数据处理方法、装置、设备和存储介质制造方法及图纸

本申请提供一种数据处理方法、装置、设备和存储介质。该方法包括：利用预设模型对多个图像样本进行处理，得到检测结果和分类结果；所述预设模型包括：检测子模型和重识别子模型；根据所述检测结果，获取所述检测子模型的第一损失参数值；根据所述检测结果和分类结果，获取所述重识别子模型的第二损失参数值；根据所述第一损失参数值和所述第二损失参数值，对所述预设模型的模型参数进行调整。本申请实施例提高了模型的整体性能。

【技术实现步骤摘要】
数据处理方法、装置、设备和存储介质
本申请涉及计算机
，尤其涉及一种数据处理方法、装置、设备和存储介质。
技术介绍
多目标跟踪(Multi-ObjectTracking，MOT)指的是在一段视频中同时检测跟踪多个目标，即在图像内先检测出要追踪的目标物体(例如汽车、人等)，然后在得到的检测结果中，将同一个目标物体关联在一起(关联过程即重识别(Re-identification，ReID)过程)。相关技术中，为了提升在线检测速度，将检测过程和重识别过程集成到同一个网络模型中完成，即检测目标的同时，输出ReID特征，使用ReID特征来进行不同目标的跨帧关联。在模型训练过程中，检测部分和ReID部分分别进行训练，但是训练得到的模型性能还有待提高。
技术实现思路
本申请提供一种数据处理方法、装置、设备和存储介质，以提高模型的性能。第一方面，本申请提供一种数据处理方法，包括：利用预设模型对多个图像样本进行处理，得到检测结果和分类结果；所述预设模型包括：检测子模型和重识别子模型；根据所述检测结果，获取所述检测子模型的第一损失参数值；根据所述检测结果和分类结果，获取所述重识别子模型的第二损失参数值；根据所述第一损失参数值和所述第二损失参数值，对所述预设模型的模型参数进行调整。第二方面，本申请提供一种数据处理装置，包括：处理模块，用于利用预设模型对多个图像样本进行处理，得到检测结果和分类结果；所述预设模型包括：检测子模型和重识别子模型；获取模块，用于根据所述检测结果，获取所述检测子模型的第一损失参数值；所述获取模块，还用于根据所述检测结果和分类结果，获取所述重识别子模型的第二损失参数值；所述处理模块，还用于根据所述第一损失参数值和所述第二损失参数值，对所述预设模型的模型参数进行调整。第三方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一项所述的方法。第四方面，本申请实施例提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述的方法。本申请实施例提供的数据处理方法、装置、设备和存储介质，利用预设模型对多个图像样本进行处理，得到检测子模型的检测结果和重识别子模型的分类结果；该预设模型包括：检测子模型和重识别子模型；在确定重识别子模型的损失参数值时，同时利用了检测子模型的检测结果和重识别子模型的分类结果，进而根据检测子模型的损失参数值和重识别子模型的损失参数值，对预设模型的模型参数进行调整，使得检测部分和重识别部分相互促进，进而提高了模型的整体性能。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。图1a为本申请实施例提供的系统架构示意图；图1b是相关技术中训练过程原理示意图；图2是本申请提供的数据处理方法一实施例的流程示意图；图3是本申请提供的数据处理方法一实施例的模型示意图；图4是本申请提供的数据处理方法一实施例的原理示意图；图5是本申请提供的数据处理装置一实施例的结构示意图；图6是本申请提供的电子设备实施例的结构示意图。通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。本申请的说明书和权利要求书及所述附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。首先，对本申请实施例涉及的应用场景进行介绍。图1a为本申请实施例提供的系统架构示意图。如图1a所示，本申请实施例的系统架构中可以包括但不限于：电子设备11和服务器12。电子设备例如包括计算机、平板电脑等终端设备。其中，电子设备11和服务器12之间可以通过网络连接。本申请实施例提供的方法可由一个电子设备如处理器执行相应的软件代码实现，也可由一个电子设备在执行相应的软件代码的同时，通过和服务器进行数据交互来实现。在其他场景中，本申请实施例的方法也可以通过服务器执行，本申请实施例对此并不限定。在一些实施例中，该系统架构中还可以包括：终端设备，采集图像数据，终端设备例如包括：监控设备，例如拍摄汽车、行人等目标物体的监控设备。相关技术中，为了提升在线检测速度，将检测过程和重识别过程集成到同一个网络模型中完成，即检测目标的同时，输出ReID特征，使用ReID特征来进行不同目标的跨帧关联。如图1b所示，在模型训练过程中，检测部分和ReID部分分别进行训练互不影响，检测部分通过训练样本数据中的检测框标签进行训练，ReID部分通过训练样本数据中的类别标签进行训练，即两个部分的训练是独立的，分别计算检测部分的损失函数和ReID部分的损失函数LOSS，反向传播更新模型参数，可能出现检测部分的损失较高，但是ReID部分的损失较低，这样在对LOSS进行优化的过程中，即使得LOSS尽可能的变小，有可能出现模型整体收敛，但检测部分和ReID部分各自的性能还不够好的情况，因此上述方案中训练得到的模型的性能还有待提高。本申请实施例的方法，在模型训练时，对检测部分和重识别部分进行关联，例如在计算重识别部分的损失值时引入检测部分的检测结果，使得检测部分和重识别部分的性能能够互相促进，进而提高了模型的整体性能。下面以具体的实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。图2是本申请提供的数据处理方法一实施例的流程示意图。如图2所示，本实施例提供的方法，包括：步骤101、利用预设模型对多个图像样本进行处理，得到检测结果和分类结果；预设模型包括：检测子模型和重识别子模型。具体的，本申请实施例的方法可以针对多目标跟踪场景，预设模型包括两个子模型，检测子模型和重识别子模型。预设模型可以是基于机器学习算法预先建立的。检测子模型和重识别ReID子模型，融合在一起，检测目标的同时，输出ReID特征，根据ReID特征得到分类结果，即利用预设模型对多个图像样本进行处理，得到检测子模型的检测结果以及本文档来自技高网...

【技术保护点】
1.一种数据处理方法，其特征在于，包括：/n利用预设模型对多个图像样本进行处理，得到检测结果和分类结果；所述预设模型包括：检测子模型和重识别子模型；/n根据所述检测结果，获取所述检测子模型的第一损失参数值；/n根据所述检测结果和分类结果，获取所述重识别子模型的第二损失参数值；/n根据所述第一损失参数值和所述第二损失参数值，对所述预设模型的模型参数进行调整。/n

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：
利用预设模型对多个图像样本进行处理，得到检测结果和分类结果；所述预设模型包括：检测子模型和重识别子模型；
根据所述检测结果，获取所述检测子模型的第一损失参数值；
根据所述检测结果和分类结果，获取所述重识别子模型的第二损失参数值；
根据所述第一损失参数值和所述第二损失参数值，对所述预设模型的模型参数进行调整。


2.根据权利要求1所述的方法，其特征在于，所述图像样本包括：图像、类别标签，所述分类结果包括：多个目标的类别，所述根据所述检测结果和分类结果，获取所述重识别子模型的第二损失参数值，包括：
根据各个所述目标的类别以及所述图像样本对应的类别标签，确定各个所述目标的交叉熵；
根据各个所述目标的交叉熵和所述检测结果，确定所述第二损失参数值。


3.根据权利要求2所述的方法，其特征在于，所述检测结果包括：所述图像中每个像素点作为检测框的中心点的置信度；所述根据各个所述目标的交叉熵和所述检测结果，确定所述第二损失参数值，包括：
根据各个所述目标的交叉熵，以及各个所述目标的检测框的中心点的置信度，得到所述第二损失参数值。


4.根据权利要求3所述的方法，其特征在于，所述根据各个所述目标的交叉熵，以及各个所述目标的检测框的中心点的置信度，得到所述第二损失参数值，包括：
针对任一所述目标，将所述目标的交叉熵，与所述目标对应的中间值相乘，得到第三损失参数值，所述中间值为预设值减去所述目标的检测框的中心点的置信度得到的；
根据各个所述目标的第三损失参数值，得到所述第二损失参数值。


5.根据权利要求4所述的方法，其特征在于，所述根据各个所述目标的第三损失参数值，得到所述第二损失参数值，具体为...

【专利技术属性】
技术研发人员：高剑飞，
申请(专利权)人：上海眼控科技股份有限公司，
类型：发明
国别省市：上海;31