【技术实现步骤摘要】
数据处理方法、装置、设备及存储介质
[0001]本申请涉及人工智能技术等领域,尤其涉及一种数据处理方法、装置、设备及存储介质。
技术介绍
[0002]人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处 理技术以及机器学习/深度学习等几大方向。其中,计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,图像识别是基于已训练的图像识别模型识别出图像所具有的标签,图像所具有的标签反映图像中的对象的类别。实践中发现,目前的图像识别模型识别标签的耗时比较长,导致标签识别的效率比较低。
技术实现思路
[0003]本申请实施例提供一种数据处理方法、装置、设备及存储介质,降低业务扩散模型识别标签的耗时,提高业务扩散模型的标签识别的效率。
[0004]本申请实施例一方面提供一种数据处理方法,包括:获取与目标业务关联的目标业务图像和N个候选业务标签;N为大于1的正整数;向上述目标业务图像中添加K个时间步长对应的随机噪声数据,得到上述目标业务图像的K个加噪图像;K为大于1的正整数;将上述N个候选业务标签和上述目标业务图像的K个加噪图像,输出至业务扩散模型中,通过上述业务扩散模型根据候选业务标签i,对上述目标业务图像的K个加噪图像进行去噪处理,得到上述候选业务标签i在上述K个时间步长下分别对应的去噪图像;i为小于或等于N的正整数,N为大于1的正整数;对上述候选业务标签i在 ...
【技术保护点】
【技术特征摘要】
1.一种数据处理方法,其特征在于,包括:获取与目标业务关联的目标业务图像和N个候选业务标签;N为大于1的正整数;向所述目标业务图像中添加K个时间步长对应的随机噪声数据,得到所述目标业务图像的K个加噪图像;K为大于1的正整数;将所述N个候选业务标签和所述目标业务图像的K个加噪图像,输出至业务扩散模型中,通过所述业务扩散模型根据候选业务标签i,对所述目标业务图像的K个加噪图像进行去噪处理,得到所述候选业务标签i在所述K个时间步长下分别对应的去噪图像;i为小于或等于N的正整数,N为大于1的正整数;对所述候选业务标签i在所述K个时间步长下分别对应的去噪图像进行融合,得到所述候选业务标签i对应的融合去噪图像;根据所述N个候选业务标签分别对应的融合去噪图像,从所述N个候选业务标签中确定所述目标业务图像的目标业务标签。2.如权利要求1所述的方法,其特征在于,所述对所述候选业务标签i在所述K个时间步长下分别对应的去噪图像进行融合,得到所述候选业务标签i对应的融合去噪图像,包括:对所述候选业务标签i在所述K个时间步长下分别对应的去噪图像进行平均化处理,得到所述候选业务标签i对应的平均去噪图像;将所述候选业务标签i对应的平均去噪图像,确定为所述候选业务标签i对应的融合去噪图像。3.如权利要求1所述的方法,其特征在于,所述根据所述N个候选业务标签分别对应的融合去噪图像,从所述N个候选业务标签中确定所述目标业务图像的目标业务标签,包括:根据所述N个候选业务标签分别对应的融合去噪图像,确定所述N个候选业务标签分别对应的初始业务特征值;对所述N个候选业务标签分别对应的业务特征值进行平均化处理,得到平均业务特征值;将所述N个候选业务标签中初始业务特征值大于所述平均业务特征值的候选业务标签,确定为所述目标业务图像的目标业务标签。4.如权利要求1所述的方法,其特征在于,所述方法还包括:向与所述目标业务关联的样本业务图像中添加随机步长t对应的随机噪声数据,得到所述样本业务图像的加噪图像,向通用图像中添加所述随机步长t对应的随机噪声数据,得到所述通用图像的加噪图像;t为正整数;通过通用扩散模型,根据所述通用图像的加噪图像,识别所述通用图像与所述通用图像的通用图像标签之间的第一类相关性特征;通过初始扩散模型,根据所述第一类相关性特征和所述样本业务图像的标注业务标签,识别所述样本业务图像的加噪图像中的预测噪声数据;所述初始扩散模型的结构与所述通用扩散模型的结构相同;根据所述预测噪声数据和所述随机步长t对应的随机噪声数据,对所述初始扩散模型进行训练,得到所述业务扩散模型。5.如权利要求4所述的方法,其特征在于,所述通用扩散模型的上采样网络包括L个上采样块,所述通用扩散模型的下采样网络包括L个下采样块,L为大于1的正整数;
所述通过通用扩散模型,根据所述通用图像的加噪图像,识别所述通用图像与所述通用图像的通用图像标签之间的第一类相关性特征,包括:针对第j+1上采样迭代,获取所述通用扩散模型的上采样块j所输出的所述通用图像的上采样图像X
j
;所述通用图像的上采样图像X
j
是根据所述通用图像的加噪图像得到的;j为小于L的正整数;获取所述通用扩散模型的下采样块L
‑
j所输出的所述通用图像在第L
‑
j次下采样迭代的下采样图像;通过所述通用扩散模型的上采样块j+1,根据所述通用图像标签、所述上采样图像X
j
以及所述通用图像在所述第L
‑
j次下采样迭代的下采样图像,识别所述通用图像在所述第j+1次上采样迭代下与所述通用图像标签之间的相关性特征;将所述通用图像在L次上采样迭代下分别与所述通用图像标签之间的相关性特征,确定为所述通用图像与所述通用图像标签之间的第一类相关性特征。6.如权利要求5所述的方法,其特征在于,所述通过所述通用扩散模型的上采样块j+1,根据所述通用图像标签、所述上采样图像X
j
以及所述通用图像在所述第L
‑
j次下采样迭代的下采样图像,识别所述通用图像在所述第j+1次上采样迭代下与所述通用图像标签之间的相关性特征,包括:通过所述通用扩散模型的上采样块j+1,对所述上采样图像X
j
与所述通用图像在所述第L
‑
j次下采样迭代的下采样图像进行融合,得到通用融合图像;获取所述通用扩散模型的上采样块j+1对应的文本权重和图像权重;采用所述文本权重对所述通用图像标签对应的文本特征进行加权处理,得到加权文本向量;采用所述图像权重对所述通用融合图像的图像特征进行加权处理,得到加权图像向量;根据所述加权文本向量和所述加权图像向量,确定所述通用图像在所述第j+1次上采样迭代下与所述通用图像标签之间的相关性特征。7.如权利要求6所述的方法,其特征在于,所述根据所述加权文本向量和所述加权图像向量,确定所述通用图像在所述第j+1次上采样迭代下与所述通用图像标签之间的相关性特征,包括:对所述加权文本向量和加权图像向量进行乘积处理,得到所述通用图像在所述第j+1次上采样迭代下与所述通用图像标签之间的初始相关性特征;对所述通用图像在所述第j+1次上采样迭代下与所述通...
【专利技术属性】
技术研发人员:朱城,
申请(专利权)人:腾讯科技深圳有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。