[發明專利]數據處理方法、電子設備及相關產品

有效

• 申請號: 202011639072.2
• 申請日: 2020-12-31
• 公開（公告）號: CN112686171B
• 公開（公告）日: 2023-07-18
• 發明（設計）人: 施宏恩;李曉凱;曾兒孟;程小磊
• 申請（專利權）人: 深圳市華尊科技股份有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/774;G06V10/764;G06T7/00
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 熊永強

本申請實施例公開了一種數據處理方法、電子設備及相關產品，應用于電子設備，所述方法包括：將第一訓練集輸入第一神經網絡模型進行運算，得到第一參數模型；將第二訓練集輸入第二神經網絡模型進行運算，得到第二參數模型；依據第一參數模型對第二訓練集進行運算，得到第二參考訓練集；依據第二參數模型對第一訓練集進行運算，得到第一參考訓練集；將第一參考訓練集輸入第一參數模型進行運算以及將第二參考訓練集輸入第二參數模型進行運算，將兩者之中的較為收斂的神經網絡模型作為訓練好的神經網絡模型。采用本申請實施例可以基于無監督學習的方式提升神經網絡模型的精度。

技術領域

本申請涉及圖像處理技術領域，具體涉及一種數據處理方法、電子設備及相關產品。

背景技術

以往關于人臉識別的研究進展緩慢，因為人臉識別往往需要大規模甚至上億級別的數據支撐才能訓練出理想的效果，現如今許多帶有人工標注的大規模公共數據集已經開源，這無疑推動了人臉識別的快速發展，也為人臉識別領域帶來了精度上的提升。近年來關于人臉識別的研究越來越多，人臉識別已被廣泛應用于監控場景、小區門禁、手機等各個領域。然而，在實際應用中，即使是使用大規模公共數據集訓練好的模型，如果直接部署到一個新的場景，顯著的場景差異通常會導致精度的明顯下降。為了解決模型的泛化能力，往往需要在新的場景進行人臉數據采集、歸類和人工篩查，由于數據規模越來越大，人工篩查的成本相應增加，最后會導致人工篩查也變得無法實現，進而，否則模型精度降低。因此，如何提升神經網絡模型的精度的問題亟待解決。

發明內容

本申請實施例提供了一種數據處理方法、電子設備及相關產品，能夠提升神經網絡模型的精度。

第一方面，本申請實施例提供一種數據處理方法，應用于電子設備，所述方法包括：

獲取針對人臉的初始訓練集；

基于所述初始訓練集，確定第一訓練集和第二訓練集；

將所述第一訓練集輸入第一神經網絡模型進行運算，得到第一參數模型；

將所述第二訓練集輸入第二神經網絡模型進行運算，得到第二參數模型，所述第一神經網絡模型與所述第二神經網絡模型的網絡結構相同但模型參數不同；

N次執行如下步驟S1-步驟S4，所述N為正整數：

S1、依據第i-1次的所述第一參數模型和第i次的所述第一神經網絡模型的模型參數構造第i次的第一參數模型，i為正整數；

S2、依據所述第i-1次的所述第二參數模型和第i次的所述第二神經網絡模型的模型參數構造第i次的第二參數模型；

S3、依據所述第i次的第二參數模型對第i-1次的第一訓練集進行運算，得到第i次的第一參考訓練集，并依據所述第i次的第一參考訓練集輸入所述i-1次的第一神經網絡模型進行運算，得到第i次的第一參數模型；

S4、依據所述第i次的第一參數模型對第i-1次的第二訓練集進行運算，得到第i次的第二參考訓練集，并依據所述第i次的第二參考訓練集輸入所述i-1次的第二神經網絡模型進行運算，得到第i次的第二參數模型；

將第N次的第一參數模型和第N次的第二參數模型中的較為收斂的神經網絡模型作為訓練好的神經網絡模型。

第二方面，本申請實施例提供一種數據處理裝置，應用于電子設備，所述裝置包括：獲取單元、確定單元、運算單元和構造單元，其中，

所述獲取單元，用于獲取針對人臉的初始訓練集；

所述確定單元，用于基于所述初始訓練集，確定第一訓練集和第二訓練集；

所述運算單元，用于將所述第一訓練集輸入第一神經網絡模型進行運算，得到第一參數模型；