数据处理方法及装置、计算机系统以及可读存储介质制造方法及图纸

本公开提供了一种数据处理方法，包括：将获取到的图像数据输入卷积神经网络中，其中，卷积神经网络包括一个或多个卷积层；获取卷积神经网络中的目标卷积层的输出结果，其中，输出结果包括多个特征区域；获取每个特征区域与目标卷积层中的神经元的对应关系；通过分类模型对输出结果中的每个特征区域进行分类，确定每个特征区域对应的类别；以及根据每个特征区域对应的类别，以及每个特征区域与目标卷积层中的神经元的对应关系，确定目标卷积层中的神经元与类别的对应关系。本公开还提供了一种数据处理装置、一种计算机系统以及一种计算机可读存储介质。

Data processing method and device, computer system and readable storage medium

【技术实现步骤摘要】
数据处理方法及装置、计算机系统以及可读存储介质
本公开涉及一种数据处理方法、一种数据处理装置、一种计算机系统以及一种计算机可读存储介质。
技术介绍
近年来，人工智能领域的深度学习方法取得重大进展。与传统的机器学习方法相比较，例如决策树、支持向量机等，深度学习极大地提升了预测准确性。然而，神经网络在推理过程和决策结果的可解释性方面非常薄弱。实际上，无论对用户还是对开发人员，深度神经网络都是一个黑盒系统，即内部工作机制不容易被人们理解。在许多实际应用中，例如业务决策和流程优化、医学诊断和治疗方案，使用人工智能系统的可解释性和透明性都显得特别重要，无论对使用者还是受影响者、以及对研究人员和开发人员都是如此。
技术实现思路
本公开的一个方面提供了一种数据处理方法，包括：将获取到的图像数据输入卷积神经网络中，其中，上述卷积神经网络包括一个或多个卷积层；获取上述卷积神经网络中的目标卷积层的输出结果，其中，上述输出结果包括多个特征区域；获取每个特征区域与上述目标卷积层中的神经元的对应关系；通过分类模型对上述输出结果中的每个特征区域进行分类本文档来自技高网...

【技术保护点】
1.一种数据处理方法，包括：/n将获取到的图像数据输入卷积神经网络中，其中，所述卷积神经网络包括一个或多个卷积层；/n获取所述卷积神经网络中的目标卷积层的输出结果，其中，所述输出结果包括多个特征区域；/n获取每个特征区域与所述目标卷积层中的神经元的对应关系；/n通过分类模型对所述输出结果中的每个特征区域进行分类，确定所述每个特征区域对应的类别；以及/n根据所述每个特征区域对应的类别，以及所述每个特征区域与所述目标卷积层中的神经元的对应关系，确定所述目标卷积层中的神经元与类别的对应关系。/n

【技术特征摘要】
1.一种数据处理方法，包括：
将获取到的图像数据输入卷积神经网络中，其中，所述卷积神经网络包括一个或多个卷积层；
获取所述卷积神经网络中的目标卷积层的输出结果，其中，所述输出结果包括多个特征区域；
获取每个特征区域与所述目标卷积层中的神经元的对应关系；
通过分类模型对所述输出结果中的每个特征区域进行分类，确定所述每个特征区域对应的类别；以及
根据所述每个特征区域对应的类别，以及所述每个特征区域与所述目标卷积层中的神经元的对应关系，确定所述目标卷积层中的神经元与类别的对应关系。


2.根据权利要求1所述的方法，其中，所述图像数据为人体图像数据，所述类别包括人体的各个部位，所述方法还包括，在确定所述目标卷积层中的神经元与类别的对应关系之后：
输出所述人体的各个部位各自对应的神经元的激活值；以及
将所述人体的各个部位以及所述各个部位各自对应的神经元的激活值进行关联展示。


3.根据权利要求2所述的方法，其中，将所述人体的各个部位以及所述各个部位各自对应的神经元的激活值进行关联展示包括：
展示所述人体的人体模型图；以及
在所述人体模型图的各个部位展示各自对应的神经元的激活值。


4.根据权利要求1所述的方法，还包括预先训练得到所述分类模型，包括：
获取用于训练所述卷积神经网络的图像数据；
将所述用于训练所述卷积神经网络的图像数据输入所述卷积神经网络，并获取所述卷积神经网络中的目标卷积层的输出结果；以及
根据所述目标卷积层的输出结果对待训练分类模型进行训练。


5.根据权利要求1所述的方法，还包括：
在将获取到的图像数据输入卷积神经网络中之前，对所述获取到的图像数据进行识别，以确定所述获取到的图像数据中的人体区域数据；以及
将所述人体区域数据输入所述卷积神经网络中。


6.一种数据处理装置，包括：
输入模块，用于将获取到的图像数据输入卷积神经网络中，其中，所述卷积神...

【专利技术属性】
技术研发人员：李聪，闫东伟，杜杨洲，师忠超，徐飞玉，
申请(专利权)人：联想北京有限公司，
类型：发明
国别省市：北京;11