[发明专利]智能多任务特征数据共享方法及装置

说明书

本发明提供了智能多任务特征数据共享方法和装置。所述多任务特征数据共享的方法采用多任务下分析处理特征数据共享，所述任务中至少有两个任务的分析处理所输入的特征数据满足以下条件：至少包括一部分特征数据为共享的特征数据；至少一个任务的分析处理所输入的特征数据还包括所述共享的特征数据以外的其它特征数据。本发明通过实现多任务特征数据共享，提高单个任务下的分析处理模块的性能。同时可以减少单个任务分析处理模块的计算消耗，从而加快针对该单个任务下的分析处理，并且节省了硬件规模和硬件资源开销。本发明可应用到数据的智能分析与理解中。

技术领域

本发明涉及数据的智能分析与理解领域，更具体的说，尤其涉及多任务下分析处理模块的特征数据共享的方法。

背景技术

特征提取是数据的智能分析与理解领域中的经典问题。如果针对多个任务使用各自的用于特征提取的分析处理模块，计算资源的消耗很大程度上会增大。因此，研究对多任务下特征数据的处理方法必不可少。

现有的特征数据主要有以下几种形式：

1.基于矩阵的形式

特征图

分割图

2.采样点或参数的列表

有序或无序的关键点序列或采样点

表示位置和大小参数的一组关键点，例如矩形框

3.基于图的形式

带有连接线的采样点，例如骨架序列

4.语义描述，例如精度和文本输出

5.上述形式的组合

现有特征数据的分析处理技术一般采用神经网络模型的方式。神经网络模型是深度学习的一种方法，使得机器能够自主地学习数据的分析与处理。在现有的智能分析处理方法中，为了减少多任务中单个技术的分析处理消耗的计算资源，通常将神经网络模型拆分成两个部分：公共特征提取网络模型和针对特定任务的神经网络模型。公共特征提取网络模型用于将输入的原始数据提取出公共特征数据；针对特定任务的神经网络模型用于将公共特征数据进一步提取特征，输出针对特定任务的分析结果。

目前，大量数据处理分析任务都会在神经网络模型某层特征数据的基础上，再训练面向某个具体任务的网络，例如面向目标检测，目标跟踪，图像检索等具体任务。现有的特征数据的分析处理技术是将原始数据输入到公共特征提取网络模型后，再将其输出的特征数据输入到针对特定任务的神经网络模型，最终针对特定任务的神经网络模型输出分析结果。通过这种网络共享的方式能够使得多个任务下公共特征提取网络模型只需要经过一次计算，减少了单个任务下的计算资源消耗。但是不同任务之间不进行输入特征数据的共享，限制了计算资源消耗的进一步降低。

此外，虽然神经网络模型共享的方法减少了计算资源的消耗，但是现有神经网络模型的计算量依旧很大，直接对大量特征数据进行分析处理显得特别困难。因此随着深度学习技术的发展，越来越多的数据分析任务以前后端协作的方式完成，即边缘端设备采集视觉信号进行数据传输，云端完成分析任务。在此类应用中，对特征数据的压缩编码技术必不可少。一般来说，神经网络模型的多层次结构产生不同语义层次的特征数据。因此，现有的特征数据的压缩编码技术会根据特定特征数据的具体形式，采用特定的技术进行压缩，如目前已有的针对特征图压缩的MPEG-CDVS/CDVA。

发明内容

本发明提出了智能多任务特征数据共享方法和装置。所述多任务中一个任务的分析处理所需输入的特征数据包含所述多任务中另一个任务的分析处理所需输入的特征数据。所述多任务特征数据共享的装置采用多种任务下分析处理模块特征数据共享；所述多任务中一个任务的分析处理模块所需输入的特征数据包含所述多任务中另一个任务的分析处理模块所需输入的特征数据。

本发明第一个目的在于提供一种智能多任务特征数据共享方法，包括：