[发明专利]数据处理方法、电子设备及相关产品

说明书

本申请实施例公开了一种数据处理方法、电子设备及相关产品，应用于电子设备，所述方法包括：将第一训练集输入第一神经网络模型进行运算，得到第一参数模型；将第二训练集输入第二神经网络模型进行运算，得到第二参数模型；依据第一参数模型对第二训练集进行运算，得到第二参考训练集；依据第二参数模型对第一训练集进行运算，得到第一参考训练集；将第一参考训练集输入第一参数模型进行运算以及将第二参考训练集输入第二参数模型进行运算，将两者之中的较为收敛的神经网络模型作为训练好的神经网络模型。采用本申请实施例可以基于无监督学习的方式提升神经网络模型的精度。

技术领域

本申请涉及图像处理技术领域，具体涉及一种数据处理方法、电子设备及相关产品。

背景技术

以往关于人脸识别的研究进展缓慢，因为人脸识别往往需要大规模甚至上亿级别的数据支撑才能训练出理想的效果，现如今许多带有人工标注的大规模公共数据集已经开源，这无疑推动了人脸识别的快速发展，也为人脸识别领域带来了精度上的提升。近年来关于人脸识别的研究越来越多，人脸识别已被广泛应用于监控场景、小区门禁、手机等各个领域。然而，在实际应用中，即使是使用大规模公共数据集训练好的模型，如果直接部署到一个新的场景，显著的场景差异通常会导致精度的明显下降。为了解决模型的泛化能力，往往需要在新的场景进行人脸数据采集、归类和人工筛查，由于数据规模越来越大，人工筛查的成本相应增加，最后会导致人工筛查也变得无法实现，进而，否则模型精度降低。因此，如何提升神经网络模型的精度的问题亟待解决。

发明内容

本申请实施例提供了一种数据处理方法、电子设备及相关产品，能够提升神经网络模型的精度。

第一方面，本申请实施例提供一种数据处理方法，应用于电子设备，所述方法包括：

获取针对人脸的初始训练集；

基于所述初始训练集，确定第一训练集和第二训练集；

将所述第一训练集输入第一神经网络模型进行运算，得到第一参数模型；

将所述第二训练集输入第二神经网络模型进行运算，得到第二参数模型，所述第一神经网络模型与所述第二神经网络模型的网络结构相同但模型参数不同；

N次执行如下步骤S1-步骤S4，所述N为正整数：

S1、依据第i-1次的所述第一参数模型和第i次的所述第一神经网络模型的模型参数构造第i次的第一参数模型，i为正整数；

S2、依据所述第i-1次的所述第二参数模型和第i次的所述第二神经网络模型的模型参数构造第i次的第二参数模型；

S3、依据所述第i次的第二参数模型对第i-1次的第一训练集进行运算，得到第i次的第一参考训练集，并依据所述第i次的第一参考训练集输入所述i-1次的第一神经网络模型进行运算，得到第i次的第一参数模型；

S4、依据所述第i次的第一参数模型对第i-1次的第二训练集进行运算，得到第i次的第二参考训练集，并依据所述第i次的第二参考训练集输入所述i-1次的第二神经网络模型进行运算，得到第i次的第二参数模型；

将第N次的第一参数模型和第N次的第二参数模型中的较为收敛的神经网络模型作为训练好的神经网络模型。

第二方面，本申请实施例提供一种数据处理装置，应用于电子设备，所述装置包括：获取单元、确定单元、运算单元和构造单元，其中，

所述获取单元，用于获取针对人脸的初始训练集；

所述确定单元，用于基于所述初始训练集，确定第一训练集和第二训练集；

所述运算单元，用于将所述第一训练集输入第一神经网络模型进行运算，得到第一参数模型；