数据处理方法、装置、电子设备及存储介质与流程

本公开实施例涉及人工智能，尤其涉及一种数据处理方法、装置、电子设备及存储介质。

背景技术：

1、随着神经网络在自然语言处理领域的突出表现，使得计算机视觉领域也开始应用神经网络对视觉图像进行处理。

2、现有部署在客户端的神经网络虽然可以对相应的数据进行处理，但处理效果不佳。基于此，提出了一种自注意力机制的深度神经网络。该神经网络可以在很大程度上降低计算复杂度，但是，需要消耗的计算成本较高。

技术实现思路

1、本公开提供一种数据处理方法、装置、电子设备及存储介质，以实现降低模型对算力的要求，减少模型运行过程中的计算量，提高模型对数据的处理效率。

2、第一方面，本公开实施例提供了一种数据处理方法，该方法包括：

3、将获取到的待处理图像输入至卷积网络中，得到待处理图像的待处理特征；

4、基于目标网络模型以及预设通道比例，对待处理特征进行处理，得到目标特征，其中，目标网络模型包括自回归序列生成子模型和卷积网络，预设通道比例为与自回归序列生成子模型对应的自回归通道处理数量和与卷积网络对应的卷积通道处理数量之间的比例；

5、基于目标特征对待处理图像进行分析处理。

6、第二方面，本公开实施例还提供了一种数据处理装置，该装置包括：

7、图像输入模块，用于将获取到的待处理图像输入至卷积网络中，得到所述待处理图像的待处理特征；

8、特征处理模块，用于基于目标网络模型以及预设通道比例，对待处理特征进行处理，得到目标特征，其中，目标网络模型包括自回归序列生成子模型和卷积网络，预设通道比例为与自回归序列生成子模型对应的自回归通道处理数量和与卷积网络对应的卷积通道处理数量之间的比例；

9、图像分析模块，用于基于目标特征对所述待处理图像进行分析处理。

10、第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：

11、一个或多个处理器；

12、存储装置，用于存储一个或多个程序，

13、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的数据处理方法。

14、第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的数据处理方法。

15、本公开实施例的技术方案，先将获取到的待处理图像输入至卷积网络中，得到待处理图像的待处理特征，进一步的，依据各目标网络模型中自回归序列生成子模型、卷积网络以及相应的通道处理数量，依次对待处理特征进行处理，得到目标特征，最后，基于目标特征对待处理图像分析处理，通过将自回归序列生成子模型和卷积网络相结合，并根据待处理图像的图像处理需求动态调整自回归序列生成子模型和卷积网络分别对应的通道处理数量，从而实现了将两个子模型各自的优势相互结合，提高了模型特征提取效率以及简化了模型的计算复杂度。

技术特征：

1.一种数据处理方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，在得到所述待处理图像的待处理特征之后，还包括：

3.根据权利要求2所述的方法，其特征在于，所述基于目标网络模型以及预设通道比例，对所述待处理特征进行处理，得到目标特征，包括：

4.根据权利要求3所述的方法，其特征在于，所述自回归序列生成子模型包括第一子模块和第二子模块，所述基于所述自回归序列生成子模型和所述自回归通道处理数量的处理通道，对所述待处理特征进行处理，得到第一待拼接特征，包括：

5.根据权利要求4所述的方法，其特征在于，所述第一子模块中包括规范化层和自注意力层，所述基于所述第一子模块对所述待处理特征进行处理，得到第一输出特征，包括：

6.根据权利要求4所述的方法，其特征在于，所述第二子模块包括规范化层和多层感知机层，所述将所述第一残差特征输入至所述第二子模块中，得到第二输出特征，包括：

7.根据权利要求3所述的方法，其特征在于，所述基于所述卷积网络和与所述卷积通道处理数量对应的处理通道，对所述第一待拼接特征进行处理，得到第二待拼接特征，包括：

8.根据权利要求1所述的方法，其特征在于，在得到所述目标特征之后，还包括：

9.根据权利要求1-8中任一所述的方法，其特征在于，所述分析处理包括以下中的一项或多项：

10.一种数据处理装置，其特征在于，包括：

11.一种电子设备，其特征在于，所述电子设备包括：

12.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-9中任一所述的数据处理方法。

技术总结
本公开实施例提供了一种数据处理方法、装置、电子设备及存储。该方法包括：将获取到的待处理图像输入至卷积网络中，得到待处理图像的待处理特征；基于目标网络模型以及预设通道比例，对待处理特征进行处理，得到目标特征，其中，目标网络模型包括自回归序列生成子模型和卷积网络，预设通道比例为与自回归序列生成子模型对应的自回归通道处理数量和与卷积网络对应的卷积通道处理数量之间的比例；基于目标特征对待处理图像进行分析处理。本公开实施例的技术方案，通过将自回归序列生成子模型和卷积网络结合，从而构建混合的网络结构，从而实现了将两个子模型各自的优势相互结合，提高了模型特征提取效率以及简化了模型的计算复杂度。

技术研发人员：夏鑫,肖学锋
受保护的技术使用者：北京字跳网络技术有限公司
技术研发日：
技术公布日：2024/1/15