[发明专利]数据处理方法、模型训练方法、装置及设备

权利要求书

1.一种数据处理方法，其特征在于，所述方法包括：

获取待处理图像；

将所述待处理图像输入训练好的神经网络模型进行处理，得到图像处理结果；所述训练好的神经网络模型是基于元学习技术对初始的神经网络模型训练获得，所述初始的神经网络模型包括基于自监督预训练的方式获得的特征提取网络。

2.根据权利要求1所述的方法，其特征在于，所述训练好的神经网络模型按照下述方式训练得到：

基于第一训练样本集合，采用自监督学习技术对初始的特征提取网络中的网络参数进行优化，得到训练好的特征提取网络；

基于第二训练样本集合，采用元学习技术对初始的神经网络模型的模型参数进行优化，得到所述训练好的神经网络模型，所述初始的神经网络模型包括所述训练好的特征提取网络。

3.根据权利要求2所述的方法，其特征在于，所述基于第一训练样本集合，采用自监督学习技术对初始的特征提取网络中的网络参数进行优化，得到训练好的特征提取网络，包括：

对第一训练样本集合中的多个样本图像分别进行第一预处理和第二预处理，得到各样本图像的第一子样本图像和第二子样本图像；

将所述样本图像的第一子样本图像和第二子样本图像分别输入至初始的特征提取网络，以分别提取所述第一子样本图像和所述第二子图像的样本特征；

基于所述第一子样本图像和所述第二子样本图像的样本特征确定第一损失函数的损失值；

对所述特征提取网络的网络参数进行迭代调整，直至所述第一损失函数的损失值满足预设要求。

4.根据权利要求2所述的方法，其特征在于，所述基于第二训练样本集合，采用元学习技术对初始的神经网络模型的模型参数进行优化，得到所述训练好的神经网络模型，包括：

根据所述第二训练样本集合生成用于元学习的多个子任务，各子任务包括一支持集和一查询集；所述支持集和所述查询集中包括的样本图像不相交，但样本图像的样本类别相同；

针对所述多个子任务中的一子任务，将所述子任务的支持集中的多个样本图像分别输入初始的神经网络模型中，确定所述支持集对应多个样本类别中各样本类别的描述信息；将所述子任务的查询集中多个待分类样本图像分别输入所述初始的神经网络模型中，得到所述待分类样本图像的样本特征与所述多个样本类别分别的描述信息的距离；基于所述距离确定第二损失函数的损失值；对所述初始的神经网络模型的网络参数进行迭代调整，直至所述第二损失函数的损失值满足预设要求；

其中，所述训练好的神经网络模型是通过基于所述多个子任务分别进行训练获得。

5.根据权利要求2-4任一项所述的方法，其特征在于，所述第一训练样本集合与所述第二训练样本集合相同。

6.根据权利要求2-4任一项所述的方法，其特征在于，所述第一训练样本集合与所述第二训练样本集合中的样本图像不同，且所述第一训练样本集合的样本数量远大于所述第二训练样本集合的样本数量。

7.根据权利要求1所述的方法，其特征在于，所述特征提取网络包括增强多尺度深度信息最大值AMDIM网络。

8.一种模型训练方法，其特征在于，所述方法包括：

基于第一训练样本集合，采用自监督学习技术对初始的特征提取网络中的网络参数进行优化，得到训练好的特征提取网络；

基于第二训练样本集合，采用元学习技术对初始的神经网络模型的模型参数进行优化，得到所述训练好的神经网络模型，所述初始的神经网络模型包括所述训练好的特征提取网络。

9.一种数据处理方法，其特征在于，所述方法包括：

获取待处理对象；

将所述待处理对象输入训练好的神经网络模型进行处理，得到对象处理结果；所述训练好的神经网络模型是基于元学习技术对初始的神经网络模型训练获得，所述初始的神经网络模型包括基于自监督预训练的方式获得的特征提取网络。