[發明專利]信息預估方法、裝置，電子設備

在審

• 申請號: 202010582024.8
• 申請日: 2020-06-23
• 公開（公告）號: CN111881747A
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 高海涵;謝乾龍;王興星;朱尹華;俞悅
• 申請（專利權）人: 北京三快在線科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 任亞娟

本申請公開了一種信息預估方法，屬于計算機技術領域，有助于提升預估圖像中人物身份屬性信息的運算效率。所述方法包括：基于當前預估圖像信息，獲取模型輸入數據；通過預設信息預估模型中的編碼網絡，對模型輸入數據進行編碼，得到一編碼向量；通過該模型中并行設置的多個分支網絡分別對所述編碼向量進行特征映射，獲得與各自分支網絡對應的第一屬性值；不同分支網絡分別基于所述編碼向量預估不同的第一屬性，不同的第一屬性與該模型預估的第二屬性之間滿足貝葉斯法則；通過該模型的融合網絡對各分支網絡輸出的相應所述第一屬性值進行融合計算，得到第二屬性值。本方法通過將預估目標拆分為多個子目標并行計算，提升了模型訓練和識別運算效率。

技術領域

本申請實施例涉及計算機技術領域，特別是涉及一種信息預估方法、裝置、電子設備及計算機可讀存儲介質。

背景技術

隨著神經網絡技術的廣泛應用，很多數據分析和處理問題都可以通過神經網絡模型來實現。例如，通過對氣象數據的學習，對天氣情況進行預估；通過對人員外在特征進行學習，從而識別人員身份屬性；通過對海量數據的學習，進而對用戶成單概率進行預估。不同的數據處理需求可以采用不同類型的神經網絡模型。例如，通過對海量數據的學習，進而對用戶成單概率進行預估，可以采用分類模型；對人員外在特征進行學習，從而識別人員身份屬性，可以采用回歸模型。以識別圖像中人物身份屬性為例，需要識別出圖像中人物為青年女性、青年男性、中年女性、中年男性等身份屬性時，需要對大量的訓練樣本進行學習。由于回歸模型回歸的結果范圍寬，導致回歸模型不易收斂，訓練回歸模型時效率低下，在信息預估時也存在同樣的效率低下的問題。

可見，現有技術中的信息預估方法至少存在效率低下的缺陷。

發明內容

本申請實施例提供一種信息預估方法，有助于提升信息預估的效率。

為了解決上述問題，第一方面，本申請實施例提供了一種信息預估方法，包括：

基于當前預估圖像信息，獲取模型輸入數據；

通過預設信息預估模型中的編碼網絡，對所述模型輸入數據進行編碼，得到一編碼向量；

通過所述預設信息預估模型中并行設置的多個分支網絡分別對所述編碼向量進行特征映射，獲得與各自分支網絡對應的第一屬性值；其中，不同的所述分支網絡分別基于所述編碼向量預估不同的第一屬性，不同的所述第一屬性與所述預設信息預估模型預估的第二屬性之間滿足貝葉斯法則；

通過所述預設信息預估模型的融合網絡對各所述分支網絡輸出的相應所述第一屬性值，進行融合計算，得到所述當前預估圖像匹配的第二屬性值。

第二方面，本申請實施例提供了一種信息預估裝置，包括：

模型輸入數據獲取模塊，用于基于當前預估圖像信息，獲取模型輸入數據；

編碼模塊，用于通過預設信息預估模型中的編碼網絡，對所述模型輸入數據進行編碼，得到一編碼向量；

并行特征映射模塊，用于通過所述預設信息預估模型中并行設置的多個分支網絡分別對所述編碼向量進行特征映射，獲得與各自分支網絡對應的第一屬性值；其中，不同的所述分支網絡分別基于所述編碼向量預估不同的第一屬性，不同的所述第一屬性與所述預設信息預估模型預估的第二屬性之間滿足貝葉斯法則；

融合計算模塊，用于通過所述預設信息預估模型的融合網絡對各所述分支網絡輸出的相應所述第一屬性值，進行融合計算，得到所述當前預估圖像匹配的第二屬性值。

第三方面，本申請實施例還公開了一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現本申請實施例所述的信息預估方法。

第四方面，本申請實施例提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時本申請實施例公開的信息預估方法的步驟。