WO2025200427A1 - 数据处理方法、装置及设备 - Google Patents
数据处理方法、装置及设备Info
- Publication number
- WO2025200427A1 WO2025200427A1 PCT/CN2024/128194 CN2024128194W WO2025200427A1 WO 2025200427 A1 WO2025200427 A1 WO 2025200427A1 CN 2024128194 W CN2024128194 W CN 2024128194W WO 2025200427 A1 WO2025200427 A1 WO 2025200427A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- blocks
- data
- image
- sample data
- image data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Definitions
- FIG2A is a flow chart of an embodiment of a data processing method of this specification.
- FIG2B is a schematic diagram of a processing process of a data processing method of this specification.
- FIG4 is a schematic diagram of the processing process of another data processing method of this specification.
- FIG5 is a schematic diagram of a process for determining the number of second blocks in this specification.
- FIG6 is a schematic structural diagram of a data processing device according to an embodiment of the present specification.
- FIG7 is a schematic structural diagram of a data processing device in this specification.
- the embodiments of this specification provide a data processing method, apparatus, and device.
- the data processing system may include terminal devices and servers, wherein the server may be an independent server or a server cluster composed of multiple servers, and the terminal device may be a device such as a personal computer or a mobile terminal device such as a mobile phone or a tablet computer.
- the server may be an independent server or a server cluster composed of multiple servers
- the terminal device may be a device such as a personal computer or a mobile terminal device such as a mobile phone or a tablet computer.
- the data processing system may include n terminal devices and m servers, where n and m are positive integers greater than or equal to 1.
- the server may be a background server of an application, and the terminal device may be a client device of the application.
- the application may be an application that can provide users with services such as resource transfer services, video viewing services, and instant messaging services.
- a central server (such as server 1) can be provided in the data processing system, and the central server can receive historical image data stored in the terminal device and/or the server to determine the image sample data based on the historical image data.
- the central server can determine the prediction accuracy score corresponding to the second number of blocks of the image sample data through a pre-trained classification model and sub-image data obtained by block processing of the image sample data by the second number of blocks. Then, based on the prediction accuracy score corresponding to the second number of blocks of the image sample data, the first number of blocks of the image sample data is selected from the multiple second numbers of blocks. Finally, the central server can select the first number of blocks of the image sample data based on the image sample data.
- the central server can send the model parameters of the trained block prediction model to other servers in the data processing system, and other servers can update the local block prediction model according to the received model parameters to obtain a trained block prediction model.
- the trained block prediction model is used to determine the target number of blocks corresponding to the image data, so as to determine the classification category corresponding to the image data based on the target number of blocks and the pre-trained classification model. This avoids business interruptions caused by the need to train the block prediction model and meets the user's business usage needs.
- the central server can also train the classification model and send the model parameters of the trained classification model to other servers in the data processing system. Other servers can then update the local classification model based on the received model parameters to obtain the trained classification model.
- the classification model can be trained by the central server, and the model parameters of the trained classification model can be sent to other servers in the data processing system, and the block prediction model can be trained locally by other servers in the data processing system to improve resource utilization.
- an embodiment of this specification provides a data processing method, wherein the execution subject of the method can be a server, wherein the server can be an independent server or a server cluster composed of multiple servers.
- the method can specifically include the following steps S202 to S208.
- image data corresponding to the target service triggered by the target user is obtained.
- image data corresponding to the target service triggered by the target user is obtained.
- the target number of blocks corresponding to the image data is determined by a pre-trained block prediction model.
- the number of blocks corresponding to the image data can be accurately predicted, and the first number of blocks corresponding to the image sample data used to train the block prediction model is based on the prediction accuracy score corresponding to the second number of blocks of the image sample data, and the number of blocks selected from the second number of blocks.
- the trained block prediction model can output the corresponding number of blocks for the image data, that is, when the task difficulty of the image data is low, the trained block prediction model can output a smaller number of block schemes.
- the trained block prediction model can output a larger number of block schemes. Therefore, while ensuring the overall performance of the classification model, the average number of image blocks required by the classification model in the category prediction process can be effectively reduced to reduce the computational overhead of the network and reduce the resource consumption of the classification model.
- the data processing device includes: a first acquisition module 601 , a first determination module 602 , a first blocking module 603 and a category determination module 604 .
- the first acquisition module 601 is used to acquire image data corresponding to the target service triggered by the target user;
- the category determination module 604 is configured to determine the classification category corresponding to the image data based on the plurality of target sub-image data using the pre-trained classification model.
- the device also includes: a second acquisition module, used to obtain first image sample data, and a first type corresponding to the first image sample data; a second blocking module, used to block the first image sample data based on a preset number of blocks to obtain multiple first sub-image data; a first judgment module, used to determine the prediction type corresponding to the first image sample data through the classification model based on the multiple first sub-image data, and determine whether the classification model converges based on the prediction type and the first type; a first training module, used to continue training the classification model based on the first image sample data and the first type corresponding to the first image sample data until the classification model converges to obtain a trained classification model when it is determined that the classification model has not converged.
- a second acquisition module used to obtain first image sample data, and a first type corresponding to the first image sample data
- a second blocking module used to block the first image sample data based on a preset number of blocks to obtain multiple first sub-image data
- a first judgment module used to determine the
- the first judgment module is used to: For each of the multiple first sub-image data corresponding to the preset number of blocks, the classification model is used to determine the prediction type corresponding to the first image sample data that is block-processed by the preset number of blocks; based on the prediction type corresponding to the first image sample data that is block-processed by the preset number of blocks, and the first type corresponding to the first image sample data, it is determined whether the classification model converges.
- the device also includes: a number selection module, which is used to select the first number of blocks of the picture sample data from multiple second numbers of blocks of the picture sample data based on the prediction accuracy score corresponding to the second number of blocks of the picture sample data and a preset accuracy threshold; a block determination module, which is used to determine the second number of blocks corresponding to the picture sample data through the block prediction model based on the picture sample data; a second training module, which is used to determine whether the block prediction model converges based on the first number of blocks and the second number of blocks, and if it is determined that the block prediction model has not converged, continue to train the block prediction model based on the picture sample data and the first number of blocks of the picture sample data until the block prediction model converges to obtain a trained block prediction model.
- a number selection module which is used to select the first number of blocks of the picture sample data from multiple second numbers of blocks of the picture sample data based on the prediction accuracy score corresponding to the second number of blocks of the picture sample data and a preset accuracy threshold
- the picture sample data is picture data corresponding to the target service, and the data volume of the picture sample data is smaller than the data volume of the first picture sample data.
- the device further includes: a risk judgment module, which is used to determine whether there is a risk when the target user triggers the execution of the target business based on the classification category corresponding to the image data.
- a risk judgment module which is used to determine whether there is a risk when the target user triggers the execution of the target business based on the classification category corresponding to the image data.
- the first number of blocks of the image sample data is a prediction accuracy score corresponding to the second number of blocks of the image sample data, and the number of blocks selected from multiple second numbers of blocks, and the prediction accuracy score corresponding to the second number of blocks of the image sample data is based on
- the second block number is used to block the image sample data to obtain sub-image data
- the pre-trained classification model is used to determine the classification model.
- the classification model is an image classification model constructed based on a preset deep learning algorithm.
- the image data is block-processed based on the target block number to obtain multiple target sub-image data. Based on the multiple target sub-image data, the classification category corresponding to the image data is determined through the pre-trained classification model.
- the number of blocks corresponding to the image data can be accurately predicted, and the first block number corresponding to the image sample data used to train the block prediction model is based on the prediction accuracy corresponding to the second block number of the image sample data.
- the accuracy score is the number of blocks selected from the second number of blocks.
- the trained block prediction model can output the corresponding number of blocks for the image data, that is, when the task difficulty of the image data is low, the trained block prediction model can output a smaller number of block schemes.
- the trained block prediction model can output a larger number of block schemes. Therefore, while ensuring the overall performance of the classification model, the average number of image blocks required by the classification model in the category prediction process can be effectively reduced to reduce the computational overhead of the network and reduce the resource consumption of the classification model.
- the embodiment of this specification also provides a data processing device, as shown in FIG7 .
- the data processing device may vary significantly due to different configurations or performance, and may include one or more processors 701 and memory 702.
- the memory 702 may store one or more applications or data.
- the memory 702 may be a temporary storage or a persistent storage.
- the application stored in the memory 702 may include one or more modules (not shown), each of which may include a series of computer-executable instructions for the data processing device.
- the processor 701 may be configured to communicate with the memory 702 to execute the series of computer-executable instructions in the memory 702 on the data processing device.
- the data processing device may also include one or more power supplies 703, one or more wired or wireless network interfaces 704, one or more input/output interfaces 705, and one or more keyboards 706.
- the data processing device includes a memory and one or more programs, wherein the one or more programs are stored in the memory, and the one or more programs may include one or more modules, and each module may include a series of computer-executable instructions for the data processing device, and the one or more programs are configured to be executed by one or more processors, including computer-executable instructions for performing the following:
- determining a target number of blocks corresponding to the image data through a pre-trained block prediction model the pre-trained block prediction model being obtained by training a prediction model constructed by a preset machine learning algorithm based on image sample data and a first number of blocks of the image sample data, the first number of blocks of the image sample data being a prediction accuracy score corresponding to a second number of blocks of the image sample data, the number of blocks being selected from a plurality of second numbers of blocks, the prediction accuracy score corresponding to the second number of blocks of the image sample data being determined based on sub-image data obtained by block processing the image sample data according to the second number of blocks, and a pre-trained classification model, the classification model being an image classification model constructed based on a preset deep learning algorithm;
- the classification category corresponding to the image data is determined through the pre-trained classification model.
- the sub-image data obtained by block processing and the pre-trained classification model are determined.
- the classification model is an image classification model constructed based on a preset deep learning algorithm.
- the image data is processed in blocks based on the target number of blocks to obtain multiple target sub-image data.
- the classification category corresponding to the image data is determined through the pre-trained classification model.
- the prediction model can output the corresponding number of blocks for the image data, that is, when the task difficulty of the image data is low, the trained block prediction model can output a smaller number of block schemes. When the task difficulty of the image data is high, the trained block prediction model can output a larger number of block schemes. Therefore, while ensuring the overall performance of the classification model, the average number of image blocks required by the classification model in the category prediction process can be effectively reduced, so as to reduce the computational overhead of the network and reduce the resource consumption of the classification model.
- a programmable logic device such as a field programmable gate array (FPGA) is an integrated circuit whose logical function is determined by user programming of the device.
- the controller can be implemented in any appropriate manner.
- the controller can take the form of a microprocessor or processor and a computer-readable medium storing computer-readable program code (such as software or firmware) that can be executed by the (micro)processor, logic gates, switches, application-specific integrated circuits (ASICs), programmable logic controllers, and embedded microcontrollers.
- Examples of controllers include, but are not limited to, the following microcontrollers: ARC 625D, Atmel AT91SAM, Microchip PIC18F26K20, and Silicone Labs C8051F320.
- the memory controller can also be implemented as part of the control logic of the memory.
- one or more embodiments of this specification may be provided as methods, systems, or computer program products. Therefore, one or more embodiments of this specification may take the form of a complete hardware embodiment, a complete software embodiment, or an embodiment combining software and hardware. Furthermore, one or more embodiments of this specification may take the form of a computer program product implemented on one or more computer-usable storage media (including but not limited to magnetic disk storage, CD-ROM, optical storage, etc.) containing computer-usable program code.
- computer-usable storage media including but not limited to magnetic disk storage, CD-ROM, optical storage, etc.
- These computer program instructions can also be loaded onto a computer or other programmable data processing device so that a series of operating steps are executed on the computer or other programmable device to produce a computer-implemented process, so that the instructions executed on the computer or other programmable device provide steps for implementing the functions specified in one or more processes in the flowchart and/or one or more boxes in the block diagram.
- a computing device includes one or more processors (CPUs), input/output interfaces, network interfaces, and memory.
- processors CPUs
- input/output interfaces network interfaces
- memory volatile and non-volatile memory
- One or more embodiments of this specification may be described in the general context of computer-executable instructions executed by a computer, such as program modules.
- program modules include routines, programs, objects, components, data structures, and the like that perform specific tasks or implement specific abstract data types.
- One or more embodiments of this specification may also be practiced in distributed computing environments where tasks are performed by remote processing devices connected via a communications network.
- program modules may be located in local and remote computer storage media, including storage devices.
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例提供了一种数据处理方法、装置及设备，其中，方法包括：基于与目标用户触发执行目标业务对应的图片数据，通过预先训练的分块预测模型，确定与所述图片数据对应的目标分块数目，所述预先训练的分块预测模型为基于图片样本数据和所述图片样本数据的第一分块数目，对由预设机器学习算法构建的预测模型进行训练得到，所述图片样本数据的第一分块数目为基于所述图片样本数据的第二分块数目对应的预测准确性分值，从多个所述第二分块数目中选取的分块数目；基于所述目标分块数目对图片数据进行分块处理，得到多个目标子图片数据；基于所述多个目标子图片数据，通过所述预先训练的分类模型，确定所述图片数据对应的分类类别。
Description
本文件涉及数据处理技术领域，尤其涉及一种数据处理方法、装置及设备。
随着互联网行业的迅速发展，网络运营商为用户提供的业务服务的种类和数量越来越多，而如何对用户在使用业务服务时的图片数据进行分类，以根据图片数据对应的分类类别，更好的为用户提供业务服务(如快速准确的基于图片数据对应的分类类别进行身份认证，以保护用户的隐私数据不被泄露等)，成为网络运营商关注的焦点。
可以将图片数据切分为多个子图片数据，在将子图片数据输入分类模型，确定图片数据对应的分类类别，其中，图片分块切分的数目越多，分类模型的分类效果越好，同样的，随着图片分块切分数目的增加，分类模型的资源消耗也越大，因此，需要一种能够在保证分类模型的模型性能的情况下，降低分类模型的资源消耗的解决方案。
发明内容
本说明书实施例的目的是提供一种能够在保证分类模型的模型性能的情况下，降低分类模型的资源消耗的解决方案。
为了实现上述技术方案，本说明书实施例是这样实现的。
第一方面，本说明书实施例提供的一种数据处理方法，包括：获取与目标用户触发执行目标业务对应的图片数据；基于所述图片数据，通过预先训练的分块预测模型，确定与所述图片数据对应的目标分块数目，所述预先训练的分块预测模型为基于图片样本数据和所述图片样本数据的第一分块数目，对由预设机器学习算法构建的预测模型进行训练得到，所述图片样本数据的第一分块数目为基于所述图片样本数据的第二分块数目对应的预测准确性分值，从多个所述第二分块数目中选取的分块数目，所述图片样本数据的第二分块数目对应的预测准确性分值，为基于由所述第二分块数目对所述图片样本数据进行分块处理得到的子图片数据，以及预先训练的分类模型确定，所述分类模型为基于预设深度学习算法构建的图片分类模型；基于所述目标分块数目对图片数据进行分块处理，得到多个目标子图片数据；基于所述多个目标子图片数据，通过所述预先训练的分类模型，确定所述图片数据对应的分类类别。
第二方面，本说明书实施例提供了一种数据处理装置，所述装置包括：第一获取模块，用于获取与目标用户触发执行目标业务对应的图片数据；第一确定模块，用于基于所述图片数据，通过预先训练的分块预测模型，确定与所述图片数据对应的目标分块数目，所述预先训练的分块预测模型为基于图片样本数据和所述图片样本数据的第一分块数目，对由预设机器学习算法构建的预测模型进行训练得到，所述图片样本数据的第一分块数目为基于所述图片样本数据的第二分块数目对应的预测准确性分值，从多个所述第二分块数目中选取的分块数目，所述图片样本数据的第二分块数目对应的预测准确性分值，为基于由所述第二分块数目对所述图片样本数据进行分块处理得到的子图片数据，
以及预先训练的分类模型确定，所述分类模型为基于预设深度学习算法构建的图片分类模型；第一分块模块，用于基于所述目标分块数目对图片数据进行分块处理，得到多个目标子图片数据；类别确定模块，用于基于所述多个目标子图片数据，通过所述预先训练的分类模型，确定所述图片数据对应的分类类别。
第三方面，本说明书实施例提供了一种数据处理设备，所述数据处理设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取与目标用户触发执行目标业务对应的图片数据；基于所述图片数据，通过预先训练的分块预测模型，确定与所述图片数据对应的目标分块数目，所述预先训练的分块预测模型为基于图片样本数据和所述图片样本数据的第一分块数目，对由预设机器学习算法构建的预测模型进行训练得到，所述图片样本数据的第一分块数目为基于所述图片样本数据的第二分块数目对应的预测准确性分值，从多个所述第二分块数目中选取的分块数目，所述图片样本数据的第二分块数目对应的预测准确性分值，为基于由所述第二分块数目对所述图片样本数据进行分块处理得到的子图片数据，以及预先训练的分类模型确定，所述分类模型为基于预设深度学习算法构建的图片分类模型；基于所述目标分块数目对图片数据进行分块处理，得到多个目标子图片数据；基于所述多个目标子图片数据，通过所述预先训练的分类模型，确定所述图片数据对应的分类类别。
第四方面，本说明书实施例提供一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：获取与目标用户触发执行目标业务对应的图片数据；基于所述图片数据，通过预先训练的分块预测模型，确定与所述图片数据对应的目标分块数目，所述预先训练的分块预测模型为基于图片样本数据和所述图片样本数据的第一分块数目，对由预设机器学习算法构建的预测模型进行训练得到，所述图片样本数据的第一分块数目为基于所述图片样本数据的第二分块数目对应的预测准确性分值，从多个所述第二分块数目中选取的分块数目，所述图片样本数据的第二分块数目对应的预测准确性分值，为基于由所述第二分块数目对所述图片样本数据进行分块处理得到的子图片数据，以及预先训练的分类模型确定，所述分类模型为基于预设深度学习算法构建的图片分类模型；基于所述目标分块数目对图片数据进行分块处理，得到多个目标子图片数据；基于所述多个目标子图片数据，通过所述预先训练的分类模型，确定所述图片数据对应的分类类别。
为了更清楚地说明本说明书实施例或相关技术中的技术方案，下面将对实施例或相关技术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说明书中记载的一些实施例，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为本说明书一种数据处理系统的示意图；
图2A为本说明书一种数据处理方法实施例的流程图；
图2B为本说明书一种数据处理方法的处理过程示意图；
图3为本说明书一种图片数据的示意图；
图4为本说明书又一种数据处理方法的处理过程示意图；
图5为本说明书一种第二分块数目的确定过程的示意图；
图6为本说明书一种数据处理装置实施例的结构示意图；
图7为本说明书一种数据处理设备的结构示意图。
本说明书实施例提供一种数据处理方法、装置及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
本说明书的技术方案，可以应用于数据处理系统中，如图1所示，该数据处理系统中可以有终端设备和服务器，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，终端设备可以如个人计算机等设备，也可以如手机、平板电脑等移动终端设备。
其中，数据处理系统中可以包括n个终端设备和m个服务器，n和m为大于等于1的正整数，服务器可以为某应用程序的后台服务器，终端设备可以为该应用程序的客户端设备，其中，应用程序可以为能够为用户提供资源转移业务、视频观看业务、即时通讯业务等业务的服务的应用程序。
终端设备可以采集用户触发执行某业务对应的图片数据，并将采集到的图片数据发送给服务器。这样，服务器就可以获取与用户触发执行该业务对应的图片数据，并基于图片数据，通过预先训练的分块预测模型，确定与该图片数据对应的目标分块数目。然后，服务器可以基于目标分块数目对图片数据进行分块处理，得到多个目标子图片数据，最后，服务器可以基于多个目标子图片数据，通过预先训练的分类模型，确定图片数据对应的分类类别。
此外，服务器还可以存储终端设备采集到的图片数据，以在到达模型训练周期的情况下，通过存储的图片数据，对分块预测模型和/或分类模型进行训练，得到训练后的模型。
另外，数据处理系统中还可以设置有中心服务器(如服务器1)，中心服务器可以接收终端设备和/或服务器存储的历史图片数据，以基于历史图片数据确定图片样本数据。中心服务器就可以通过预先训练的分类模型，以及基于由第二分块数目对图片样本数据进行分块处理得到的子图片数据，确定图片样本数据的第二分块数目对应的预测准确性分值。进而基于图片样本数据的第二分块数目对应的预测准确性分值，从多个第二分块数目中选取的图片样本数据的第一分块数目。最后，中心服务器可以基于图片样本数据
和图片样本数据的第一分块数目，对由预设机器学习算法构建的分块预测模型进行训练，得到训练后的分块预测模型。这样，中心服务器就可以将训练后的分块预测模型的模型参数发送给数据处理系统中的其他服务器，其他服务器就可以根据接收到的模型参数对本地的分块预测模型进行更新，得到训练后的分块预测模型，进而通过训练后的分块预测模型确定与图片数据对应的目标分块数目，以基于目标分块数目以及预先训练的分类模型，确定图片数据对应的分类类别。避免由于需要对分块预测模型进行训练，导致业务中断等情况的发生，满足用户的业务使用需求。
其中，中心服务器还可以对分类模型进行训练，并将训练后的分类模型的模型参数发送给数据处理系统中的其他服务器，其他服务器就可以根据接收到的模型参数对本地的分类模型进行更新，得到训练后的分类模型。
此外，由于分类模型的模型量级可能大于分块预测模型的模型量级，因此，可以由中心服务器对分类模型进行训练，并将训练后的分类模型的模型参数发送给数据处理系统中的其他服务器，由数据处理系统中的其他服务器在本地对分块预测模型进行训练，以提高资源利用率。
基于上述数据处理系统结构可以实现下述实施例中的数据处理方法。
实施例一
如图2A和图2B所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以为服务器，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤S202至步骤S208。
在S202中，获取与目标用户触发执行目标业务对应的图片数据。
其中，目标业务可以是任意可能涉及用户隐私数据泄露等数据风险问题的业务，例如，目标业务可以是资源转移业务、身份验证业务、账号注册业务、资源核算业务等，图片数据可以是能够表明与目标用户触发执行目标业务相关的图片类型的数据，例如，图片数据可以包括用于表明目标用户的用户身份的图片类型的数据、用于表明目标业务的处理过程或处理结果的图片类型的数据等，具体如，以目标业务为资源转移业务为例，图片数据可以包括目标用户的身份验证图片(即目标用户输入的能够进行身份证明的图片，或者，还可以是基于目标用户输入的包含目标用户的生物特征信息的视频数据确定的图片等)数据、与目标用户触发执行资源转移业务对应的资源转移页面(即包含资源转移数量、资源转移方式以及资源转移对应等信息的页面)数据等，以目标业务为账号注册业务为例，图片数据可以包括目标用户的身份验证图片数据、与目标用户触发执行账号注册业务对应的账号注册页面(即包含注册账号、注册用户名、注册密码、验证方式等信息的页面)数据等。
在实施中，随着互联网行业的迅速发展，网络运营商为用户提供的业务服务的种类和数量越来越多，而如何对用户在使用业务服务时的图片数据进行分类，以根据图片数据对应的分类类别，更好的为用户提供业务服务(如快速准确的基于图片数据对应的分类类别进行身份认证，以保护用户的隐私数据不被泄露等)，成为网络运营商关注的焦点。可以将图片数据切分为多个子图片数据，在将子图片数据输入分类模型，确定图片
数据对应的分类类别，其中，图片分块切分的数目越多，分类模型的分类效果越好，同样的，随着图片分块切分数目的增加，分类模型的资源消耗也越大，因此，需要一种能够在保证分类模型的模型性能的情况下，降低分类模型的资源消耗的解决方案。为此，本说明书实施例提供一种可以解决上述问题的技术方案，具体可以参见下述内容。
以目标业务为资源转移业务为例，目标用户可以通过终端设备中安装的资源转移应用程序，触发启动资源转移业务，即终端设备在检测到目标用户通过某资源转移应用程序触发启动资源转移业务的情况下，终端设备可以采集该目标用户的身份验证图片数据(如目标用户在登录资源转移应用程序时的用户登录页面、目标用户输入的能够用于进行身份验证的证件类图片数据等)，以及如图3所示的，与目标用户触发执行资源转移业务对应的资源转移页面。
终端设备可以将采集到的上述图片数据确定为与目标用户触发执行目标业务对应的图片数据，并将该图片数据发送给服务器，即服务器可以接收与目标用户触发执行目标业务对应的图片数据。
此外，上述图片数据的获取方法是一种可选地、可实现的确定方法，在实际应用场景中，还可以有多种不同的获取方法，可以根据实际应用场景的不同而有所不同，本说明书实施例对此不做具体限定。
在S204中，基于图片数据，通过预先训练的分块预测模型，确定与图片数据对应的目标分块数目。
其中，预先训练的分块预测模型可以为基于图片样本数据和图片样本数据的第一分块数目，对由预设机器学习算法构建的预测模型进行训练得到，图片样本数据的第一分块数目可以为基于图片样本数据的第二分块数目对应的预测准确性分值，从多个第二分块数目中选取的分块数目，图片样本数据的第二分块数目对应的预测准确性分值，可以为基于由第二分块数目对图片样本数据进行分块处理得到的子图片数据，以及预先训练的分类模型确定，分类模型可以为基于预设深度学习算法构建的图片分类模型，第二分块数目可以是任意分块数目，例如，可以为将图片数据基于2*2的比例进行分块，即第二分块数目可以为4，或者，可以为将图片数据基于3*3的比例进行分块，即第二分块数目可以为9等。
在实施中，服务器可以获取预先训练的图片分类模型，其中，预先训练的图片分类模型可以是服务器在本地基于历史图片数据对图片分类模型进行训练得到，或者，预先训练的图片分类模型还可以是数据处理系统中的中心服务器基于历史图片数据对图片分类模型进行训练得到，即服务器可以在本地训练该图片分类模型，或者，服务器还可以接收中心服务器发送的训练后的图片分类模型的模型参数等。
然后，服务器可以从历史图片数据选取预定数量的图片数据作为图片样本数据，并基于由第二分块数目对图片样本数据进行分块处理得到的子图片数据，以及预先训练的分类模型确定图片样本数据的每个第二分块数目对应的预测准确性分值。
服务器可以基于图片样本数据的第二分块数目对应的预测准确性分值，从多个第二分块数目中选取的分块数目作为图片样本数据的第一分块数目。进而基于图片样本数据
和图片样本数据的第一分块数目，对分块预测模型进行训练，以得到训练后的分块预测模型。
此外，为节约服务器的数据处理资源，避免服务器由于需要训练模型导致业务中断等情况发生，可以由数据处理系统中的中心服务器基于上述过程对分块预测模型进行训练，并将训练后的分块预测模型的模型参数发送给其他服务器。即服务器可以基于中心服务器发送的训练后的分块预测模型的模型参数，对本地的分块预测模型的模型参数进行更新，得到训练后的分块预测模型。
服务器可以将图片数据输入预先训练的分块预测模型，得到与图片数据对应的目标分块数目。
在S206中，基于目标分块数目对图片数据进行分块处理，得到多个目标子图片数据。
在实施中，以图片数据为如图3所示的资源转移页面为例，服务器可以基于目标分块数目，对该图片数据进行平均分块处理，得到多个目标子图片数据，例如，在目标分块数目为4的情况下，服务器可以基于2*2的比例将该图片数据划分为4个尺寸相同的目标子图片数据。
上述分块处理的方法是一种可选地、可实现的处理方法，在实际应用场景中，还可以有多种不同的处理方法，可以根据实际应用场景的不同，选取不同的处理方法，本说明书实施例对此不做具体限定。
在S208中，基于多个目标子图片数据，通过预先训练的分类模型，确定图片数据对应的分类类别。
其中，图片数据对应的分类类别可以基于目标业务对应的检测需求确定，例如，以目标业务为资源转移业务为例，资源转移业务对应的检测需求可以是风险检测需求，相对应的，图片数据对应的分类类别即可以包括高风险类、中风险类、低风险类等，或者，以目标业务为账号注册业务为例，账号注册业务对应的检测需求可以是信息分类检测需求，相对应的，图片数据对应的分类类别即可以包括证件类、面部信息类、虹膜信息类、指纹信息类等。
在实施中，服务器可以将多个目标子图片数据输入预先训练的分类模型，得到图片数据对应的分类类别，服务器可以基于图片数据对应的分类类别，确定是否执行目标业务，或基于图片数据对应的分类类别，执行目标业务。
例如，以目标业务为资源转移业务为例，服务器可以根据图片数据对应的分类类别(即高风险类、中风险类、低风险类等)，确定是否执行目标业务，即，若基于图片数据对应的分类类别确定图片数据存在风险，那么，服务器可以暂停执行目标业务。
或者，以目标业务为账号注册业务为例，服务器可以根据图片数据对应的分类类别，确定对应的业务处理策略，即证件类、面部信息类、虹膜信息类、指纹信息类等分类类别对应的业务处理策略不同，服务器可以根据确定的业务处理逻辑以及图片数据，执行目标业务。
本说明书实施例提供一种数据处理方法，通过获获取与目标用户触发执行目标业务对应的图片数据，基于图片数据，通过预先训练的分块预测模型，确定与图片数据对应的目标分块数目，预先训练的分块预测模型为基于图片样本数据和图片样本数据的第一分块数目，对由预设机器学习算法构建的预测模型进行训练得到，图片样本数据的第一分块数目为基于图片样本数据的第二分块数目对应的预测准确性分值，从多个第二分块数目中选取的分块数目，图片样本数据的第二分块数目对应的预测准确性分值，为基于由第二分块数目对图片样本数据进行分块处理得到的子图片数据，以及预先训练的分类模型确定，分类模型为基于预设深度学习算法构建的图片分类模型，基于目标分块数目对图片数据进行分块处理，得到多个目标子图片数据，基于多个目标子图片数据，通过预先训练的分类模型，确定图片数据对应的分类类别，通过引入预先训练的分块预测模型，可以对图片数据所对应的分块数目进行准确的预测，且用于训练该分块预测模型的图片样本数据对应的第一分块数目，是基于图片样本数据的第二分块数目对应的预测准确性分值，从第二分块数目中选取的分块数目，这样，可以使得训练得到的分块预测模型能够针对图片数据输出对应的分块数目，即在图片数据的任务难度较低的情况下，训练后的分块预测模型可以输出数目较少的分块方案，在图片数据的任务难度较高的情况下，训练后的分块预测模型可以输出数目较多的分块方案，从而在保障分类模型整体性能的情况下，可以有效地减少分类模型在类别预测过程中需要的图像分块数目的平均值，以降低网络的计算开销，降低分类模型的资源消耗。
实施例二
如图4所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以是服务器，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤S202至步骤S424。
在S202中，获取与目标用户触发执行目标业务对应的图片数据。
在S402中，获取第一图片样本数据，以及第一图片样本数据对应的第一类型。
在S404中，基于预设分块数目，对第一图片样本数据进行分块处理，得到多个第一子图片数据。
在S406中，基于多个第一子图片数据，通过分类模型，确定第一图片样本数据对应的预测类型，并基于预测类型和第一类型，确定分类模型是否收敛。
其中，分类模型可以为用于计算机视觉识别任务的神经网络模型，例如，分类模型可以是基于Vision Transformer算法构建的VIT模型、基于Swin Transformer算法构建的SwinT模型等。
在实施中，以分类模型为VIT模型为例，在VIT模型中，输入图片会被切分为若干的分块作为输入送到VIT模型的网络中，图像分块切分的数目越多，分类模型的效果也会越好，但是，由于Vision Transformer网络的时间和计算资源消耗，会随着输入分块数目的增加，而呈平方的增长，所以，更多的图像分块数目，在带来更好表现的同时，也会带来更大的资源消耗。
此外，为保障分类模型的泛化性，可以在对分类模型进行训练时，输入基于不同分块数目进行分块处理的图片数据，即预设分块数目可以有多个，上述S422的处理方式可以参见下述步骤一～步骤二处理。
步骤一，基于与每个预设分块数目对应的多个第一子图片数据，通过分类模型，确定通过预设分块数目进行分块处理的第一图片样本数据对应的预测类型。
步骤二，基于通过预设分块数目进行分块处理的第一图片样本数据对应的预测类型，以及第一图片样本数据对应的第一类型，确定分类模型是否收敛。
在S408中，在确定分类模型未收敛的情况下，基于第一图片样本数据，以及第一图片样本数据对应的第一类型，继续对分类模型进行训练，直到分类模型收敛，得到训练后的分类模型。
在S410中，获取图片样本数据，以及图片样本数据对应的第二类型。
其中，图片样本数据可以为与目标业务对应的图片数据，图片样本数据的数据量可以小于第一图片样本数据的数据量。
在实施中，为提高分类模型和分块预测模型的准确性，以及模型训练的效率，服务器可以从历史图片数据中，选取与目标业务对应的图片数据作为用于训练分块预测模型的图片样本数据，同时，服务器还可以将历史图片数据确定为用于训练分类预测模型的第一图片样本数据，即图片样本数据的数据量可以小于第一图片样本数据的数据量。
在S412中，基于多个第二分块数目，分别对图片样本数据进行分块处理，得到与每个第二分块数目对应的多个子图片数据。
在S414中，基于与每个第二分块数目对应的多个子图片数据，通过预先训练的分类模型，确定每个第二分块数目对应的预测类型。
在S416中，基于第二分块数目对应的预测类型和图片样本数据对应的第二类型，确定图片样本数据的每个第二分块数目对应的预测准确性分值。
在S418中，基于图片样本数据的第二分块数目对应的预测准确性分值以及预设准确性阈值，从图片样本数据的多个第二分块数目中选取图片样本数据的第一分块数目。
在实施中，如图5所示，假设第二分块数目包括第二分块数目1(即2*2)、第二分块数目2(即3*3)、以及第二分块数目2(即4*4)，可以基于这三个第二分块数目分别对图片样本数据进行分块处理，得到与每个第二分块数目对应的多个子图片数据。
然后，服务器可以将与每个第二分块数目对应的多个子图片数据，输入预先训练的分类模型，得到每个第二分块数目对应的预测类型，并基于图片样本数据对应的第二类型，确定图片样本数据的每个第二分块数目对应的预测准确性分值。
这样，服务器就可以通过预设准确性阈值以及确定的预测准确性分值，从图片样本数据的多个第二分块数目中选取图片样本数据的第一分块数目，例如，假设预设准确性阈值为0.8，那么，可以将第二分块数目3确定为第一分块数目，即该图片样本数据的第一分块数目可以为4*4。
其中，预设准确性阈值可以是基于目标业务的业务处理需求确定的，例如，在目标业务的业务处理准确性需求较高，而业务处理效率需求较低的情况下，预设准确性阈值可以为阈值1，在目标业务的业务处理准确性需求较低，而业务处理效率需求较高的情况下，预设准确性阈值可以为阈值2，阈值1大于阈值2。
在S420中，基于图片样本数据，通过分块预测模型，确定与图片样本数据对应的第二分块数目。
其中，为减少资源消耗，可以选择轻量级的网络结构构建分块预测模型，即分块预测模型的模型量级可以小于预设量级阈值，例如，可以基于efficient-net构建分块预测模型。
在S422中，基于第一分块数目和第二分块数目，确定分块预测模型是否收敛，在确定分块预测模型未收敛的情况下，基于图片样本数据，以及图片样本数据的第一分块数目，继续对分块预测模型进行训练，直到分块预测模型收敛，得到训练后的分块预测模型。
在S204中，基于图片数据，通过预先训练的分块预测模型，确定与图片数据对应的目标分块数目。
在S206中，基于目标分块数目对图片数据进行分块处理，得到多个目标子图片数据。
在S208中，基于多个目标子图片数据，通过预先训练的分类模型，确定图片数据对应的分类类别。
在S424中，基于图片数据对应的分类类别，确定目标用户触发执行目标业务是否存在风险。
在实施中，服务器可以根据目标业务对应的风险检测需求的等级，以及图片数据对应的分类类别，确定目标用户触发执行目标业务是否存在风险，例如，以目标业务为资源转移业务为例，资源转移业务对应的风险检测需求的等级较高，若图片数据对应的分类类别为高风险或中风险，那么，可以确定目标用户触发执行目标业务存在风险。
服务器在确定目标用户触发执行目标业务存在风险的情况下，服务器可以向目标用户输出预设告警信息，并停止执行目标业务。
本说明书实施例提供一种数据处理方法，通过获获取与目标用户触发执行目标业务对应的图片数据，基于图片数据，通过预先训练的分块预测模型，确定与图片数据对应的目标分块数目，预先训练的分块预测模型为基于图片样本数据和图片样本数据的第一分块数目，对由预设机器学习算法构建的预测模型进行训练得到，图片样本数据的第一分块数目为基于图片样本数据的第二分块数目对应的预测准确性分值，从多个第二分块数目中选取的分块数目，图片样本数据的第二分块数目对应的预测准确性分值，为基于由第二分块数目对图片样本数据进行分块处理得到的子图片数据，以及预先训练的分类模型确定，分类模型为基于预设深度学习算法构建的图片分类模型，基于目标分块数目对图片数据进行分块处理，得到多个目标子图片数据，基于多个目标子图片数据，通过
预先训练的分类模型，确定图片数据对应的分类类别，通过引入预先训练的分块预测模型，可以对图片数据所对应的分块数目进行准确的预测，且用于训练该分块预测模型的图片样本数据对应的第一分块数目，是基于图片样本数据的第二分块数目对应的预测准确性分值，从第二分块数目中选取的分块数目，这样，可以使得训练得到的分块预测模型能够针对图片数据输出对应的分块数目，即在图片数据的任务难度较低的情况下，训练后的分块预测模型可以输出数目较少的分块方案，在图片数据的任务难度较高的情况下，训练后的分块预测模型可以输出数目较多的分块方案，从而在保障分类模型整体性能的情况下，可以有效地减少分类模型在类别预测过程中需要的图像分块数目的平均值，以降低网络的计算开销，降低分类模型的资源消耗。
实施例三
以上为本说明书实施例提供的数据处理方法，基于同样的思路，本说明书实施例还提供一种数据处理装置，如图6所示。
该数据处理装置包括：第一获取模块601、第一确定模块602、第一分块模块603和类别确定模块604。
第一获取模块601，用于获取与目标用户触发执行目标业务对应的图片数据；
第一确定模块602，用于基于所述图片数据，通过预先训练的分块预测模型，确定与所述图片数据对应的目标分块数目，所述预先训练的分块预测模型为基于图片样本数据和所述图片样本数据的第一分块数目，对由预设机器学习算法构建的预测模型进行训练得到，所述图片样本数据的第一分块数目为基于所述图片样本数据的第二分块数目对应的预测准确性分值，从多个所述第二分块数目中选取的分块数目，所述图片样本数据的第二分块数目对应的预测准确性分值，为基于由所述第二分块数目对所述图片样本数据进行分块处理得到的子图片数据，以及预先训练的分类模型确定，所述分类模型为基于预设深度学习算法构建的图片分类模型；
第一分块模块603，用于基于所述目标分块数目对图片数据进行分块处理，得到多个目标子图片数据；
类别确定模块604，用于基于所述多个目标子图片数据，通过所述预先训练的分类模型，确定所述图片数据对应的分类类别。
本说明书实施例中，所述装置还包括：第二获取模块，用于获取第一图片样本数据，以及所述第一图片样本数据对应的第一类型；第二分块模块，用于基于预设分块数目，对所述第一图片样本数据进行分块处理，得到多个第一子图片数据；第一判断模块，用于基于所述多个第一子图片数据，通过所述分类模型，确定所述第一图片样本数据对应的预测类型，并基于所述预测类型和所述第一类型，确定所述分类模型是否收敛；第一训练模块，用于在确定所述分类模型未收敛的情况下，基于所述第一图片样本数据，以及所述第一图片样本数据对应的第一类型，继续对所述分类模型进行训练，直到所述分类模型收敛，得到训练后的分类模型。
本说明书实施例中，所述预设分块数目有多个，所述第一判断模块，用于：基于与
每个所述预设分块数目对应的多个第一子图片数据，通过所述分类模型，确定通过所述预设分块数目进行分块处理的第一图片样本数据对应的预测类型；基于所述通过所述预设分块数目进行分块处理的第一图片样本数据对应的预测类型，以及所述第一图片样本数据对应的第一类型，确定所述分类模型是否收敛。
本说明书实施例中，所述装置还包括：第三获取模块，用于获取所述图片样本数据，以及所述图片样本数据对应的第二类型；第三分块模块，用于基于多个所述第二分块数目，分别对所述图片样本数据进行分块处理，得到与每个所述第二分块数目对应的多个子图片数据；类型确定模块，用于基于所述与每个所述第二分块数目对应的多个子图片数据，通过所述预先训练的分类模型，确定每个所述第二分块数目对应的预测类型；分值确定模块，用于基于所述第二分块数目对应的预测类型和所述图片样本数据对应的第二类型，确定所述图片样本数据的每个第二分块数目对应的预测准确性分值。
本说明书实施例中，所述装置还包括：数目选取模块，用于基于所述图片样本数据的第二分块数目对应的预测准确性分值以及预设准确性阈值，从所述图片样本数据的多个第二分块数目中选取所述图片样本数据的第一分块数目；分块确定模块，用于基于所述图片样本数据，通过所述分块预测模型，确定与所述图片样本数据对应的第二分块数目；第二训练模块，用于基于所述第一分块数目和所述第二分块数目，确定所述分块预测模型是否收敛，在确定所述分块预测模型未收敛的情况下，基于所述图片样本数据，以及图片样本数据的第一分块数目，继续对所述分块预测模型进行训练，直到所述分块预测模型收敛，得到训练后的分块预测模型。
本说明书实施例中，所述分块预测模型的模型量级小于预设量级阈值，所述分类模型为用于计算机视觉识别任务的神经网络模型。
本说明书实施例中，所述图片样本数据为与所述目标业务对应的图片数据，所述图片样本数据的数据量小于所述第一图片样本数据的数据量。
本说明书实施例中，所述装置还包括：风险判断模块，用于基于所述图片数据对应的分类类别，确定所述目标用户触发执行所述目标业务是否存在风险。
本说明书实施例提供一种数据处理装置，通过获获取与目标用户触发执行目标业务对应的图片数据，基于图片数据，通过预先训练的分块预测模型，确定与图片数据对应的目标分块数目，预先训练的分块预测模型为基于图片样本数据和图片样本数据的第一分块数目，对由预设机器学习算法构建的预测模型进行训练得到，图片样本数据的第一分块数目为基于图片样本数据的第二分块数目对应的预测准确性分值，从多个第二分块数目中选取的分块数目，图片样本数据的第二分块数目对应的预测准确性分值，为基于由第二分块数目对图片样本数据进行分块处理得到的子图片数据，以及预先训练的分类模型确定，分类模型为基于预设深度学习算法构建的图片分类模型，基于目标分块数目对图片数据进行分块处理，得到多个目标子图片数据，基于多个目标子图片数据，通过预先训练的分类模型，确定图片数据对应的分类类别，通过引入预先训练的分块预测模型，可以对图片数据所对应的分块数目进行准确的预测，且用于训练该分块预测模型的图片样本数据对应的第一分块数目，是基于图片样本数据的第二分块数目对应的预测准
确性分值，从第二分块数目中选取的分块数目，这样，可以使得训练得到的分块预测模型能够针对图片数据输出对应的分块数目，即在图片数据的任务难度较低的情况下，训练后的分块预测模型可以输出数目较少的分块方案，在图片数据的任务难度较高的情况下，训练后的分块预测模型可以输出数目较多的分块方案，从而在保障分类模型整体性能的情况下，可以有效地减少分类模型在类别预测过程中需要的图像分块数目的平均值，以降低网络的计算开销，降低分类模型的资源消耗。
实施例四
基于同样的思路，本说明书实施例还提供一种数据处理设备，如图7所示。
数据处理设备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的处理器701和存储器702，存储器702中可以存储有一个或一个以上存储应用程序或数据。其中，存储器702可以是短暂存储或持久存储。存储在存储器702的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对数据处理设备中的一系列计算机可执行指令。更进一步地，处理器701可以设置为与存储器702通信，在数据处理设备上执行存储器702中的一系列计算机可执行指令。数据处理设备还可以包括一个或一个以上电源703，一个或一个以上有线或无线网络接口704，一个或一个以上输入输出接口705，一个或一个以上键盘706。
具体在本实施例中，数据处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对数据处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
获取与目标用户触发执行目标业务对应的图片数据；
基于所述图片数据，通过预先训练的分块预测模型，确定与所述图片数据对应的目标分块数目，所述预先训练的分块预测模型为基于图片样本数据和所述图片样本数据的第一分块数目，对由预设机器学习算法构建的预测模型进行训练得到，所述图片样本数据的第一分块数目为基于所述图片样本数据的第二分块数目对应的预测准确性分值，从多个所述第二分块数目中选取的分块数目，所述图片样本数据的第二分块数目对应的预测准确性分值，为基于由所述第二分块数目对所述图片样本数据进行分块处理得到的子图片数据，以及预先训练的分类模型确定，所述分类模型为基于预设深度学习算法构建的图片分类模型；
基于所述目标分块数目对图片数据进行分块处理，得到多个目标子图片数据；
基于所述多个目标子图片数据，通过所述预先训练的分类模型，确定所述图片数据对应的分类类别。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于数据处理设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之
处参见方法实施例的部分说明即可。
本说明书实施例提供一种数据处理设备，通过获获取与目标用户触发执行目标业务对应的图片数据，基于图片数据，通过预先训练的分块预测模型，确定与图片数据对应的目标分块数目，预先训练的分块预测模型为基于图片样本数据和图片样本数据的第一分块数目，对由预设机器学习算法构建的预测模型进行训练得到，图片样本数据的第一分块数目为基于图片样本数据的第二分块数目对应的预测准确性分值，从多个第二分块数目中选取的分块数目，图片样本数据的第二分块数目对应的预测准确性分值，为基于由第二分块数目对图片样本数据进行分块处理得到的子图片数据，以及预先训练的分类模型确定，分类模型为基于预设深度学习算法构建的图片分类模型，基于目标分块数目对图片数据进行分块处理，得到多个目标子图片数据，基于多个目标子图片数据，通过预先训练的分类模型，确定图片数据对应的分类类别，通过引入预先训练的分块预测模型，可以对图片数据所对应的分块数目进行准确的预测，且用于训练该分块预测模型的图片样本数据对应的第一分块数目，是基于图片样本数据的第二分块数目对应的预测准确性分值，从第二分块数目中选取的分块数目，这样，可以使得训练得到的分块预测模型能够针对图片数据输出对应的分块数目，即在图片数据的任务难度较低的情况下，训练后的分块预测模型可以输出数目较少的分块方案，在图片数据的任务难度较高的情况下，训练后的分块预测模型可以输出数目较多的分块方案，从而在保障分类模型整体性能的情况下，可以有效地减少分类模型在类别预测过程中需要的图像分块数目的平均值，以降低网络的计算开销，降低分类模型的资源消耗。
实施例五
本说明书实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述数据处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本说明书实施例提供一种计算机可读存储介质，通过获获取与目标用户触发执行目标业务对应的图片数据，基于图片数据，通过预先训练的分块预测模型，确定与图片数据对应的目标分块数目，预先训练的分块预测模型为基于图片样本数据和图片样本数据的第一分块数目，对由预设机器学习算法构建的预测模型进行训练得到，图片样本数据的第一分块数目为基于图片样本数据的第二分块数目对应的预测准确性分值，从多个第二分块数目中选取的分块数目，图片样本数据的第二分块数目对应的预测准确性分值，为基于由第二分块数目对图片样本数据进行分块处理得到的子图片数据，以及预先训练的分类模型确定，分类模型为基于预设深度学习算法构建的图片分类模型，基于目标分块数目对图片数据进行分块处理，得到多个目标子图片数据，基于多个目标子图片数据，通过预先训练的分类模型，确定图片数据对应的分类类别，通过引入预先训练的分块预测模型，可以对图片数据所对应的分块数目进行准确的预测，且用于训练该分块预测模型的图片样本数据对应的第一分块数目，是基于图片样本数据的第二分块数目对应的预测准确性分值，从第二分块数目中选取的分块数目，这样，可以使得训练得到的分块预
测模型能够针对图片数据输出对应的分块数目，即在图片数据的任务难度较低的情况下，训练后的分块预测模型可以输出数目较少的分块方案，在图片数据的任务难度较高的情况下，训练后的分块预测模型可以输出数目较多的分块方案，从而在保障分类模型整体性能的情况下，可以有效地减少分类模型在类别预测过程中需要的图像分块数目的平均值，以降低网络的计算开销，降低分类模型的资源消耗。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable Gate Array，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的
用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法
或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (10)
- 一种数据处理方法，包括：获取与目标用户触发执行目标业务对应的图片数据；基于所述图片数据，通过预先训练的分块预测模型，确定与所述图片数据对应的目标分块数目，所述预先训练的分块预测模型为基于图片样本数据和所述图片样本数据的第一分块数目，对由预设机器学习算法构建的预测模型进行训练得到，所述图片样本数据的第一分块数目为基于所述图片样本数据的第二分块数目对应的预测准确性分值，从多个所述第二分块数目中选取的分块数目，所述图片样本数据的第二分块数目对应的预测准确性分值，为基于由所述第二分块数目对所述图片样本数据进行分块处理得到的子图片数据，以及预先训练的分类模型确定，所述分类模型为基于预设深度学习算法构建的图片分类模型；基于所述目标分块数目对图片数据进行分块处理，得到多个目标子图片数据；基于所述多个目标子图片数据，通过所述预先训练的分类模型，确定所述图片数据对应的分类类别。
- 根据权利要求1所述的方法，在所述基于所述图片数据，通过预先训练的分块预测模型，确定与所述图片数据对应的目标分块数目之前，还包括：获取第一图片样本数据，以及所述第一图片样本数据对应的第一类型；基于预设分块数目，对所述第一图片样本数据进行分块处理，得到多个第一子图片数据；基于所述多个第一子图片数据，通过所述分类模型，确定所述第一图片样本数据对应的预测类型，并基于所述预测类型和所述第一类型，确定所述分类模型是否收敛；在确定所述分类模型未收敛的情况下，基于所述第一图片样本数据，以及所述第一图片样本数据对应的第一类型，继续对所述分类模型进行训练，直到所述分类模型收敛，得到训练后的分类模型。
- 根据权利要求2所述的方法，所述预设分块数目有多个，所述基于所述多个第一子图片数据，通过所述分类模型，确定所述第一图片样本数据对应的预测类型，并基于所述预测类型和所述第一类型，确定所述分类模型是否收敛，包括：基于与每个所述预设分块数目对应的多个第一子图片数据，通过所述分类模型，确定通过所述预设分块数目进行分块处理的第一图片样本数据对应的预测类型；基于所述通过所述预设分块数目进行分块处理的第一图片样本数据对应的预测类型，以及所述第一图片样本数据对应的第一类型，确定所述分类模型是否收敛。
- 根据权利要求3所述的方法，所述方法还包括：获取所述图片样本数据，以及所述图片样本数据对应的第二类型；基于多个所述第二分块数目，分别对所述图片样本数据进行分块处理，得到与每个所述第二分块数目对应的多个子图片数据；基于所述与每个所述第二分块数目对应的多个子图片数据，通过所述预先训练的分类模型，确定每个所述第二分块数目对应的预测类型；基于所述第二分块数目对应的预测类型和所述图片样本数据对应的第二类型，确定所述图片样本数据的每个第二分块数目对应的预测准确性分值。
- 根据权利要求4所述的方法，所述方法还包括：基于所述图片样本数据的第二分块数目对应的预测准确性分值以及预设准确性阈值，从所述图片样本数据的多个第二分块数目中选取所述图片样本数据的第一分块数目；基于所述图片样本数据，通过所述分块预测模型，确定与所述图片样本数据对应的第二分块数目；基于所述第一分块数目和所述第二分块数目，确定所述分块预测模型是否收敛，在确定所述分块预测模型未收敛的情况下，基于所述图片样本数据，以及图片样本数据的第一分块数目，继续对所述分块预测模型进行训练，直到所述分块预测模型收敛，得到训练后的分块预测模型。
- 根据权利要求5所述的方法，所述分块预测模型的模型量级小于预设量级阈值，所述分类模型为用于计算机视觉识别任务的神经网络模型。
- 根据权利要求6所述的方法，所述图片样本数据为与所述目标业务对应的图片数据，所述图片样本数据的数据量小于所述第一图片样本数据的数据量。
- 根据权利要求7所述的方法，所述方法还包括：基于所述图片数据对应的分类类别，确定所述目标用户触发执行所述目标业务是否存在风险。
- 一种数据处理装置，包括：第一获取模块，用于获取与目标用户触发执行目标业务对应的图片数据；第一确定模块，用于基于所述图片数据，通过预先训练的分块预测模型，确定与所述图片数据对应的目标分块数目，所述预先训练的分块预测模型为基于图片样本数据和所述图片样本数据的第一分块数目，对由预设机器学习算法构建的预测模型进行训练得到，所述图片样本数据的第一分块数目为基于所述图片样本数据的第二分块数目对应的预测准确性分值，从多个所述第二分块数目中选取的分块数目，所述图片样本数据的第二分块数目对应的预测准确性分值，为基于由所述第二分块数目对所述图片样本数据进行分块处理得到的子图片数据，以及预先训练的分类模型确定，所述分类模型为基于预设深度学习算法构建的图片分类模型；第一分块模块，用于基于所述目标分块数目对图片数据进行分块处理，得到多个目标子图片数据；类别确定模块，用于基于所述多个目标子图片数据，通过所述预先训练的分类模型，确定所述图片数据对应的分类类别。
- 一种数据处理设备，所述数据处理设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取与目标用户触发执行目标业务对应的图片数据；基于所述图片数据，通过预先训练的分块预测模型，确定与所述图片数据对应的目标分块数目，所述预先训练的分块预测模型为基于图片样本数据和所述图片样本数据的第一分块数目，对由预设机器学习算法构建的预测模型进行训练得到，所述图片样本数据的第一分块数目为基于所述图片样本数据的第二分块数目对应的预测准确性分值，从 多个所述第二分块数目中选取的分块数目，所述图片样本数据的第二分块数目对应的预测准确性分值，为基于由所述第二分块数目对所述图片样本数据进行分块处理得到的子图片数据，以及预先训练的分类模型确定，所述分类模型为基于预设深度学习算法构建的图片分类模型；基于所述目标分块数目对图片数据进行分块处理，得到多个目标子图片数据；基于所述多个目标子图片数据，通过所述预先训练的分类模型，确定所述图片数据对应的分类类别。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410382755.6A CN118196530A (zh) | 2024-03-29 | 2024-03-29 | 数据处理方法、装置及设备 |
| CN202410382755.6 | 2024-03-29 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2025200427A1 true WO2025200427A1 (zh) | 2025-10-02 |
Family
ID=91392763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2024/128194 Pending WO2025200427A1 (zh) | 2024-03-29 | 2024-10-29 | 数据处理方法、装置及设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN118196530A (zh) |
| WO (1) | WO2025200427A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118196530A (zh) * | 2024-03-29 | 2024-06-14 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210241109A1 (en) * | 2019-03-26 | 2021-08-05 | Tencent Technology (Shenzhen) Company Limited | Method for training image classification model, image processing method, and apparatuses |
| CN115098680A (zh) * | 2022-06-29 | 2022-09-23 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、电子设备、介质及程序产品 |
| CN116861345A (zh) * | 2023-05-04 | 2023-10-10 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置及设备 |
| CN117237744A (zh) * | 2023-11-10 | 2023-12-15 | 之江实验室 | 一种图像分类模型的训练方法、装置、介质及电子设备 |
| CN118196530A (zh) * | 2024-03-29 | 2024-06-14 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置及设备 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11868440B1 (en) * | 2018-10-04 | 2024-01-09 | A9.Com, Inc. | Statistical model training systems |
| CN112288729A (zh) * | 2020-11-02 | 2021-01-29 | 上海明略人工智能(集团)有限公司 | 图像质量预测方法、装置、计算机设备及存储介质 |
| US20230376858A1 (en) * | 2022-05-18 | 2023-11-23 | Unitedhealth Group Incorporated | Classification-based machine learning frameworks trained using partitioned training sets |
| CN115423485B (zh) * | 2022-11-03 | 2023-03-21 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置及设备 |
| CN116186540A (zh) * | 2023-02-23 | 2023-05-30 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置及设备 |
| CN116543261B (zh) * | 2023-05-12 | 2025-08-01 | 上海领世通信技术发展有限公司 | 用于图像识别的模型训练方法、图像识别方法设备及介质 |
-
2024
- 2024-03-29 CN CN202410382755.6A patent/CN118196530A/zh active Pending
- 2024-10-29 WO PCT/CN2024/128194 patent/WO2025200427A1/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210241109A1 (en) * | 2019-03-26 | 2021-08-05 | Tencent Technology (Shenzhen) Company Limited | Method for training image classification model, image processing method, and apparatuses |
| CN115098680A (zh) * | 2022-06-29 | 2022-09-23 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、电子设备、介质及程序产品 |
| CN116861345A (zh) * | 2023-05-04 | 2023-10-10 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置及设备 |
| CN117237744A (zh) * | 2023-11-10 | 2023-12-15 | 之江实验室 | 一种图像分类模型的训练方法、装置、介质及电子设备 |
| CN118196530A (zh) * | 2024-03-29 | 2024-06-14 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118196530A (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112200132B (zh) | 一种基于隐私保护的数据处理方法、装置及设备 | |
| CN111930809A (zh) | 数据处理方法、装置及设备 | |
| WO2024139312A1 (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
| CN107808098A (zh) | 一种模型安全检测方法、装置以及电子设备 | |
| WO2025200428A1 (zh) | 数据处理方法、装置及设备 | |
| WO2023231785A1 (zh) | 数据处理方法、装置及设备 | |
| CN111753275A (zh) | 基于图像的用户隐私保护方法、装置、设备和存储介质 | |
| WO2013138268A1 (en) | Automatic face detection and parental approval in images and video and applications thereof | |
| US20250328635A1 (en) | Data processing method, apparatus and device | |
| CN114819614A (zh) | 数据处理方法、装置、系统及设备 | |
| CN116797971B (zh) | 一种视频流识别方法及装置 | |
| CN110191150A (zh) | 一种信息的处理系统、方法、装置及设备 | |
| CN113992429B (zh) | 一种事件的处理方法、装置及设备 | |
| CN110502614B (zh) | 文本拦截方法、装置、系统以及设备 | |
| CN115712866A (zh) | 数据处理方法、装置及设备 | |
| CN108920183B (zh) | 一种业务决策方法、装置及设备 | |
| WO2024255425A1 (zh) | 图像采集 | |
| US20240070182A1 (en) | Event detection and classification method, apparatus, and device | |
| CN117093863A (zh) | 一种模型的处理方法、装置及设备 | |
| CN114036571B (zh) | 一种基于隐私保护的数据处理方法、装置及设备 | |
| CN108536569A (zh) | 一种业务行为跟踪方法、装置及设备 | |
| US20250390583A1 (en) | Large model risk assessment methods, apparatuses, and devices | |
| CN116186540A (zh) | 数据处理方法、装置及设备 | |
| CN115618375A (zh) | 一种业务执行方法、装置、存储介质及电子设备 | |
| CN118196530A (zh) | 数据处理方法、装置及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 24931627 Country of ref document: EP Kind code of ref document: A1 |