CN115952830B - 数据处理方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开实施例提供了一种数据处理方法、装置、电子设备及存储介质，该方法包括：将获取到的待处理图像输入至卷积网络中，得到待处理图像的待处理特征；将待处理特征输入至自回归序列生成模型中，得到与待处理图像相对应的目标特征；其中，自回归序列生成模型中包括批规范化层、自注意力子网络以及多层感知器层；基于目标特征对待处理图像进行分析处理。本公开实施例的技术方案，通过将卷积网络与自回归序列生成模型进行结合，并对自回归序列生成模型的结构进行改造，减少了模型运行过程中的计算量，提高了数据的处理效率。

Description

数据处理方法、装置、电子设备及存储介质

技术领域

本公开实施例涉及人工智能技术领域，尤其涉及一种数据处理方法、装置、电子设备及存储介质。

背景技术

随着人工智能的不断发展，神经网络已广泛应用于多种领域内，基于相关模型可以对多种数据进行处理。

现有的神经网络虽然可以对相应的数据进行处理，但处理效果不佳。基于此，提出了一种自注意力机制的深度神经网络。该神经网络可以实现对数据的较好处理，然而，利用深度神经网络对数据进行处理时，往往需要较大的计算开销，不仅增加了数据处理过程所需的成本，也降低了数据的处理效率。

发明内容

本公开提供一种数据处理方法、装置、电子设备及存储介质，通过将卷积网络与自回归序列生成模型进行结合，并对自回归序列生成模型的结构进行改造，减少了模型运行过程中的计算量，提高了数据的处理效率。

第一方面，本公开实施例提供了一种数据处理方法，包括：

将获取到的待处理图像输入至卷积网络中，得到所述待处理图像的待处理特征；

将所述待处理特征输入至自回归序列生成模型中，得到与所述待处理图像相对应的目标特征；其中，所述自回归序列生成模型中包括批规范化层、自注意力子网络以及多层感知器层；

基于所述目标特征对所述待处理图像进行分析处理。

第二方面，本公开实施例还提供了一种数据处理装置，包括：

待处理特征确定模块，用于将获取到的待处理图像输入至卷积网络中，得到所述待处理图像的待处理特征；

目标特征确定模块，用于将所述待处理特征输入至自回归序列生成模型中，得到与所述待处理图像相对应的目标特征；其中，所述自回归序列生成模型中包括批规范化层、自注意力子网络以及多层感知器层；

分析处理模块，用于基于所述目标特征对所述待处理图像进行分析处理。

第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的数据处理方法。

第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的数据处理方法。

本公开实施例的技术方案，先将获取到的待处理图像输入至卷积网络中，得到待处理图像的待处理特征，再将待处理特征输入至自回归序列生成模型中，利用自回归序列生成模型中的两个批规范化层、自注意力子网络以及多层感知器层对待处理特征进行处理，得到与待处理图像相对应的目标特征，最后，基于目标特征对待处理图像进行分析处理，通过将卷积网络与自回归序列生成模型进行结合，并对自回归序列生成模型的结构进行改造，可以取得良好的数据处理效果，同时，减少了模型运行过程中的计算量，提高了数据的处理效率。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本公开实施例所提供的基于卷积网络所构建的模型的网络架构图；

图2为本公开实施例所提供的一种数据处理方法流程示意图；

图3为本公开实施例所提供的结合卷积网络以及自回归序列生成模型得到的网络架构图；

图4为本公开实施例所提供的一种MLP层网络架构图；

图5为本公开实施例所提供的一种数据处理装置结构示意图；

图6为本公开实施例所提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

利用传统的神经网络对图像等数据进行处理时，通常需要构建出如图1所示的网络模型架构，通过图1可知，该网络模型架构中包含多个卷积神经网络(ConvolutionalNeural Networks，CNN)堆叠，在此基础上，将原始数据(Input)输入至模型中进行处理时，即可对数据进行多层CNN堆叠，该过程可以理解为一个对数据不断进行下采样的过程，将最后一层CNN堆叠输出的特征向量进行全局池化处理以及全连接处理后，便可以得到相应的输出(Output)。

然而，这种网络模型在对数据进行处理时，无法得到较高精度的数据处理结果，同时需要消耗较多的计算成本，降低了数据的处理效率，间接提升了对部署该模型的服务器的算力要求。因此，本公开实施例提供的方案在网络模型中引入了了自回归序列生成模型(transformerblock)，可以理解，该模型是一种自注意力机制的深度神经网络，在此基础上，将输入的数据进行卷积处理得到相应的中间特征后，还需要利用自回归序列生成模型对这些中间特征进行处理，得到更高位、更抽象的特征，从而提升了数据的处理精度。同时，本公开实施例中的网络模型不仅融合了多个CNN堆叠以及自回归序列生成模型，还对自回归序列生成模型的结构进行了改造，即，利用两个批规范化(Batch Norm)层、自注意力子网络以及多层感知器(Multi-layer Perception，MLP)层来生成自回归序列生成模型，以此进一步提高数据的处理效率。需要说明的是，得到自回归序列生成模型输出的特征后，可以根据实际需求采用多种功能性模型对这些更高位、更抽象的特征进行处理，从而得到与输入的数据相对应的输出，例如，当应用程序在执行分类任务的过程中，即可采用与该任务对应的模型对自回归序列生成模型输出的特征进行处理，从而得到相应的概率数组。

图2为本公开实施例所提供的一种数据处理方法流程示意图，本公开实施例适用于对神经网络模型的结构进行改造，从而提升模型的数据的处理精度以及处理效率的情形，该方法可以由数据处理装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是移动终端、PC端或服务器等。

如图2所示，所述方法包括：

S110、将获取到的待处理图像输入至卷积网络中，得到待处理图像的待处理特征。

在介绍本公开实施例的方案前，首先需要说明的是，基于本公开实施例构建的模型可以部署于服务端或客户端中，其中，服务端可以是向客户端提供服务与资源的、具有针对性的服务程序，运行服务端的设备即是服务器，相应的，客户端即是与特定服务端对应的、为用户提供本地服务的程序，同时，客户端与服务端之间可以基于超文本传输协议(Hyper Text TransferProtocol，HTTP)进行通信。示例性的，将本公开实施例中的网络模型集成于支持特效视频处理功能以及自然语言处理等多种功能的应用软件中，且该软件可以安装至电子设备中，可选的，电子设备可以是移动终端或者PC端等。应用软件可以是对图像、视频以及语音等数据进行处理的一类软件，其具体的应用软件在此不再一一赘述，只要可以实现图像、视频以及语音等数据的处理即可。还可以是专门研发的应用程序，来实现添加特效并将特效进行展示的软件中，亦或是集成在相应的页面中，用户可以通过PC端中集成的页面来实现对相关数据的处理。

在本实施例中，当应用软件向用户提供图像处理功能时，待处理图像可以是用户通过移动终端上的摄像装置实时拍摄、并通过应用软件自动上传至相应服务端的图像，也可以是用户从设备存储空间内选择、并主动上传至与应用软件相对应服务端的图像。当然，在实际应用过程中，对于向用户提供视频处理功能的应用软件来说，服务端对接收的视频进行解码后，所得到的每一帧图像也可以作为待处理图像，本公开实施例对此不作具体的限定。

需要说明的是，对于本公开实施例中的网络模型来说，待处理图像也可以作为一种待处理数据，可以理解，待处理数据的类型是由应用软件提供的功能决定的，因此，当应用软件向用户提供音频处理以及文本处理等功能时，待处理数据还可以是音频数据、文本数据以及视文对数据等，本公开实施例对此不再赘述。

在本实施例中，网络模型由卷积神经网络以及自回归序列生成模型组合而成，因此，当应用软件对应的服务端接收到待处理图像时，首先需要基于卷积神经网络对其进行初步的下采样处理，以此从待处理图像中提取出对应的待处理特征。

可选的，将待处理图像依次输入至少一个卷积网络中；至少一个卷积网络依据预先设置的降采样率对待处理图像进行处理，得到待处理特征。其中，CNN是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，同时，CNN具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，本公开实施例在此不再赘述。当待处理数据为待处理图像时，待处理特征即是待处理图像的局部图像特征，与全局图像特征相比，局部图像特征具有在图像中蕴含数量丰富，特征间相关度小，遮挡情况下不会因部分特征消失而影响其他特征的检测和匹配等特点，因此，待处理特征还可以理解为是图像特征的局部表达，反映了图像上具有的局部特性，这些特征可适用于对图像进行匹配以及检索等应用场景内。

在数位信号处理领域中，降采样是一种多速率数字信号处理的技术，同时也是降低信号采样率的过程，通常用于降低数据传输速率或数据大小，例如，将原分辨率为H×W的图像进行4倍降采样处理后，所得到的特征图的分辨率即是H/4×W/4；相应的，降采样率用于表达采样周期变为原来的M倍，或者等价标识采样率变为原来的1/M倍，本领域技术人员应当理解，对于网络模型中的CNN堆叠来说，降采样率可以以手动或自动的方式预先设置，同时，根据实际的业务需求，每一层网络的降采样率可以相同，也可以存在差异，本公开实施例对此不作具体的限定。

以图3为例，当服务端接收到作为输入(input)的待处理图像后，可以对待处理图像进行卷积核大小为3×3、步长stride为2的卷积操作，进一步的，将一个局部区域作为一个block，可以基于CNN网络进行多次堆叠，如图1所示，在N1层可以堆叠3次，在N2层可以堆叠5次，在N3层可以堆叠12次，可以理解，对于每个CNN Block来说，在第一层都需要对输入的数据进行下采样，同时，根据具体的堆叠过程将上述处理步骤划分为多个阶段时，每个阶段输出的特征图的分辨率均不相同。当堆叠操作完毕后，即得到与待处理图像的多个局部特征，这些局部特征即是待处理特征。

在本实施例中，在得到与待处理图像相对应的待处理特征后，由于后续过程中自回归序列生成模型中的BatchNorm层不具备数据下采样的功能，因此，还需要将待处理特征输入至池化层进行卷积处理。其中，池化即是空间池化，是卷积神经网络中用于提取特征的一种方法，通过对不同特征进行聚合统计处理以获得相对更低的维度，同时，可以避免出现过拟合的现象。本领域技术人员应当理解，当最后一层CNN Block输出待处理图像对应的待处理特征后，通过池化层的处理，可以在降低各特征图维度的同时保留大部分重要信息，从而实现对待处理特征的更新，本公开实施例在此不再赘述。

S120、将待处理特征输入至自回归序列生成模型中，得到与待处理图像相对应的目标特征。

在本实施例中，当确定出待处理图像相对应的待处理特征后，即可将这些特征输入至自回归序列生成模型中进行处理。其中，自回归序列生成模型可以是对内部网络结构进行优化后的transformer模型，该模型是一种基于注意力机制来加速深度学习算法的模型，模型中包括两个BatchNorm层、自注意力子网络以及MLP层。

其中，BatchNorm是深度网络中用到的用于加速神经网络训练、加速收敛速度及稳定性的算法，具体来说，由于深度学习主要为了学习训练数据的分布，并在测试集上达到很好的泛化效果，因此在深度学习过程中需要对数据做归一化处理，但是如果每一个batch的输入的数据都具有不同的分布，会给网络的训练带来困难，另一方面，数据经过一层层网络的计算后，其数据分布也会发生变化，从而给下一层网络的学习带来困难，而Batch norm层则用于解决该分布变化的问题。可以理解为，在网络结构中添加Batch norm层后，则无需精细地调整模型的学习率和权重初始化，提高了模型的学习速度，同时，Batch norm层降低了数据之间的绝对差异，自带一种去相关的属性，更多地考虑数据的相对差异性，因此，添加Batch norm层的模型在分类任务上具有更好的效果。

自注意力子网络(Self-Attention)即是用于实现模型自注意力机制的神经网络，本领域技术人员应当理解，自注意力机制即是从大量信息中筛选出少量重要的信息的机制，注意力种类分为空间注意力和时间注意力，在实际应用过程中，还可以分为SoftAttention以及Hard Attention，对于Soft Attention来说，所有的数据都会被注意，并计算出相应的注意力权值，不会设置筛选条件，对于Hard Attention来说，会在生成注意力全中后筛选掉一部分不符合条件的注意力，即使其注意力权值为0，本公开实施例对此不再赘述。MLP则是一种前馈人工神经网络模型，用于将输入的多个数据集映射到单一的输出的数据集上，本领域技术人员应当理解，较为典型的MLP包括三层：输入层、隐层以及输出层，同时，MLP神经网络不同层之间是全连接的，即，上一层的任何一个神经元与下一层的所有神经元都有连接，本公开实施例对此不再赘述。

在本实施例中，将待处理特征输入至自回归序列生成模型中后，即可基于上述多个网络层逐层对待处理特征进行处理，可选的，基于至少一个自回归序列生成模型对输入的待处理特征依次进行处理，得到目标特征向量。其中，目标特征向量即是可以作为后续多种功能性算法那的输入的特征，例如，分类任务中采用的分类模型可以直接将与待处理图像对应的目标特征向量作为输入，并对这些特征向量进行处理，从而输出与待处理图像中各元素相对应的概率数组。下面结合图3对基于自回归序列生成模型对待处理特征进行处理的过程进行具体说明。

在本实施例中，自回归序列生成模型包括第一处理模块和第二处理模块，第一处理模块包括批规范化层和自注意力子网络，第二处理模块包括批规范化层和多层感知器层。

参见图3，将待处理特征作为当前特征，基于Batch Norm层对当前特征进行处理，得到待使用特征；基于自注意力子网络对待使用特征进行处理，得到第一处理特征；通过对待处理特征和第一处理特征残差处理，得到中间特征；基于Batch Norm层对中间特征进行处理，得到待应用特征。可以理解，待使用特征即是以待处理特征为基础，由第一个BatchNorm层处理得到的更高位的特征，基于自注意力子网络确定出各待使用特征的权值，并将各权值与相应的待使用特征进行关联后，这些特征即是第一处理特征，以此对这些特征进行残差处理。本领域技术人员应当理解，在数理统计中，残差即是实际观察值与估计值之间的差，在本实施例中，通过基于第一处理特征以及待处理特征进行残差处理，即可对自注意力子网络的处理结果(即第一处理特征)的可靠性进行考察与验证，本公开实施例在此不再赘述。残差处理结束后，即可将中间特征输入至如图3所示的自回归序列生成模型的后半部分，由第二个Batch Norm层对中间特征进行处理，得到待应用特征。

进一步的，在得到待应用特征后，基于MLP层对待应用特征进行处理，得到第二处理特征；通过对第二处理特征和中间特征残差处理，得到目标特征向量，并将目标特征向量作为当前特征，重复执行确定与当前特征相对应的目标特征向量，直至最后的自回归序列生成模型输出目标特征向量。其中，MLP层中包括第一线性变换层、第二线性变换层，以及位于第一线性变换层和第二线性变换层之间的ReLU激活函数。可以理解为，第一线性变换层即是多层感知器的输入层，第二线性变换层即是多层感知器的输出层，两者实质上均为卷积核为1×1的卷积层；ReLU激活函数即是整流线性单元激活函数(Linear rectificationfunction)，通常指代以斜坡函数及其变种为代表的非线性函数，该函数可以理解为整流线性单元激活层，通过在MLP层中添加具有仿生物学原理的ReLU激活函数，提高了模型梯度下降以及反向传播的效率，避免了梯度爆炸和梯度消失的问题，同时，由于没有了其他复杂激活函数中诸如指数函数的影响，简化了模型的计算过程，通过ReLU激活函数活跃度的分散性，降低了模型整体的计算成本。

因此在本实施例中，在利用MLP层对待应用特征进行处理得到第二处理特征的过程中，可选的，参见图4，为本公开实施例所提供的一种MLP层网络架构图，基于第一线性变换层对待应用特征进行卷积处理，得到第一特征；基于ReLU激活函数对第一特征进行处理，得到第二特征；基于第二线性变换层对第二特征进行处理，得到第二处理特征。可以理解为，将待应用特征作为第一线性变换层的输入，由ReLU激活函数对第一线性变换层的输出进行处理，得到处理结果后，将处理结果作为第二线性变换层的输入，第二线性变换层的输出即是第二处理特征。需要说明的是，对第二处理特征和中间特征进行残差处理的过程，与对第一处理特征以及待处理特征进行残差处理的过程相似，本公开实施例在此不再赘述。进一步的，将残差处理后得到的目标特征作为当前特征，并按照上述方式重复确定出与当前特征相对应的其他目标特征，自回归序列生成模型即可输出目标特征。

需要说明的是，一方面，利用本公开实施例中的模型对待处理图像进行处理时，由于各网络层输出的每一个特征图都可能被用到，因此，可以在模型中每一个CNN Block后增加一个transformer；同时，在模型中的卷积神经网络部分采用CNN block进行下采样，而在transformer部分采用池化层pooling进行下采样，进一步加快了采样的速度。

另一方面，与其他自回归序列生成模型相比，本实施例方案中的模型将LayerNorm层全部替换为与其处于不同维度的BatchNorm层，可以理解为，剔除了对特征进行层标准化的过程，从而进一步减少了模型的计算量，也即是说，在数据处理精度相同的情况下，基于本公开实施例的模型对待处理特征进行处理，可以取得更高的处理效率。

还需要说明的是，由于本公开实施例的方案对自回归序列生成模型的结构进行了改造，为了保证模型的稳定性，在自回归序列生成模型输出特征图形式的目标特征向量后，还可以将目标特征向量输入至BatchNorm层，以更新目标特征向量。可以理解，该BatchNorm层可以对自回归序列生成模型输出的目标特征向量进行归一化处理，从而训练模型的稳定性。

S130、基于目标特征对待处理图像进行分析处理。

在本实施例中，当利用自回归序列生成模型对待处理特征进行处理，得到相应的目标特征后，即可将这些目标特征输入至部署于服务端或客户端的特征分析网络中，从而实现对待处理图像的分析处理。其中，分析处理包括以下中的一项或多项：场景分类；目标检测；实例分割；二维/三维姿态估计，因此可以理解，特征分析网络也可以根据上述业务的需求，选择多种功能性的模型，如，用于执行分割任务、检测任务或多种风格化图像处理任务的模型，对应的，这些模型的处理结果即是多种业务处理结果，如，特征分析网络包含分割任务时，目标处理结果即是多种元素的概率数组，特征分析网络包含风格化图像处理任务时，目标处理结果即是与待处理图像相对应的特定风格的图像。下面结合图3对上述处理过程进行说明。

参见图3，当自回归序列生成模型输出目标特征向量后，可以先对目标特征向量进行卷积核大小为1×1的卷积操作，再基于全局池化层(Global Average Pooling，GAP)对卷积层的输出进行GAP转换，例如，卷积层输出为7×7×2000的三维特征图，经过GAP转换后，即变成大小为1×1×2000的输出，可以理解为，每一层的宽度和高度都会被平均化为一个值。进一步的，基于作为分类器的全连接层根据特征的组合进行分类，从而得到待处理图像中各元素对应的概率数组，并将该数组作为与待处理图像对应的目标处理结果。

本领域技术人员应当理解，上述图像分类任务仅作为一个示例以便于对特征分析网络进行说明，在实际应用过程中，处于自回归序列生成模型之后的特征分析网络，可以根据实际需要进行编辑与部署，本公开实施例对此不作具体的限定。

本公开实施例的技术方案，先将获取到的待处理图像输入至卷积网络中，得到待处理图像的待处理特征，再将待处理特征输入至自回归序列生成模型中，利用自回归序列生成模型中的两个Batch Norm层、自注意力子网络以及MLP层对待处理特征进行处理，得到与待处理图像相对应的目标特征向量，最后，基于目标特征向量对待处理图像进行分析处理，通过将卷积网络与自回归序列生成模型进行结合，并对自回归序列生成模型的结构进行改造，可以取得良好的数据处理效果，同时，减少了模型运行过程中的计算量，提高了数据的处理效率。

图5为本公开实施例所提供的一种数据处理装置结构示意图，如图5所示，所述装置包括：待处理特征确定模块510、目标特征确定模块520以及分析处理模块530。

待处理特征确定模块510，用于将获取到的待处理图像输入至卷积网络中，得到所述待处理图像的待处理特征。

目标特征确定模块520，用于将所述待处理特征输入至自回归序列生成模型中，得到与所述待处理图像相对应的目标特征；其中，所述自回归序列生成模型中包括批规范化层、自注意力子网络以及多层感知器层。

分析处理模块530，用于基于所述目标特征对所述待处理图像进行分析处理。

可选的，待处理特征确定模块510，还用于将所述待处理图像依次输入至少一个卷积网络中；所述至少一个卷积网络依据预先设置的降采样率对所述待处理图像进行处理，得到所述待处理特征。

在上述各技术方案的基础上，数据处理装置还包括卷积处理模块。

卷积处理模块，用于将所述待处理特征输入至池化层进行卷积处理。

在上述各技术方案的基础上，所述自回归序列生成模型包括第一处理模块和第二处理模块，所述第一处理模块包括所述批规范化层和所述自注意力子网络，所述第二处理模块包括所述批规范化层和所述多层感知器层。

在上述各技术方案的基础上，目标特征确定模块520包括第一处理特征确定单元、中间特征确定单元、第二处理特征确定单元以及目标特征确定单元。

第一处理特征确定单元，用于基于所述第一处理模块对所述待处理特征进行处理，得到第一处理特征。

中间特征确定单元，用于对所述第一处理特征和所述待处理特征进行残差处理，得到中间特征。

第二处理特征确定单元，用于基于所述第二处理模块对所述中间特征进行处理，得到第二处理特征。

目标特征确定单元，用于对第二处理特征和所述中间特征进行残差处理，得到目标特征。

在上述各技术方案的基础上，所述第一处理特征确定单元包括：

待使用特征确定单元，用于基于所述批规范化层对所述待处理特征进行处理，得到待使用特征；

第一处理特征获取单元，用于基于所述自注意力子网络对所述待处理特征进行处理，得到所述第一处理特征。

在上述各技术方案的基础上，所述第二处理特征确定单元包括：

待应用特征确定单元，用于基于所述批规范化层对所述中间特征进行处理，得到待应用特征；

第二处理特征获取单元，用于基于所述多层感知器层对所述待应用特征进行处理，得到所述第二处理特征。

在上述各技术方案的基础上，所述多层感知器层包括第一线性变换层、第二线性变换层、以及位于所述第一线性变换层和所述第二线性变换层之间的整流线性单元层。

可选的，第二处理特征获取单元，还用于基于所述第一线性变换层对所述待应用特征进行卷积处理，得到第一特征；基于所述整流线性单元激活层对所述第一特征进行处理，得到第二特征；基于所述第二线性变换层对所述第二特征进行处理，得到所述第二处理特征。

在上述各技术方案的基础上，数据处理装置还包括目标特征向量更新模块。

目标特征向量更新模块，用于将所述目标特征向量输入至批规范化层进行特征处理。

在上述各技术方案的基础上，所述分析处理包括以下中的一项或多项：场景分类；目标检测；实例分割；二维/三维姿态估计。

本实施例所提供的技术方案，先将获取到的待处理图像输入至卷积网络中，得到待处理图像的待处理特征，再将待处理特征输入至自回归序列生成模型中，利用自回归序列生成模型中的两个Batch Norm层、自注意力子网络以及MLP层对待处理特征进行处理，得到与待处理图像相对应的目标特征，最后，基于目标特征对待处理图像进行分析处理，通过将卷积网络与自回归序列生成模型进行结合，并对自回归序列生成模型的结构进行改造，可以取得良好的数据处理效果，同时，减少了模型运行过程中的计算量，提高了数据的处理效率。

本公开实施例所提供的数据处理装置可执行本公开任意实施例所提供的数据处理方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。

图6为本公开实施例所提供的一种电子设备的结构示意图。下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如图6中的终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图案处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置606加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。编辑/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的编辑装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置606被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

本公开实施例提供的电子设备与上述实施例提供的数据处理方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。

本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的数据处理方法。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：

将获取到的待处理图像输入至卷积网络中，得到所述待处理图像的待处理特征；

将所述待处理特征输入至自回归序列生成模型中，得到与所述待处理图像相对应的目标特征向量；其中，所述自回归序列生成模型中包括两个批规范化层、自注意力子网络以及多层感知器层；

基于所述目标特征向量对所述待处理图像分析处理。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

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。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (13)

1.一种数据处理方法，其特征在于，包括：

将获取到的待处理图像输入至卷积网络中，得到所述待处理图像的待处理特征；

将所述待处理特征输入至自回归序列生成模型中，得到与所述待处理图像相对应的目标特征；其中，所述自回归序列生成模型中包括批规范化层、自注意力子网络以及多层感知器层；

基于所述目标特征对所述待处理图像进行分析处理；

所述分析处理包括以下中的一项或多项：

场景分类；目标检测；实例分割；二维/三维姿态估计。

2.根据权利要求1所述的方法，其特征在于，所述将获取到的待处理图像输入至卷积网络中，得到所述待处理图像的待处理特征，包括：

将所述待处理图像依次输入至少一个卷积网络中；

所述至少一个卷积网络依据预先设置的降采样率对所述待处理图像进行处理，得到所述待处理特征。

3.根据权利要求1所述的方法，其特征在于，在所述将所述待处理特征输入至自回归序列生成模型中，得到与所述待处理图像相对应的目标特征之前，还包括：

将所述待处理特征输入至池化层进行卷积处理。

4.根据权利要求1所述的方法，其特征在于，所述自回归序列生成模型包括第一处理模块和第二处理模块，所述第一处理模块包括所述批规范化层和所述自注意力子网络，所述第二处理模块包括所述批规范化层和所述多层感知器层。

5.根据权利要求4所述的方法，其特征在于，所述将所述待处理特征输入至自回归序列生成模型中，得到与所述待处理图像相对应的目标特征，包括：

基于所述第一处理模块对所述待处理特征进行处理，得到第一处理特征；

对所述第一处理特征和所述待处理特征进行残差处理，得到中间特征；

基于所述第二处理模块对所述中间特征进行处理，得到第二处理特征；

对第二处理特征和所述中间特征进行残差处理，得到目标特征。

6.根据权利要求5所述的方法，其特征在于，所述基于所述第一处理模块对所述待处理特征进行处理，得到第一处理特征，包括：

基于所述批规范化层对所述待处理特征进行处理，得到待使用特征；

基于所述自注意力子网络对所述待处理特征进行处理，得到所述第一处理特征。

7.根据权利要求5所述的方法，其特征在于，所述基于所述第二处理模块对所述中间特征进行处理，得到第二处理特征，包括：

基于所述批规范化层对所述中间特征进行处理，得到待应用特征；

基于所述多层感知器层对所述待应用特征进行处理，得到所述第二处理特征。

8.根据权利要求7所述的方法，其特征在于，所述多层感知器层包括第一线性变换层、第二线性变换层、以及位于所述第一线性变换层和所述第二线性变换层之间的整流线性单元激活层。

9.根据权利要求8所述的方法，其特征在于，所述基于所述多层感知器层对所述待应用特征进行处理，得到第二处理特征，包括：

基于所述第一线性变换层对所述待应用特征进行卷积处理，得到第一特征；

基于所述整流线性单元激活层对所述第一特征进行处理，得到第二特征；

基于所述第二线性变换层对所述第二特征进行处理，得到所述第二处理特征。

10.根据权利要求1至7中任一项所述的方法，其特征在于，在将所述待处理特征输入至自回归序列生成模型中，得到与所述待处理图像相对应的目标特征之后，还包括：

将所述目标特征输入至批规范化层进行特征处理。

11.一种数据处理装置，其特征在于，包括：

待处理特征确定模块，用于将获取到的待处理图像输入至卷积网络中，得到所述待处理图像的待处理特征；

目标特征确定模块，用于将所述待处理特征输入至自回归序列生成模型中，得到与所述待处理图像相对应的目标特征；其中，所述自回归序列生成模型中包括批规范化层、自注意力子网络以及多层感知器层；

分析处理模块，用于基于所述目标特征对所述待处理图像进行分析处理；

所述分析处理包括以下中的一项或多项：

场景分类；目标检测；实例分割；二维/三维姿态估计。

12.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一所述的数据处理方法。

13.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-10中任一所述的数据处理方法。