[发明专利]基于机器学习模型处理多媒体数据的方法、装置及介质

权利要求书

1.一种基于机器学习模型处理多媒体数据的方法，其特征在于，所述方法包括：

获取输入数据输入第一机器学习框架后的第一结果数据，所述机器学习模型应用于所述第一机器学习框架；

获取所述输入数据输入第二机器学习框架后的第二结果数据；

将所述第二结果数据作为验证数据；

其中，所述机器学习模型应用于所述第二机器学习框架，且所述第二机器学习框架为对所述机器学习模型进行训练或预测的机器学习框架；

获取所述第一结果数据与所述验证数据的相似度，所述验证数据与所述机器学习模型相关联，所述相似度包括下述中至少一种：向量距离相似度、像素精度相似度、信噪比相似度；

当所述相似度大于设定阈值时，通过所述第一机器学习框架，对多媒体数据进行处理。

2.如权利要求1所述的方法，其特征在于，所述第一机器学习框架包括：图像分类机器学习框架、图像分割机器学习框架、目标检测机器学习框架、语音识别机器学习框架或机器翻译机器学习框架。

3.如权利要求1所述的方法，其特征在于，当所述相似度包括向量距离相似度、像素精度相似度和信噪比相似度中至少两种时，所述相似度大于设定阈值包括：

所述至少两种相似度中每种相似度均大于对应的设定阈值。

4.一种基于机器学习模型处理多媒体数据的装置，其特征在于，所述装置包括：

结果数据获取模块，被设置为获取输入数据输入第一机器学习框架后的第一结果数据，所述机器学习模型应用于所述第一机器学习框架；

验证数据获取模块，被设置为获取所述输入数据输入第二机器学习框架后的第二结果数据，将所述第二结果数据作为验证数据，其中，所述机器学习模型应用于所述第二机器学习框架，且所述第二机器学习框架为对所述机器学习模型进行训练或预测的机器学习框架；

相似度获取模块，被设置为获取所述第一结果数据与所述验证数据的相似度，所述验证数据与所述机器学习模型相关联，所述相似度包括下述中至少一种：向量距离相似度、像素精度相似度、信噪比相似度；

数据处理模块，被设置为当所述相似度大于设定阈值时，通过所述第一机器学习框架，对多媒体数据进行处理。

5.如权利要求4所述的装置，其特征在于，所述第一机器学习框架包括：图像分类机器学习框架、图像分割机器学习框架、目标检测机器学习框架、语音识别机器学习框架或机器翻译机器学习框架。

6.如权利要求5所述的装置，其特征在于，所述数据处理模块还被设置为：

当所述相似度包括向量距离相似度、像素精度相似度和信噪比相似度中至少两种时，当所述至少两种相似度中每种相似度均大于对应的设定阈值时，通过所述第一机器学习框架，对多媒体数据进行处理。

7.一种基于机器学习模型处理多媒体数据的装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取输入数据输入第一机器学习框架后的第一结果数据，所述机器学习模型应用于所述第一机器学习框架；

获取所述输入数据输入第二机器学习框架后的第二结果数据；

将所述第二结果数据作为验证数据；

其中，所述机器学习模型应用于所述第二机器学习框架，且所述第二机器学习框架为对所述机器学习模型进行训练或预测的机器学习框架；

获取所述第一结果数据与所述验证数据的相似度，所述验证数据与所述机器学习模型相关联，所述相似度包括下述中至少一种：向量距离相似度、像素精度相似度、信噪比相似度；

当所述相似度大于设定阈值时，通过所述第一机器学习框架，对多媒体数据进行处理。

8.一种非临时性计算机可读存储介质，当所述存储介质中的指令由设备的处理器执行时，使得设备能够执行一种基于机器学习模型处理多媒体数据的方法，所述方法包括：

获取输入数据输入第一机器学习框架后的第一结果数据，所述机器学习模型应用于所述第一机器学习框架；

获取所述输入数据输入第二机器学习框架后的第二结果数据；

将所述第二结果数据作为验证数据；

其中，所述机器学习模型应用于所述第二机器学习框架，且所述第二机器学习框架为对所述机器学习模型进行训练或预测的机器学习框架；

获取所述第一结果数据与所述验证数据的相似度，所述验证数据与所述机器学习模型相关联，所述相似度包括下述中至少一种：向量距离相似度、像素精度相似度、信噪比相似度；

当所述相似度大于设定阈值时，通过所述第一机器学习框架，对多媒体数据进行处理。