[发明专利]数据处理、训练、识别方法、装置和存储介质

权利要求书

1.一种数据处理方法，其特征在于，包括：

将具备第一数量通道的第一特征数据输入至具备第二数量滤波器的第一类卷积层进行计算，输出具备第二数量通道的第二特征数据，其中，所述第一数量大于所述第二数量；

将所述具备第二数量通道的第二特征数据输入至具备所述第二数量滤波器的第二类卷积层，并根据所述第二类卷积层中的全连接层生成的所述第二类卷积层中各个滤波器的权重的掩码；

依据所述掩码确定所述第二类卷积层中的各个滤波器与所述第二特征数据中的各通道的连接方式；

依据所述连接方式得到的映射关系对所述第二特征数据进行卷积计算，得到第三特征数据；

将所述具备第二数量通道的第三特征数据输入至具备所述第一数量滤波器的第三类卷积层进行计算，输出具备所述第一数量通道的第四特征数据。

2.根据权利要求1所述的方法，其特征在于，所述数据处理方法应用于人工智能中的深度学习。

3.根据权利要求1所述的方法，其特征在于，所述数据处理方法应用于识别图片/视频中的目标的姿态或动作。

4.一种数据训练方法，其特征在于，包括：

获取待训练的权重分类模型，其中，所述权重分类模型为获取图像数据的图像特征的神经网络模型；

对所述待训练的权重分类模型进行训练，得到收敛的权重分类模型；

其中，所述对所述待训练的权重分类模型进行训练中使用的方法包括权利要求1中的数据处理方法。

5.根据权利要求4所述的方法，其特征在于，所述对所述待训练的权重分类模型进行训练，得到收敛的权重分类模型包括：

将第一预设数据集中的数据输入所述待训练的权重分类模型，得到类别预测结果；

依据所述类别预测结果与所述第一预测数据集中的数据的标签类别，得到所述类别预测结果与所述第一预测数据集中的数据的标签类别的误差；

依据所述误差进行反向传播算法训练所述待训练的权重分类模型，直至所述待训练的权重分类模型收敛，得到所述收敛的权重分类模型。

6.根据权利要求5所述的方法，其特征在于，所述依据所述误差进行反向传播算法训练所述待训练的权重分类模型，直至所述待训练的权重分类模型收敛包括：

通过激励传播和权重更新的反复迭代，直至所述待训练的权重分类模型收敛；

其中，在所述待训练的权重分类模型包括残差结构，池化结构和全连接结构的情况下，通过激励传播和权重更新的反复迭代，直至所述待训练的权重分类模型收敛包括：

在激励传播阶段，将图像通过所述待训练的权重分类模型的卷积层获取特征,在所述待训练的权重分类模型的全连接层获取类别预测结果,再将所述类别预测结果与第一预测数据集中的数据的标签类别求差,得到隐藏层和输出层的响应误差；

在权重更新阶段,将所述误差与本层响应对前一层响应的函数的导数相乘,获得两层之间权重矩阵的梯度,沿所述梯度的反方向以设定的学习率调整权重矩阵；将所述梯度矩阵确定为前一层的误差，并计算前一层的权重矩阵,通过迭代计算对所述待训练的权重分类模型更新，直至所述待训练的权重分类模型收敛。

7.一种数据训练方法，其特征在于，包括：

通过收敛的权重分类模型初始化目标检测模型中的特征提取模块，获得待训练的目标检测模型；其中，所述收敛的权重分类模型通过权利要求4中所述的方法训练得到；

通过第二预设数据集中的目标位置框标签信息对待训练的目标检测模型进行训练，得到训练后的目标检测模型；

依据第三预设数据集中的目标关键点标签信息对待训练的单人姿态估计模型的网络参数进行训练,得到训练后的单人姿态估计模型；

依据所述训练后的目标检测模型和所述训练后的单人姿态估计模型，得到权重注意力神经网络模型。