[发明专利]深度学习模型的建立方法、数据处理方法及装置

说明书

本发明提供了一种深度学习模型的建立方法、数据处理方法及装置，首先通过对原始样本数据进行力度较小的数据增广处理，获取第一样本数据和第二样本数据，并利用初始深度学习模型处理第一样本数据直接获取第一特征向量，但在利用初始深度学习模型处理第二样本数据时，修改第二样本数据对应的目标特征图的尺寸，相当于在特征空间中对第二样本数据进行了进一步的隐形数据增广，由于不是基于原始样本数据的数据本身进行的数据增广，从而可以确保针对于第二样本数据的处理较为适中，使得第一特征向量和第二特征向量之间在特征空间上有合适的距离，有利于进一步基于这些特征向量对初始深度学习模型进行训练，从而提高了目标深度学习模型的精度。

技术领域

本发明属于计算机技术领域，特别是涉及一种深度学习模型的建立方法、数据处理方法及装置。

背景技术

相较于采用具有标注信息的监督学习算法，计算机视觉相关的对比自监督学习算法不需要进行繁重的数据标注过程，因此，对比自监督学习算法在计算机视觉技术领域获得了广泛的应用。

目前，计算机视觉技术领域的对比自监督学习算法，是将同一张未经标注的原始样本图片，经过随机图像亮度、对比度调整和随机剪裁等数据增广处理，从而得到多张增广样本图片，其中，多张增广样本图片可以看作是原始样本图片的不同视角，多张增广样本图片与原始样本图片组成正样本图片分类，正样本图片分类中样本图片之间的相似度较高；原始样本图片与除增广样本图片之外的样本图片组成负样本图片分类，负样本图片分类中样本图片之间的相似度很低，因此，正样本图片分类和负样本图片分类中的样本图片相当于经过了信息标注的样本图片，利用得到的正样本图片分类和负样本图片分类中的样本图片训练深度学习模型，从而可以得到应用于计算机视觉相关任务的深度学习模型。

但是，在目前的方案中，无法准确的控制数据增广处理的力度，若数据增广处理的力度较大，则多个增广样本图片之间的差异较大，深度学习模型训练难度较大，若数据增广处理的力度较小，则多个增广样本图片太过相似，深度学习模型训练并不能从增广样本图片中获取较多的信息，使得最终得到的深度学习模型精度较差。

发明内容

本发明提供一种深度学习模型的建立方法、数据处理方法及装置，以便解决现有技术中无法准确的控制数据增广处理的力度的问题。

为了解决上述技术问题，本发明是这样实现的：

第一方面，本发明实施例提供了一种深度学习模型的建立方法，该方法可以包括：

确定第一样本数据和第二样本数据，所述第一样本数据和所述第二样本数据是由同一原始样本数据经过数据增广处理后得到的，所述第一样本数据和所述第二样本数据之间的特征差异值小于预设特征差异值；

在将所述第一样本数据输入初始深度学习模型之后，得到所述初始深度学习模型输出的第一特征向量；

在将所述第二样本数据输入所述初始深度学习模型，分别提取所述第二样本数据的多张特征图，并对所述多张特征图中的任一特征图的尺寸进行修改之后，得到所述初始深度学习模型输出的第二特征向量；

根据所述第一特征向量、所述第二特征向量和预设的损失函数训练所述初始深度学习模型，得到目标深度学习模型。

第二方面，本发明实施例提供了一种数据处理方法，该方法可以包括：

获取待处理图像；

将所述待处理图像输入深度学习模型进行处理，输出针对所述待处理图像的处理结果。

第三方面，本发明实施例提供了一种深度学习模型的建立装置，该深度学习模型的建立装置可以包括：

确定模块，用于确定第一样本数据和第二样本数据，所述第一样本数据和所述第二样本数据是由同一原始样本数据经过数据增广处理后得到的，所述第一样本数据和所述第二样本数据之间的特征差异值小于预设特征差异值；