[发明专利]任务数据的处理方法、装置、设备和存储介质

权利要求书

1.一种任务数据的处理方法，应用于图像处理领域，其特征在于，包括：

获取待处理的任务数据；所述任务数据包括图像数据；

将所述待处理的任务数据输入至预设的多任务学习网络进行处理，得到多个目标输出数据；所述目标输出数据包括所述图像数据的处理结果，所述处理结果包括图像中的目标识别结果；

其中，所述多任务学习网络为基于多个训练完成的目标单任务学习网络和第一训练数据集进行训练得到的神经网络，所述多任务学习网络具有多个任务处理层，一个任务处理层包括至少一个神经元函数；所述目标单任务学习网络为基于一个初始单任务学习网络和第二训练数据集进行训练得到的神经网络；

所述第一训练数据集包括所述多任务学习网络的第一训练输入数据和第一训练输出标签，所述第二训练数据集包括每个初始单任务学习网络的第二训练输入数据和第二训练输出标签；

所述多任务学习网络为基于多个训练完成的目标单任务学习网络和第一训练数据集进行训练得到的神经网络，包括：

采用有放回随机采样算法，从所述第一训练数据集中选取N组第三训练数据集；其中，每一组第三训练数据集包括第三训练输入数据和第三训练输出标签；

将每一组第三训练数据集中的第三训练输入数据分别输入至每个目标单任务学习网络进行处理，得到每一组第三训练数据对应的每个所述目标单任务学习网络的实际输出数据；

针对每一组第三训练数据集对应的每个所述目标单任务学习网络的实际输出数据，根据误差损失函数计算每个所述目标单任务学习网络的实际输出数据和所述第三训练输出标签的第二误差，并对每个所述第二误差进行加权求和，得到每一组第三训练数据对应的加权误差；

判断所述每一组第三训练数据集对应的加权误差是否小于第二预设阈值；

若是，则将多个目标单任务学习网络构成的第一学习网络确定为所述多任务学习网络。

2.根据权利要求1所述的方法，其特征在于，所述多任务学习网络的构建方式包括：

根据所述第二训练数据集中的第二训练输入数据和第二训练输出标签对多个初始单任务学习网络中的网络参数进行训练，得到多个所述目标单任务学习网络；

根据所述第一训练数据集和多个所述目标单任务学习网络，训练得到所述多任务学习网络。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第二训练数据集中的第二训练输入数据和第二训练输出标签对多个初始单任务学习网络中的网络参数进行训练，得到多个所述目标单任务学习网络，包括：

根据所述第二训练数据集中的第二训练输入数据、所述第二训练输出标签、预设的任务处理层的数量、预设的任务处理层的类型以及预设的任务处理层上的神经元函数的数量，对每个所述初始单任务学习网络中的网络参数进行训练，得到多个所述目标单任务学习网络；

其中，每个目标单任务学习网络中前M层中位于同一层数的任务处理层的类型相同，且前M层中位于同一层数的任务处理层上神经元函数的数量相同。

4.根据权利要求3所述的方法，其特征在于，所述根据所述第一训练数据集和多个所述目标单任务学习网络，训练得到所述多任务学习网络，包括：

根据所述多个目标单任务学习网络中的前M层中每一个任务处理层的类型以及前M层中每一个任务处理层上的神经元函数的数量，确定层数为M的初始预训练层；其中，所述初始预训练层上的每个神经元函数的网络参数等于0；

将每个所述目标单任务学习网络中的剩余任务处理层确定为初始单任务输出层；其中，一个目标单任务学习网络中的全部剩余任务处理层对应一个初始单任务输出层，所述初始单任务输出层上的每个神经元函数的网络参数与所对应的目标单任务学习网络中剩余任务处理层上的神经元函数的网络参数相同；

根据所述第一训练数据集对所述初始预训练层上的神经元函数的网络参数、以及对每个所述初始单任务输出层上的每个神经元函数的网络参数进行训练，得到所述初始预训练层对应的第一目标网络参数以及每个所述初始单任务输出层对应的第二目标网络参数；

根据所述第一目标网络参数、所述第二目标网络参数、所述初始预训练层以及每个初始单任务输出层，确定所述多任务学习网络。