一种目标对象处理方法、装置、电子设备及存储介质制造方法及图纸

本公开涉及一种目标对象处理方法、装置、电子设备及存储介质，其中，所述方法包括：将第一数据输入所述第一处理模块，得到所预测的数据标注结果；将所述数据标注结果输入所述第二处理模块，根据所述数据标注结果进行场景自适应的增量学习，得到与所述第二数据场景适配的神经网络；根据包含目标对象的数据和所述神经网络，实现对所述目标对象对应场景的处理。采用本公开，既满足应用场景的处理需求，又能降低成本。

【技术实现步骤摘要】
一种目标对象处理方法、装置、电子设备及存储介质
本公开涉及计算机视觉
，尤其涉及一种目标对象处理方法及装置、电子设备及存储介质。
技术介绍
相关技术中，是在云端进行模型训练，可得到的训练数据与实际应用场景的数据存在差异性，且不同的应用场景的检测需求是不一样的，导致在云端进行模型所得到的该训练数据并不适用所有的应用场景。而针对每个应用场景采集数据并进行训练，是不可实施或成本过高的，如何既满足应用场景的处理需求，又能降低成本，是要解决的技术问题。
技术实现思路
本公开提出了一种目标对象处理技术方案。根据本公开的第一方面，提供了一种目标对象处理方法，所述方法应用于边缘设备侧，将用于第一数据标注的第一处理模块和用于第二数据场景适配的第二处理模块部署于所述边缘设备侧；所述方法包括：将所述第一数据输入所述第一处理模块，得到所预测的数据标注结果；将所述数据标注结果输入所述第二处理模块，根据所述数据标注结果进行场景自适应的增量学习，得到与所述第二数据场景适配的神经网络；根据包含目标对象的数据和所述神经网络，实现对所述目标对象对应场景的处理。在可能的实现方式中，所述方法还包括：所述场景为当前的第一场景，根据所述数据标注结果进行第一场景自适应的增量学习，得到与所述第一场景适配的神经网络之后，监测到场景由所述第一场景变换到第二场景；触发对所述第二处理模块中的参数进行参数重置；根据所述数据标注结果进行所述第二场景自适应的增量学习，得到与所述第二场景适配的神经网络。在可能的实现方式中，得到所述神经网络之前，所述方法还包括：在所述第二处理模块中参数更新的情况下，根据约束条件对所述参数更新进行更新制约。在可能的实现方式中，所述将第一数据输入所述第一处理模块，得到所预测的数据标注结果，包括：根据所述第一处理模块对所述场景数据的预测，得到预测规则；根据所述预测规则对所述第一数据进行标注，得到所预测的数据标注结果。在可能的实现方式中，所预测的数据标注结果，来源于构成所述第一处理模块的数据样本训练网络输出层的第一输出；和/或，所预测的数据标注结果，来源于构成所述第一处理模块的数据样本训练网络输出层的第一输出和中间层的第二输出。在可能的实现方式中，所述方法还包括：将所述第一数据输入所述第一处理模块之前，根据采样参数对所述第一数据进行选取，得到待处理的第一数据；得到所述神经网络之前，所述方法还包括：针对所述待处理的第一数据，在所述第一处理模块和所述第二处理模块分别输出的预测结果差异较大的情况下，针对所述待处理的第一数据中预测结果差别大的一帧或多帧第一数据在所述边缘设备侧进行所述场景自适应的增量学习。在可能的实现方式中，针对所述待处理的第一数据中预测结果差别大的一帧或多帧第一数据在所述边缘设备侧进行所述场景自适应的增量学习，包括：将所述第一处理模块针对所述一帧或多帧第一数据得到的一个或多个数据标注结果输出给所述第二处理模块；根据一个或多个数据标注结果对所述第二处理模块进行训练并更新第二处理模块中的参数；以预先配置的策略增加所述采样参数的数值。在可能的实现方式中，所述方法还包括：将所述第一数据输入所述第一处理模块之前，根据采样参数对所述第一数据进行选取，得到待处理的第一数据；得到所述神经网络之前，所述方法还包括：针对所述待处理的第一数据，在所述第一处理模块和所述第二处理模块分别输出的预测结果差异较小的情况下，以预先配置的策略减少所述采样参数的数值。在可能的实现方式中，所述方法还包括：将所述第一数据输入所述第一处理模块之前，将所述第一数据中的部分数据作为在线测试集；得到所述神经网络之前，所述方法还包括：针对所述在线测试集中的第一数据，在所述第一处理模块和所述第二处理模块分别输出的预测结果差异较大的情况下，将所述第二处理模块中的参数重置。在可能的实现方式中，所述方法还包括：得到所述神经网络之后，监测多个区域的边缘设备，获得处于空闲状态的第一边缘设备；根据第一边缘设备对应的边缘设备处理能力，对所述第二处理模块执行第二数据场景适配的自适应增量训练。在可能的实现方式中，所述方法还包括：得到所述神经网络之后，监测多个区域的边缘设备，获得多个边缘设备处理能力；根据所述多个边缘设备分别对应的自身处理能力和当前资源耗费，从所述多个边缘设备中选定处理能力高的第二边缘设备；根据第二边缘设备对应的边缘设备处理能力，对所述第二处理模块执行第二数据场景适配的自适应增量训练。根据本公开的第二方面，提供了一种目标对象处理装置，所述装置部署于边缘设备侧，所述装置包括第一处理模块、第二处理模块、以及第三处理模块；其中，所述第一处理模块，用于根据输入的第一数据，得到所预测的数据标注结果；所述第二处理模块，用于根据输入的数据标注结果进行场景自适应的增量学习，得到与所述第二数据场景适配的神经网络；所述第三处理模块，用于根据包含目标对象的数据和所述神经网络，实现对所述目标对象对应场景的处理。在可能的实现方式中，所述装置还包括：监测模块，用于所述场景为当前的第一场景，根据所述数据标注结果进行第一场景自适应的增量学习，得到与所述第一场景适配的神经网络之后，监测到场景由所述第一场景变换到第二场景；重置触发模块，用于触发对所述第二处理模块中的参数进行参数重置；所述第二处理模块，进一步用于根据所述数据标注结果进行所述第二场景自适应的增量学习，得到与所述第二场景适配的神经网络。在可能的实现方式中，所述装置还包括：参数更新模块，用于：在参数更新的情况下，根据约束条件对所述参数更新进行更新制约。在可能的实现方式中，所述第一处理模块，进一步用于：根据对场景数据的预测，得到预测规则；根据所述预测规则对所述第一数据进行标注，得到所预测的数据标注结果。在可能的实现方式中，所预测的数据标注结果，来源于构成所述第一处理模块的数据样本训练网络输出层的第一输出；和/或，所预测的数据标注结果，来源于构成所述第一处理模块的数据样本训练网络输出层的第一输出和中间层的第二输出。在可能的实现方式中，所述装置还包括：第四处理模块，用于将所述第一数据输入所述第一处理模块之前，根据采样参数对所述第一数据进行选取，得到待处理的第一数据；所述装置还包括：第五处理模块，用于：针对所述待处理的第一数据，在所述第一处理模块和所述第二处理模块分别输出的预测结果差异较大的情况下，针对所述待处理的第一数据中预测结果差别大的一帧或多帧第一数据在所述边缘设备侧进行所述场景自适应的增量学习。在可能的实现方式中，所述第五处理模块，进一步用于：将所述第一处理模块针对所述一帧或多帧第一数据得到的一个或多个数据标注结果输出给所述第二处理模块；根据一个或多个数据标注结果对所述第二处理模块进行训练并更新第二处理模块中的参数；以预先配置的策略增加所述采样参数的数值。在可能的实现方式中，所述装置还包括：第六处理模块，用于将所述第一数据输入所述第一处理模块之前，根据采样参数对所述第一数据进行选取，得到待处理的第一数据；所述装置还包括：第七处理模块，用于：针对所述待处理的第一数据，在所述第一处理模块和所述第二处理模块分别输出的预测结果差异较小的情况下，以预先配置的策略减少所述采样参数的数值。在可能的实现方式中，所述装置还包括：第八处理模块，用于将所述第一数据输入本文档来自技高网...

【技术保护点】
1.一种目标对象处理方法，其特征在于，所述方法应用于边缘设备侧，将用于第一数据标注的第一处理模块和用于第二数据场景适配的第二处理模块部署于所述边缘设备侧；所述方法包括：将所述第一数据输入所述第一处理模块，得到所预测的数据标注结果；将所述数据标注结果输入所述第二处理模块，根据所述数据标注结果进行场景自适应的增量学习，得到与所述第二数据场景适配的神经网络；根据包含目标对象的数据和所述神经网络，实现对所述目标对象对应场景的处理。

【技术特征摘要】
1.一种目标对象处理方法，其特征在于，所述方法应用于边缘设备侧，将用于第一数据标注的第一处理模块和用于第二数据场景适配的第二处理模块部署于所述边缘设备侧；所述方法包括：将所述第一数据输入所述第一处理模块，得到所预测的数据标注结果；将所述数据标注结果输入所述第二处理模块，根据所述数据标注结果进行场景自适应的增量学习，得到与所述第二数据场景适配的神经网络；根据包含目标对象的数据和所述神经网络，实现对所述目标对象对应场景的处理。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：所述场景为当前的第一场景，根据所述数据标注结果进行第一场景自适应的增量学习，得到与所述第一场景适配的神经网络之后，监测到场景由所述第一场景变换到第二场景；触发对所述第二处理模块中的参数进行参数重置；根据所述数据标注结果进行所述第二场景自适应的增量学习，得到与所述第二场景适配的神经网络。3.根据权利要求1或2所述的方法，其特征在于，得到所述神经网络之前，所述方法还包括：在所述第二处理模块中参数更新的情况下，根据约束条件对所述参数更新进行更新制约。4.根据权利要求1所述的方法，其特征在于，所述将第一数据输入所述第一处理模块，得到所预测的数据标注结果，包括：根据所述第一处理模块对所述场景数据的预测，得到预测规则；根据所述预测规则对所述第一数据进行标注，得到所预测的数据标注结果。5.根据权利要求1至4中任一项所述的方法，其特征在于，所预测的数据标注结果，来源于构成所述第一处理模块的数据样本训练网络输出层的第一输出；和/或，所预测的数据标注结果，来源于构成所述第一处理模块的数据样本训练网络输出层的第一输出和中间层的第二输出。6.根据权利要求1...

【专利技术属性】
技术研发人员：韩世欣，郭宇，秦红伟，赵钰，
申请(专利权)人：北京市商汤科技开发有限公司，
类型：发明
国别省市：北京,11