相互之间没有注意力交互，减少了不必要的注意力attention计算，提高了模型的运行效率。

此外，引入额外的知识库作为训练测试的辅助，将detection数据，grounding数据，image-text数据统一到一个概念子空间中，具体实施方法包括1.对于detection数据通过提供类别的定义(也就是用于描述类别的特征的信息)来提供类别之间关系的先验信息；2.对于grounding以及image-text pairs数据随机选择知识库中类别作为负例，缓解不完全标注问题；3.对于image-text pair数据打伪标签的时候使用知识库中的类别作为候选类别，缓解不完全标注问题。

此外，本申请还可以将并行范式应用到其他细粒度任务中，比如语义分割，提升其他任务的性能。本发明引入的知识库可以统一不同的类名，之后可以扩展知识库，采用更复杂的结构，比如知识图谱等形式，引入不同概念间更细节的关系作为先验信息。

从模型推理的角度：

参照图14，图14为本申请实施例提供的一种数据处理方法的流程示意，包括：

1401、获取图像以及多个第一信息，每个所述第一信息指示一个对象的类别。

其中，多个第一信息可以为用户指定的。

1402、通过文本编码器，分别独立处理所述多个第一信息中的每个第一信息，以得到每个所述第一信息对应的第一编码结果。

关于步骤1402的描述可以参照上述实施例中步骤902的描述，相似之处这里不再赘述。

1403、通过图像编码器，处理所述图像，得到第二编码结果；

1404、根据所述第一编码结果和所述第二编码结果，从多个所述第一信息指示的多个标签中识别出所述图像中包括的对象的类别。

参照图15，图15为本申请实施例提供的一种数据处理装置的结构示意，如图15所示，本申请实施例提供的一种数据处理装置1500，包括：

获取模块1501，用于获取图像以及多个第一信息，每个所述第一信息指示一个对象的类别；

其中，关于获取模块1501的具体描述可以参照上述实施例中步骤1401的介绍，这里不再赘述。

编码模块1502，用于通过文本编码器，分别独立处理所述多个第一信息中的每个第一信息，以得到每个所述第一信息对应的第一编码结果；

通过图像编码器，处理所述图像，得到第二编码结果；

其中，关于编码模块1502的具体描述可以参照上述实施例中步骤1402和步骤1403的介绍，这里不再赘述。

类别识别模块1503，用于根据所述第一编码结果和所述第二编码结果，从多个所述第一信息指示的多个标签中识别出所述图像中包括的对象的类别。

其中，关于类别识别模块1503的具体描述可以参照上述实施例中步骤1404的介绍，这里不再赘述。

在一种可能的实现中，所述编码模块，具体用于：

并行处理所述多个第一信息中的每个第一信息。

参照图16，图16为本申请实施例提供的一种数据处理装置的结构示意，如图16所示，本申请实施例提供的一种数据处理装置1600，包括：

获取模块1601，用于获取图像以及多个第一信息，所述第一信息指示所述图像包括的对象的类别；

其中，关于获取模块1601的具体描述可以参照上述实施例中步骤901的介绍，这里不再赘述。

编码模块1602，用于通过文本编码器，分别独立处理所述多个第一信息中的每个第一信息，以得到每个所述第一信息对应的第一编码结果；

通过图像编码器，处理所述图像，以得到第二编码结果；

其中，关于编码模块1602的具体描述可以参照上述实施例中步骤902和步骤903的介绍，这里不再赘述。

更新模块1603，用于根据所述第一编码结果和所述第二编码结果，更新所述文本编码器以及所述图像编码器。

其中，关于更新模块1603的具体描述可以参照上述实施例中步骤904的介绍，这里不再赘述。

在一种可能的实现中，所述第一信息，包括：

用于指示对象的类别的信息；以及，

用于描述所述类别的特征的信息。

在一种可能的实现中，

所述根据所述第一编码结果和所述第二编码结果，包括：

接下来介绍本申请实施例提供的一种执行设备，请参阅图17，图17为本申请实施例提供的执行设备的一种结构示意图，执行设备1700具体可以表现为虚拟现实VR设备、手机、平板、笔记本电脑、智能穿戴设备、监控数据处理设备或服务器等，此处不做限定。具体的，执行设备1700包括：接收器1701、发射器1702、处理器1703和存储器1704(其中执行设备1700中的处理器1703的数量可以一个或多个，图17中以一个处理器为例)，其中，处理器1703可以包括应用处理器17031和通信处理器17032。在本申请的一些实施例中，接收器1701、发射器1702、处理器1703和存储器1704可通过总线或其它方式连接。

存储器1704可以包括只读存储器和随机存取存储器，并向处理器1703提供指令和数据。存储器1704的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory，NVRAM)。存储器1704存储有处理器和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。

处理器1703控制执行设备的操作。具体的应用中，执行设备的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。

上述本申请实施例揭示的方法可以应用于处理器1703中，或者由处理器1703实现。处理器1703可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1703中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1703可以是通用处理器、数字信号处理器(digital signal processing，DSP)、微处理器或微控制器，还可进一步包括专用集成电路(application specific integratedcircuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1703可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1704，处理器1703读取存储器1704中的信息，结合其硬件完成上述图14对应的数据处理方法的步骤。

接收器1701可用于接收输入的数字或字符信息，以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1702可用于通过第一接口输出数字或字符信息；发射器1702还可用于通过第一接口向磁盘组发送指令，以修改磁盘组中的数据；发射器1702还可以包括显示屏等显示设备。

本申请实施例还提供了一种训练设备，请参阅图18，图18是本申请实施例提供的训练设备一种结构示意图，具体的，训练设备1800由一个或多个服务器实现，训练设备1800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)1818(例如，一个或一个以上处理器)和存储器1832，一个或一个以上存储应用程序1842或数据1844的存储介质1830(例如一个或一个以上海量存储设备)。其中，存储器1832和存储介质1830可以是短暂存储或持久存储。存储在存储介质1830的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对训练设备中的一系列指令操作。更进一步地，中央处理器1818可以设置为与存储介质1830通信，在训练设备1800上执行存储介质1830中的一系列指令操作。

训练设备1800还可以包括一个或一个以上电源1826，一个或一个以上有线或无线网络接口1850，一个或一个以上输入输出接口1858；或，一个或一个以上操作系统1841，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

本申请实施例中，中央处理器1818，用于执行上述实施例中和模型训练相关的动作(例如图9对应的实施例中的数据处理方法)。

本申请实施例中还提供一种包括计算机程序产品，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。

本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有用于进行信号处理的程序，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。

本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使执行设备内的芯片执行上述实施例描述的数据处理方法，或者，以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。

具体的，请参阅图19，图19为本申请实施例提供的芯片的一种结构示意图，所述芯片可以表现为神经网络处理器NPU 1900，NPU 1900作为协处理器挂载到主CPU(Host CPU)上，由Host CPU分配任务。NPU的核心部分为运算电路1903，通过控制器1904控制运算电路1903提取存储器中的矩阵数据并进行乘法运算。

在一些实现中，运算电路1903内部包括多个处理单元(Process Engine,PE)。在一些实现中，运算电路1903是二维脉动阵列。运算电路1903还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路1903是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器1902中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器1901中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)1908中。

统一存储器1906用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller，DMAC)1905，DMAC被搬运到权重存储器1902中。输入数据也通过DMAC被搬运到统一存储器1906中。

BIU为Bus Interface Unit即，总线接口单元1910，用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer，IFB)1909的交互。

总线接口单元1910(Bus Interface Unit，简称BIU)，用于取指存储器1909从外部存储器获取指令，还用于存储单元访问控制器1905从外部存储器获取输入矩阵A或者权重矩阵B的原数据。

DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1906或将权重数据搬运到权重存储器1902中或将输入数据数据搬运到输入存储器1901中。

向量计算单元1907包括多个运算处理单元，在需要的情况下，对运算电路1903的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如Batch Normalization(批归一化)，像素级求和，对特征平面进行上采样等。

在一些实现中，向量计算单元1907能将经处理的输出的向量存储到统一存储器1906。例如，向量计算单元1907可以将线性函数；或，非线性函数应用到运算电路1903的输出，例如对卷积层提取的特征平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元1907生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路1903的激活输入，例如用于在神经网络中的后续层中的使用。

控制器1904连接的取指存储器(instruction fetch buffer)1909，用于存储控制器1904使用的指令；

统一存储器1906，输入存储器1901，权重存储器1902以及取指存储器1909均为On-Chip存储器。外部存储器私有于该NPU硬件架构。

其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，ASIC，或一个或多个用于控制上述程序执行的集成电路。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本申请各个实施例所述的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

Claims

1.一种数据处理方法，其特征在于，包括：

通过图像编码器，处理所述图像，得到第二编码结果；

2.根据权利要求1所述的方法，其特征在于，所述分别独立处理所述多个第一信息中的每个第一信息，包括：

并行处理所述多个第一信息中的每个第一信息。

3.根据权利要求1或2所述的方法，其特征在于，所述第一信息包括指示对应对象的类别的信息、以及用于描述所述类别的特征的信息。

4.一种数据处理方法，其特征在于，所述方法包括：

获取图像以及多个第一信息，所述第一信息指示所述图像包括的对象的类别；

通过图像编码器，处理所述图像，以得到第二编码结果；

根据所述第一编码结果和所述第二编码结果，更新所述文本编码器以及所述图像编码器。

5.根据权利要求4所述的方法，其特征在于，所述第一信息，包括：

用于指示对象的类别的信息；以及，

用于描述所述类别的特征的信息。

6.根据权利要求5所述的方法，其特征在于，所述用于描述所述类别的特征的信息为从知识库中确定的，所述知识库中保存有多个类别、以及用于描述每个类别的特征的信息。

7.根据权利要求4至6任一所述的方法，其特征在于，所述方法还包括：

获取多个第二信息，每个所述第二信息指示所述图像不包括的对象的类别；

通过所述文本编码器，分别独立处理所述多个第二信息中的每个第二信息，以得到每个所述第二信息对应的第三编码结果；

所述根据所述第一编码结果和所述第二编码结果，包括：

8.根据权利要求7所述的方法，其特征在于，所述第二信息包括用于指示对象的类别的信息，且所述第二信息指示的类别为从知识库中随机选择的，所述知识库保存有多个类别。

9.根据权利要求8所述的方法，其特征在于，所述知识库保存的所述多个类别的数量大于4000。

10.根据权利要求4至9任一所述的方法，其特征在于，所述多个第一信息为根据检测(detection)数据集、定位(grounding)数据集或者图像-文本(image-text)数据集得到的。

11.根据权利要求4至10任一所述的方法，其特征在于，所述多个第一信息为根据图像-文本(image-text)数据集得到的，所述图像-文本数据集包括所述图像以及所述图像对应的文本；其中，所述多个第一信息为通过视觉语言模型对所述图像以及所述文本进行处理得到的。

12.根据权利要求11所述的方法，其特征在于，所述第一信息包括用于指示对象的类别的信息，所述视觉语言模型用于根据所述图像以及所述文本从知识库提供的多个类别中选择所述图像中所包含的对象的类别。

13.一种数据处理装置，其特征在于，包括：

通过图像编码器，处理所述图像，得到第二编码结果；

14.根据权利要求13所述的装置，其特征在于，所述编码模块，具体用于：

并行处理所述多个第一信息中的每个第一信息。

15.根据权利要求13或14所述的装置，其特征在于，所述第一信息包括指示对应对象的类别的信息、以及用于描述所述类别的特征的信息。

16.一种数据处理装置，其特征在于，所述装置包括：

通过图像编码器，处理所述图像，以得到第二编码结果；

17.根据权利要求16所述的装置，其特征在于，所述第一信息，包括：

用于指示对象的类别的信息；以及，

用于描述所述类别的特征的信息。

18.根据权利要求17所述的装置，其特征在于，所述用于描述所述类别的特征的信息为从知识库中确定的，所述知识库中保存有多个类别、以及用于描述每个类别的特征的信息。

19.根据权利要求16至18任一所述的装置，其特征在于，

所述根据所述第一编码结果和所述第二编码结果，包括：

20.根据权利要求19所述的装置，其特征在于，所述第二信息包括用于指示对象的类别的信息，且所述第二信息指示的类别为从知识库中随机选择的，所述知识库保存有多个类别。

21.根据权利要求20所述的装置，其特征在于，所述知识库保存的所述多个类别的数量大于4000。

22.根据权利要求16至21任一所述的装置，其特征在于，所述多个第一信息为根据检测(detection)数据集、定位(grounding)数据集或者图像-文本(image-text)数据集得到的。

23.根据权利要求16至22任一所述的装置，其特征在于，所述多个第一信息为根据图像-文本(image-text)数据集得到的，所述图像-文本数据集包括所述图像以及所述图像对应的文本；其中，所述多个第一信息为通过视觉语言模型对所述图像以及所述文本进行处理得到的。

24.根据权利要求23所述的装置，其特征在于，所述第一信息包括用于指示对象的类别的信息，所述视觉语言模型用于根据所述图像以及所述文本从知识库提供的多个类别中选择所述图像中所包含的对象的类别。

25.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或多个指令，所述指令在由一个或多个计算机执行时使得所述一个或多个计算机执行权利要求1至12中任一项所述方法的操作。

26.一种计算机程序产品，其特征在于，包括计算机可读指令，当所述计算机可读指令在计算机设备上运行时，使得所述计算机设备执行如权利要求1至12任一所述的方法。

27.一种系统，包括至少一个处理器，至少一个存储器；所述处理器、所述存储器通过通信总线连接并完成相互间的通信；

所述至少一个存储器用于存储代码；

所述至少一个处理器用于执行所述代码，以执行如权利要求1至12任一所述的方法。