多任务识别方法、训练方法、装置、电子设备及存储介质制造方法及图纸

技术编号：39967131 阅读：13 留言：0更新日期：2024-01-09 00:30

本公开提供了一种多任务识别方法、训练方法、装置、电子设备及存储介质，涉及人工智能技术领域，尤其涉及深度学习、图像处理、计算机视觉技术领域，可应用于人脸等场景。具体实现方案为：根据待识别图像，得到第一中间特征数据，其中，第一中间特征数据包括第一辅助特征数据和第一类别特征数据，第一辅助特征数据是用于辅助待识别图像的多任务识别的数据；根据第一辅助特征数据和第一类别特征数据，得到待识别图像的任务概率值和类别概率值；根据待识别图像的任务概率值和类别概率值，得到待识别图像的多任务识别结果。

全部详细技术资料下载

【技术实现步骤摘要】

本公开涉及人工智能，尤其涉及深度学习、图像处理、计算机视觉，可应用于人脸等场景。具体地，涉及一种多任务识别方法、训练方法、装置、电子设备及存储介质。

技术介绍

1、随着计算机技术的发展，人工智能技术也得以发展。人工智能技术可以包括计算机视觉技术、语音识别技术、自然语言处理技术、机器学习、深度学习、大数据处理技术及知识图谱技术等。

2、人工智能技术在各种领域得到了广泛应用。例如，可以利用人工智能技术实现多任务识别。

技术实现思路

1、本公开提供了一种多任务识别方法、训练方法、装置、电子设备及存储介质。

2、根据本公开的一方面，提供了一种多任务识别方法，包括：根据待识别图像，得到第一中间特征数据，其中，上述第一中间特征数据包括第一辅助特征数据和第一类别特征数据，上述第一辅助特征数据是用于辅助上述待识别图像的多任务识别的数据；根据上述第一辅助特征数据和上述第一类别特征数据，得到上述待识别图像的任务概率值和类别概率值；以及，根据上述待识别图像的任务概率值和类别概率值，得到上述待识别图像的多任务识别结果。

3、根据本公开的另一方面，提供了一种深度学习模型的训练方法，包括：根据样本图像，得到第一中间样本特征数据，其中，上述第一中间样本特征数据包括第一样本辅助特征数据和第一样本类别特征数据，上述第一样本辅助特征数据是用于辅助上述样本图像的多任务识别的数据；根据上述第一样本辅助特征数据和上述第一样本类别特征数据，得到上述样本图像的样本任务概率值和样本类别概率值；

4、根据本公开的另一方面，提供了一种多任务识别装置，包括：第一获得模块，用于根据待识别图像，得到第一中间特征数据，其中，上述第一中间特征数据包括第一辅助特征数据和第一类别特征数据，上述第一辅助特征数据是用于辅助上述待识别图像的多任务识别的数据；第二获得模块，用于根据上述第一辅助特征数据和上述第一类别特征数据，得到上述待识别图像的任务概率值和类别概率值；以及，第三获得模块，用于根据上述待识别图像的任务概率值和类别概率值，得到上述待识别图像的多任务识别结果。

5、根据本公开的实施例，提供了一种深度学习模型的训练装置，包括：

6、第四获得模块，用于根据样本图像，得到第一中间样本特征数据，其中，上述第一中间样本特征数据包括第一样本辅助特征数据和第一样本类别特征数据，上述第一样本辅助特征数据是用于辅助上述样本图像的多任务识别的数据；第五获得模块，用于根据上述第一样本辅助特征数据和上述第一样本类别特征数据，得到上述样本图像的样本任务概率值和样本类别概率值；以及，第六获得模块，用于利用上述样本图像的样本任务概率值、样本类别概率值和标签值训练上述深度学习模型，得到经训练的深度学习模型。

7、根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行本公开所述的方法。

8、根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，上述计算机指令用于使上述计算机执行本公开所述的方法。

9、根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现本公开所述的方法。

10、应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

本文档来自技高网...

【技术保护点】

1.一种多任务识别方法，包括：

2.根据权利要求1所述的方法，其中，所述根据待识别图像，得到第一中间特征数据，包括：

3.根据权利要求2所述的方法，其中，所述预定数据包括第一预定数据和第二预定数据；

4.根据权利要求2或3所述的方法，其中，所述提取所述第二中间特征数据的全局特征和局部特征中的至少一项，得到所述第一中间特征数据，包括：

5.根据权利要求4所述的方法，其中，所述第一中间特征数据是利用深度学习模型的主干模块处理第二中间特征数据得到的，所述主干模块包括级联的至少一个主干单元，所述主干单元包括多头自注意力层和前馈网络层。

6.根据权利要求3～5中任一项所述的方法，其中，所述第二辅助特征数据是利用深度学习模型的辅助处理单元处理第一预定数据得到的，其中，所述辅助处理单元包括卷积神经网络。

7.根据权利要求1～6中任一项所述的方法，其中，所述第一辅助特征数据包括第一任务特征数据。

8.一种深度学习模型的训练方法，包括：

9.根据权利要求8所述的方法，其中，所述根据样本图像，得到第一中间样本特征数据，包括：

10.根据权利要求9所述的方法，其中，所述预定样本数据包括第一预定样本数据和第二预定样本数据；

11.根据权利要求10所述的方法，其中，所述深度学习模型包括辅助处理单元；

12.根据权利要求9～11中任一项所述的方法，其中，所述提取所述第二中间样本特征数据的全局特征和局部特征中的至少一项，得到所述第一中间样本特征数据，包括：

13.根据权利要求12所述的方法，其中，所述深度学习模型包括主干模块，所述主干模块包括级联的至少一个主干单元，所述主干单元包括多头自注意层和前馈网络层；

14.根据权利要求13所述的方法，其中，所述主干子模块包括级联的M个主干单元，M是大于或等于1的整数；

15.根据权利要求9～14中任一项所述的方法，其中，所述样本对象特征数据是利用所述深度学习模型的对象处理单元处理所述样本图像块得到的；

16.根据权利要求8～15中任一项所述的方法，其中，所述样本任务概率值是利用所述深度学习模型的辅助分类单元处理所述第一样本辅助特征数据得到的；

17.根据权利要求8～16中任一项所述的方法，其中，所述标签值包括辅助标签值和类别标签值；

18.根据权利要求8～17中任一项所述的方法，其中，所述第一样本辅助特征数据包括第一样本任务特征数据。

19.一种多任务识别装置，包括：

20.根据权利要求19所述的装置，其中，所述第一获得模块，包括：

21.根据权利要求20所述的装置，其中，所述预定数据包括第一预定数据和第二预定数据；

22.根据权利要求20或21所述的装置，其中，所述第二获得子模块，包括：

23.根据权利要求22所述的装置，其中，所述第一中间特征数据是利用深度学习模型的主干模块处理第二中间特征数据得到的，所述主干模块包括级联的至少一个主干单元，所述主干单元包括多头自注意力层和前馈网络层。

24.根据权利要求20～23中任一项所述的装置，其中，所述第二辅助特征数据是利用深度学习模型的辅助处理单元处理第一预定数据得到的，其中，所述辅助处理单元包括卷积神经网络。

25.根据权利要求19～24中任一项所述的装置，其中，所述第一辅助特征数据包括第一任务特征数据。

26.一种深度学习模型的训练装置，包括：

27.根据权利要求26所述的装置，其中，所述第四获得模块，包括：

28.根据权利要求27所述的装置，其中，所述预定样本数据包括第一预定样本数据和第二预定样本数据；

29.根据权利要求28所述的装置，其中，所述深度学习模型包括辅助处理单元；

30.根据权利要求27～29中任一项所述的装置，其中，所述第四获得子模块，包括：

31.根据权利要求30所述的装置，其中，所述深度学习模型包括主干模块，所述主干模块包括级联的至少一个主干单元，所述主干单元包括多头自注意层和前馈网络层；

32.根据权利要求31所述的装置，其中，所述主干子模块包括级联的M个主干单元，M是大于或等于1的整数；

33.根据权利要求27～32中任一项所述的装置，其中，所述样本对象特征数据是利用所述深度学习模型的对象处理单元处理所述样本图像块得到的；

34.根据权利要求26～33中任一项所述的装置，其中，所述样本任务概率值是利用所述深度学习模型的辅助分类单元处理所述第一样本...

【技术特征摘要】