【技术实现步骤摘要】
本申请属于视觉任务处理，尤其涉及一种视觉任务处理方法、装置、计算机可读存储介质及终端设备。
技术介绍
1、在现实生活中，无标注的数据易于获取，而有标注的数据收集起来通常很困难，标注也耗时和耗力。在这种情况下，半监督训练更适用于现实世界中的应用，近来也已成为深度学习领域热门的新方向，该方法只需要少量有带标注的样本和大量无标注的样本。
2、但是，在现有的半监督训练过程中，当监督训练的带标注数据集(即源域数据)与无监督训练的无标注数据集(即目标域数据)不属于同一个类型的数据的时候，模型会在训练过程中出现性能下降，导致训练所得的模型在进行视觉任务处理时准确率较低。
技术实现思路
1、有鉴于此，本申请实施例提供了一种视觉任务处理方法、装置、计算机可读存储介质及终端设备，以解决现有技术中存在的当源域数据与目标域数据不属于同一个类型的数据的时候，模型会在训练过程中出现性能下降，导致训练所得的模型在进行视觉任务处理时准确率较低的问题。
2、本申请实施例的第一方面提供了一种视觉任务处理方法，可以包括：
3、获取待处理的目标视觉任务；
4、使用预设的视觉任务处理模型对所述目标视觉任务进行处理，得到所述目标视觉任务的任务处理结果；
5、其中，所述视觉任务处理模型在半监督训练过程中使用添加数据分布对齐损失项的损失函数，所述数据分布对齐损失项用于将目标域数据的概率分布与源域数据的概率分布进行对齐。
6、在第一方面的一种具体实现方式中，所
7、计算目标域数据的第一弱增强分类概率分布；
8、计算源域数据的第二弱增强分类概率分布；
9、根据所述第二弱增强分类概率分布，对所述第一弱增强分类概率分布进行数据分布对齐，得到第三弱增强分类概率分布；
10、计算所述目标域数据的第一强增强模型输出；
11、根据所述第三弱增强分类概率分布和所述第一强增强模型输出，确定所述数据分布对齐损失项；
12、在初始的损失函数中添加所述数据分布对齐损失项，得到所述添加数据分布对齐损失项的损失函数。
13、在第一方面的一种具体实现方式中，所述根据所述第二弱增强分类概率分布，对所述第一弱增强分类概率分布进行数据分布对齐，得到第三弱增强分类概率分布，可以包括：
14、计算所述第一弱增强分类概率分布的第一数学期望；
15、计算所述第二弱增强分类概率分布的第二数学期望；
16、根据所述第一数学期望和所述第二数学期望计算数据分布对齐比值；
17、根据所述数据分布对齐比值，对所述第一弱增强分类概率分布进行数据分布对齐，得到所述第三弱增强分类概率分布。
18、在第一方面的一种具体实现方式中，在根据所述第三弱增强分类概率分布和所述第一强增强模型输出，确定所述数据分布对齐损失项之前，还可以包括：
19、对所述第三弱增强分类概率分布进行归一化，得到归一化的所述第三弱增强分类概率分布；
20、相应地，所述根据所述第三弱增强分类概率分布和所述第一强增强模型输出，确定所述数据分布对齐损失项，包括：
21、根据归一化的所述第三弱增强分类概率分布和所述第一强增强模型输出，确定所述数据分布对齐损失项。
22、在第一方面的一种具体实现方式中，所述计算目标域数据的第一弱增强分类概率分布，可以包括：
23、对所述目标域数据进行弱数据增强，得到第一弱增强数据；
24、使用神经网络模型对所述第一弱增强数据进行处理，得到第一弱增强模型输出；
25、使用分类器对所述第一弱增强模型输出进行分类，得到所述第一弱增强分类概率分布。
26、在第一方面的一种具体实现方式中，所述计算源域数据的第二弱增强分类概率分布，可以包括：
27、对所述源域数据进行弱数据增强，得到第二弱增强数据；
28、使用神经网络模型对所述第二弱增强数据进行处理，得到第二弱增强模型输出；
29、使用分类器对所述第二弱增强模型输出进行分类，得到所述第二弱增强分类概率分布。
30、在第一方面的一种具体实现方式中，所述计算所述目标域数据的第一强增强模型输出，可以包括：
31、对所述目标域数据进行强数据增强，得到第一强增强数据；
32、使用神经网络模型对所述第一强增强数据进行处理，得到所述第一强增强模型输出。
33、本申请实施例的第二方面提供了一种视觉任务处理装置，可以包括：
34、视觉任务获取模块，用于获取待处理的目标视觉任务；
35、视觉任务处理模块，用于使用预设的视觉任务处理模型对所述目标视觉任务进行处理，得到所述目标视觉任务的任务处理结果；
36、其中，所述视觉任务处理模型在半监督训练过程中使用添加数据分布对齐损失项的损失函数，所述数据分布对齐损失项用于将目标域数据的概率分布与源域数据的概率分布进行对齐。
37、在第二方面的一种具体实现方式中，所述视觉任务处理装置还可以包括：
38、第一分布计算模块，用于计算目标域数据的第一弱增强分类概率分布；
39、第二分布计算模块，用于计算源域数据的第二弱增强分类概率分布；
40、第三分布计算模块，用于根据所述第二弱增强分类概率分布，对所述第一弱增强分类概率分布进行数据分布对齐，得到第三弱增强分类概率分布；
41、模型输出计算模块，用于计算所述目标域数据的第一强增强模型输出；
42、数据分布对齐损失项确定模块，用于根据所述第三弱增强分类概率分布和所述第一强增强模型输出，确定所述数据分布对齐损失项；
43、数据分布对齐损失项添加模块，用于在初始的损失函数中添加所述数据分布对齐损失项，得到所述添加数据分布对齐损失项的损失函数。
44、在第二方面的一种具体实现方式中，所述第三分布计算模块可以具体用于：计算所述第一弱增强分类概率分布的第一数学期望；计算所述第二弱增强分类概率分布的第二数学期望；根据所述第一数学期望和所述第二数学期望计算数据分布对齐比值；根据所述数据分布对齐比值，对所述第一弱增强分类概率分布进行数据分布对齐，得到所述第三弱增强分类概率分布。
45、在第二方面的一种具体实现方式中，所述视觉任务处理装置还可以包括：
46、归一化模块，用于对所述第三弱增强分类概率分布进行归一化，得到归一化的所述第三弱增强分类概率分布；
47、在第二方面的一种具体实现方式中，所述数据分布对齐损失项确定模块可以具体用于：根据归一化的所述第三弱增强分类概率分布和所述第一强增强模型输出，确定所述数据分布对齐损失项。
48、在第二方面的一种具体实现方式中，所述第一分布计算模块可以具体用于：对所述目标域数据进行弱数据增强，得本文档来自技高网...
【技术保护点】
1.一种视觉任务处理方法，其特征在于，包括：
2.根据权利要求1所述的视觉任务处理方法，其特征在于，所述添加数据分布对齐损失项的损失函数的构建过程包括：
3.根据权利要求2所述的视觉任务处理方法，其特征在于，所述根据所述第二弱增强分类概率分布，对所述第一弱增强分类概率分布进行数据分布对齐，得到第三弱增强分类概率分布，包括：
4.根据权利要求2所述的视觉任务处理方法，其特征在于，在根据所述第三弱增强分类概率分布和所述第一强增强模型输出，确定所述数据分布对齐损失项之前，还包括：
5.根据权利要求2所述的视觉任务处理方法，其特征在于，所述计算目标域数据的第一弱增强分类概率分布，包括：
6.根据权利要求2所述的视觉任务处理方法，其特征在于，所述计算源域数据的第二弱增强分类概率分布，包括：
7.根据权利要求2至6中任一项所述的视觉任务处理方法，其特征在于，所述计算所述目标域数据的第一强增强模型输出，包括：
8.一种视觉任务处理装置，其特征在于，包括：
9.一种计算机可读存储介质，所述计算机可读存
10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的视觉任务处理方法的步骤。
...【技术特征摘要】
1.一种视觉任务处理方法，其特征在于，包括：
2.根据权利要求1所述的视觉任务处理方法，其特征在于，所述添加数据分布对齐损失项的损失函数的构建过程包括：
3.根据权利要求2所述的视觉任务处理方法，其特征在于，所述根据所述第二弱增强分类概率分布，对所述第一弱增强分类概率分布进行数据分布对齐，得到第三弱增强分类概率分布，包括：
4.根据权利要求2所述的视觉任务处理方法，其特征在于，在根据所述第三弱增强分类概率分布和所述第一强增强模型输出，确定所述数据分布对齐损失项之前，还包括：
5.根据权利要求2所述的视觉任务处理方法，其特征在于，所述计算目标域数据的第一弱增强分类概率分布，包括：
6.根据权利要求2...
【专利技术属性】
技术研发人员：赵煜冰，王侃，董培，庞建新，谭欢，
申请(专利权)人：深圳市优必选科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。