数据处理方法及装置、设备、介质和产品与流程

1.本公开涉及人工智能技术领域，尤其涉及深度学习、计算机视觉技术领域，可应用人脸识别等场景。


背景技术：

2.针对样本数据集合进行噪声样本数据筛查，能够有效改善深度网络模型的优化效率和训练效果。但是，在一些场景下，噪声样本数据筛查存在筛查效率低、成本消耗大的现象。


技术实现要素：

3.本公开提供了一种数据处理方法及装置、设备、介质和产品。
4.根据本公开的一方面，提供了一种数据处理方法，包括：对样本数据进行特征提取，得到样本数据特征；根据所述样本数据特征和预设噪声类数据特征，确定所述样本数据是否为噪声样本数据；以及响应于确定所述样本数据为非噪声样本数据，利用所述样本数据进行深度网络模型训练。
5.根据本公开的另一方面，提供了一种数据处理装置，包括：第一处理模块，用于对样本数据进行特征提取，得到样本数据特征；第二处理模块，用于根据所述样本数据特征和预设噪声类数据特征，确定所述样本数据是否为噪声样本数据；以及第三处理模块，用于响应于确定所述样本数据为非噪声样本数据，利用所述样本数据进行深度网络模型训练。
6.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器和与所述至少一个处理器通信连接的存储器。其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的数据处理方法。
7.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述的数据处理方法。
8.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述的数据处理方法。
9.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
10.附图用于更好地理解本方案，不构成对本公开的限定。其中：
11.图1示意性示出了根据本公开一实施例的数据处理方法和装置的系统架构；
12.图2示意性示出了根据本公开一实施例的数据处理方法的流程图；
13.图3示意性示出了根据本公开一实施例的确定噪声类数据特征的方法的流程图；
14.图4示意性示出了根据本公开一实施例的数据处理过程的示意图；
15.图5示意性示出了根据本公开一实施例的数据处理装置的框图；
16.图6示意性示出了根据本公开实施例的用于执行数据处理的电子设备的框图。
具体实施方式
17.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
18.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
19.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
20.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
21.本公开的实施例提供了一种数据处理方法。数据处理方法包括：对样本数据进行特征提取，得到样本数据特征，根据样本数据特征和预设噪声类数据特征，确定样本数据是否为噪声样本数据，以及响应于确定样本数据为非噪声样本数据，利用样本数据进行深度网络模型训练。
22.图1示意性示出了根据本公开一实施例的数据处理方法和装置的系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
23.根据该实施例的系统架构100可以包括数据采集端101、网络102和服务器103。网络102用于在数据采集端101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。服务器103可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或分布式系统，还可以是提供云服务、云计算、网络服务、中间件服务等基础云计算服务的云服务器。
24.数据采集端101通过网络102与服务器103进行交互，以接收或发送数据等。数据采集端101可用于采集用于训练深度网络模型的样本数据，样本数据例如可以是从生产环境回流的无标注数据。
25.服务器103可以是提供各种服务的服务器，例如可以是对数据采集端101提供的样本数据进行筛选的后台处理服务器(仅为示例)。后台处理服务器可以对接收的样本数据集合进行筛选，以剔除样本数据集合中的噪声样本数据，得到用于训练深度网络模型的正常样本数据。
26.例如，服务器103接收来自数据采集端101的样本数据，对样本数据进行特征提取，
得到样本数据特征，根据样本数据特征和预设噪声类数据特征，确定样本数据是否为噪声样本数据，以及响应于确定样本数据为非噪声样本数据，利用样本数据进行深度网络模型训练。
27.需要说明的是，本公开实施例所提供的数据处理方法可以由服务器103执行。相应地，本公开实施例所提供的数据处理装置可以设置于服务器103中。本公开实施例所提供的数据处理方法也可以由不同于服务器103且能够与数据采集端101和/或服务器103通信的服务器或服务器集群执行。相应地，本公开实施例所提供的数据处理装置也可以设置于不同于服务器103且能够与数据采集端101和/或服务器103通信的服务器或服务器集群中。
28.应该理解，图1中的数据采集端、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的数据采集端、网络和服务器。
29.本公开实施例提供了一种数据处理方法，下面结合图1的系统架构，参考图2～图4来描述根据本公开示例性实施方式的数据处理方法。本公开实施例的数据处理方法例如可以由图1所示的服务器103来执行。
30.图2示意性示出了根据本公开一实施例的数据处理方法的流程图。
31.如图2所示，本公开实施例的数据处理方法200例如可以包括操作s210～操作s230。
32.在操作s210，对样本数据进行特征提取，得到样本数据特征。
33.在操作s220，根据样本数据特征和预设噪声类数据特征，确定样本数据是否为噪声样本数据。
34.在操作s230，响应于确定样本数据为非噪声样本数据，利用样本数据进行深度网络模型训练。
35.下面示例说明本实施例的数据处理方法的各操作的示例流程。
36.示例性地，样本数据可以是通过各种公开、合法合规的方式获取的，例如可以从公开数据集处获取，或者在获得与样本数据关联的用户授权之后由数据采集端获取。样本数据并不是针对某一特定用户的场景数据，并不能反映某一特定用户的个人信息。
37.数据处理方法的执行主体响应于接收到的样本数据集合，对样本数据集合中的样本数据进行特征提取，得到样本数据特征。样本数据可以是由生产环境回流的无标注数据，样本数据集合中可能包括正常样本数据和噪声样本数据。
38.示例性地，响应于接收到的样本图像集合，对样本图像集合中的样本图像进行特征提取，得到样本图像特征。样本图像特征例如可以包括直方图特征、纹理特征或哈尔特征等。样本图像集合中可能包括人脸质量评分符合预设要求的正常样本图像，也可能包括人脸质量评分不符合预设要求的低质人脸样本图像或非人脸样本图像，低质人脸样本图像和非人脸样本图像构成噪声样本图像。
39.人脸质量评分可以是用于评判面部对称性、清晰度、人脸遮挡情况等多种因素的质量评分。可以采用多种方式确定人脸质量评分，例如可以利用预先训练的神经网络模型评估人脸样本图像的人脸质量评分。
40.在得到与样本数据关联的样本数据特征之后，根据样本数据特征和预设噪声类数据特征，确定样本数据是否为噪声样本数据。示例性地，可以在样本数据特征与噪声类数据特征满足预设相似度条件的情况下，确定样本数据为噪声样本数据。
41.响应于确定样本数据为非噪声样本数据，利用样本数据特征进行深度网络模型训练。例如，在确定人脸样本图像为非噪声样本图像的情况下，利用人脸样本图像进行深度网络模型训练，得到人脸识别模型。
42.根据样本数据特与预设噪声类数据特征之间的相似度，确定样本数据是否为噪声样本数据，可以无需人工额外标注样本数据，有利于有效提高噪声样本数据的筛查效率，和有效减少噪声样本数据的筛查成本消耗。根据相似度比较结果，确定样本数据是否为噪声样本数据，可以有效实现针对样本数据异常的判断和预警。
43.响应于确定样本数据为噪声样本数据，从样本数据集合中剔除噪声样本数据，不将噪声样本数据用于无监督、半监督的深度网络模型训练。此外，可以利用噪声样本数据的样本数据特征对噪声类数据特征进行更新，通过不断更新噪声类数据特征，有利于有效提高针对噪声样本数据的筛选效率和筛查精度。
44.通过本公开实施例，对样本数据进行特征提取，得到样本数据特征，根据样本数据特征和预设噪声类数据特征，确定样本数据是否为噪声样本数据，以及响应于确定样本数据为非噪声样本数据，利用样本数据进行深度网络模型训练。
45.可以根据预先确定的噪声类数据特征，在样本数据集合中快速、准确地筛查噪声样本数据，可以无需人工额外标注样本数据，也可以无需额外训练神经网络模型，能够有效降低筛查噪声样本数据的成本消耗和操作复杂度，和有效提高噪声样本数据的筛查效率，有利于有效改善深度网络模型的优化效率和训练效果。
46.图3示意性示出了根据本公开一实施例的确定噪声类数据特征的方法的流程图。
47.如图3所示，方法300例如可以包括操作s310～s340。
48.在操作s310，对至少一条目标样本数据进行特征提取，得到与至少一条目标样本数据中的每条目标样本数据关联的目标数据特征。
49.在操作s320，确定与每条目标样本数据关联的目标数据特征在特征空间中的分布状态参数。
50.在操作s330，根据与每条目标样本数据关联的目标数据特征的分布状态参数，确定至少一条噪声样本数据。
51.在操作s340，根据与至少一条噪声样本数据关联的目标数据特征，确定噪声类数据特征。
52.下面示例说明本实施例的确定噪声类数据特征的方法的各操作的示例流程。
53.示例性地，目标样本数据可以包括评价指标值不符合预设条件的未标定样本数据，评价指标值例如可以基于以下至少之一操作得到的：样本数据质量评估、目标对象对齐、目标对象检测和目标对象识别。
54.例如，在样本数据为人脸样本图像的情况下，可以通过检测人脸样本图像中的人脸偏转角度，确定针对人脸样本图像的评价指标值，人脸偏转角度可以包括偏转角、侧倾角和俯仰角。
55.评价指标值不符合预设条件的未标定样本数据可能是深度网络模型无法准确识别的样本数据，基于该类样本数据确定噪声类数据特征，可以有效提高噪声样本数据的筛查效率和筛查精度。
56.目标样本数据还可以包括已经标定的误判样本数据、模糊样本数据、噪声样本数
据等。以该类样本数据为种子数据，继续进行后续的目标样本数据聚类和噪声类数据特征的确定操作，有利于进一步改善噪声样本数据的筛查效率和筛查精度。
57.对至少一条目标样本数据进行特征提取，得到与至少一条目标样本数据中的每条目标样本数据关联的目标数据特征。确定与每条目标样本数据关联的目标数据特征在特征空间中的分布状态参数。目标数据特征在特征空间中的分布位置越相近，对应的目标样本数据之间的相似度越高。
58.在确定与每条目标样本数据关联的目标数据特征在特征空间中的分布状态参数时，可以根据与每条目标样本数据关联的目标数据特征，对至少一条目标样本数据进行聚类，得到至少一个样本数据簇。每条目标样本数据所属的样本数据簇，构成与对应目标样本数据关联的目标数据特征的分布状态参数。
59.通过对至少一条目标样本数据进行聚类，确定与目标样本数据关联的目标数据特征在特征空间中的分布状态参数，以实现基于分布状态参数确定噪声样本数据，有利于有效改善筛查噪声样本数据的便捷性和广泛适用性，有利于提高噪声样本数据的筛查效率。
60.在对至少一条目标样本数据进行聚类时，目标数据特征的相似度较高的目标样本数据会被聚类至同一样本数据簇。示例性地，可以采用无监督聚类算法对至少一条目标样本数据进行聚类，无监督聚类算法例如可以包括k均值聚类、层次聚类、划分式聚类、单链聚类等。
61.示例性地，可以基于预设目标类别数，创建与目标类别数对应的初始类别，并为每个初始类别随机分配一条目标样本数据。根据与目标样本数据关联的目标数据特征和与每个初始类别关联的中心数据特征，将目标样本数据分配至最大特征相似度对应的初始类别，得到与每个初始类别关联的聚类样本集合。
62.在得到与每个初始类别关联的聚类样本集合之后，根据聚类样本集合中的至少一条目标样本数据的目标数据特征，确定与每个初始类别关联的中心数据特征。计算任意两个初始类别之间的相似度，例如计算与任意两个初始类别关联的中心数据特征之间的相似度。在任意两个初始类别满足预设相似度条件的情况下，对与两个初始类别关联的聚类样本集合进行合并聚类处理。针对合并聚类后的类别，继续执行合并聚类处理，直至合并聚类结果对应的任意每个类别之间的相似度小于预设阈值。
63.在根据与每条目标样本数据关联的目标数据特征的分布状态参数，确定至少一条噪声样本数据时，可以确定至少一个样本数据簇中的每个样本数据簇所包括的目标样本数量。根据每个样本数据簇所包括的目标样本数量，确定样本数量阈值，样本数量阈值用于筛查噪声样本数据簇。将目标样本数量大于样本数量阈值的对应样本数据簇作为噪声样本数据簇，得到至少一个噪声样本数据簇。将每个噪声样本数据簇中的至少一条目标样本数据，作为噪声样本数据。
64.通过对至少一条目标样本数据进行聚类，得到至少一个样本数据簇，有利于提高噪声样本数据的筛查效率，改善噪声样本数据的筛查精度，降低针对正常样本数据的误伤概率。
65.在对大量目标样本数据进行聚类之后，聚类结果通常呈长尾分布。聚类分布头部中的目标样本数据通常是噪声样本数据，聚类分布头部可以是目标样本数量最多的样本数据簇。例如，聚类分布头部中的目标样本数据通常是低质人脸样本图像和非人脸样本图像。
66.可以根据每个样本数据簇中的目标样本数量，确定样本数量阈值。示例性地，可以根据每个样本数据簇中的目标样本数量，计算目标样本数量的四分位数，并将所包括的目标样本数量大于q3 1.5iqr或者q3 3iqr的样本数据簇作为噪声样本数据簇。
67.四分位数也称为四分位点，通过将每个样本数据簇中的目标样本数量由小到大排序并分成四等分。处于三个分割点位置的数值可以分别是排序在1/4(q1)、2/4(q2)和3/4(q3)位的目标样本数量，iqr为位于q3位与q1位的目标样本数量的差值。
68.示例性地，也可以直接设定样本数量阈值，并将所包括的目标样本数量大于样本数量阈值的样本数据簇作为噪声样本数据簇。
69.在根据与至少一条噪声样本数据关联的目标数据特征，确定噪声类数据特征时，可以根据与每个噪声样本数据簇中的至少一条目标样本数据关联的目标数据特征，确定每个噪声样本数据簇的中心数据特征。与每个噪声样本数据簇关联的中心数据特征，构成噪声类数据特征。
70.一种示例方式，可以根据与噪声样本数据簇中的至少一条目标样本数据关联的目标数据特征，对目标数据特征进行求均值或加权均值处理，得到与对应噪声样本数据簇关联的中心数据特征。例如，噪声样本数据簇中包括100个噪声样本图像，与噪声样本图像关联的噪声样本特征可以是128维特征向量。对100个128维特征向量求均值或加权均值处理，得到与对应噪声样本数据簇关联的中心数据特征。
71.示例性地，可以在噪声样本数据簇中随机选取目标样本数据，根据随机选取的目标样本数据的数据类别，确定与噪声样本数据簇关联的噪声类别标签。通过确定噪声类别标签，可以根据噪声类别标签初步筛查噪声样本数据，有利于进一步改善噪声样本数据的筛查效率。
72.根据与每条目标样本数据关联的目标数据特征，对至少一条目标样本数据进行聚类，得到至少一个样本数据簇。根据每个样本数据簇中的目标样本数量，确定至少一个噪声样本数据簇。根据每个噪声样本数据簇中的至少一条目标样本数据的目标数据特征，确定与每个噪声样本数据簇关联的中心数据特征。与每个噪声样本数据簇关联的中心数据特征，构成至少一个噪声类数据特征。
73.根据样本数据的样本数据特征和至少一个噪声类数据特征，确定样本数据是否为噪声样本数据，可以实现噪声样本数据的自动化筛查，可以无需人工额外标注样本数据，有利于有效降低样本数据清洗的人力成本消耗。能够有效加快噪声样本数据的筛查速度，缩短噪声样本数据的筛查时间，可以有效改善样本数据的清洗效率。基于聚类结果确定噪声类数据特征，能够有效提高噪声样本数据的筛查质量，和有效保证样本数据清洗结果的可靠性，有利于有效改善深度网络模型的优化效率和训练效果。
74.图4示意性示出了根据本公开一实施例的数据处理过程的示意图。
75.如图4所示，在数据处理过程400中，对目标样本数据集合401中的至少一条目标样本数据进行特征提取，得到与每条目标样本数据关联的目标数据特征。根据与每条目标样本数据关联的目标数据特征，对至少一条目标样本数据进行聚类，得到样本数据簇402、403、404、405和406。
76.根据预设样本数量阈值和样本数据簇402、403、404、405和406中的目标样本数量，将目标样本数量大于样本数量阈值的样本数据簇402、403、404作为噪声样本数据簇。根据
噪声样本数据簇402、403、404中的至少一条目标样本数据的目标数据特征，确定分别与噪声样本数据簇402、403、404关联的中心数据特征。与噪声样本数据簇402、403、404关联的中心数据特征，分别构成噪声类数据特征4021、4031、4041。
77.在对样本数据集合407进行清洗时，对样本数据集合407中的至少一条样本数据进行特征提取，得到与每条样本数据关联的样本数据特征。根据与每条样本数据关联的样本数据特征和噪声类数据特征4021、4031、4041，确定对应样本数据是否为噪声样本数据，以实现将样本数据集合407划分为噪声样本数据408和非噪声样本数据409。非噪声样本数据409用于训练深度网络模型，噪声样本数据408将被丢弃，不用于训练深度网络模型。
78.可以无需人工额外标注样本数据，有利于实现针对样本数据的自动化清洗，能够很好地适用于训练集数据量大的深度网络模型训练。基于聚类结果确定噪声类数据特征，能够有效提高噪声样本数据的筛查质量，有效保证样本数据清洗结果的可靠性，有利于实现将生产环境回流的无标注样本数据用于半监督、无监督的深度网络模型训练，能够有效改善深度网络模型的优化效率和训练效果。
79.图5示意性示出了根据本公开一实施例的数据处理装置的框图。
80.如图5所示，本公开实施例的数据处理装置500例如包括第一处理模块510、第二处理模块520和第三处理模块530。
81.第一处理模块510，用于对样本数据进行特征提取，得到样本数据特征；第二处理模块520，用于根据样本数据特征和预设噪声类数据特征，确定样本数据是否为噪声样本数据；第三处理模块530，用于响应于确定样本数据为非噪声样本数据，利用样本数据进行深度网络模型训练。
82.通过本公开实施例，对样本数据进行特征提取，得到样本数据特征，根据样本数据特征和预设噪声类数据特征，确定样本数据是否为噪声样本数据，以及响应于确定样本数据为非噪声样本数据，利用样本数据进行深度网络模型训练。
83.可以根据预先确定的噪声类数据特征，在样本数据集合中快速、准确地筛查噪声样本数据，可以无需人工额外标注样本数据，也可以无需额外训练神经网络模型，能够有效降低筛查噪声样本数据的成本消耗和操作复杂度，和有效提高噪声样本数据的筛查效率，有利于有效改善深度网络模型的优化效率和训练效果。
84.根据本公开的实施例，该装置还包括第四处理模块，用于确定噪声类数据特征，第四处理模块包括：第一处理子模块，用于对至少一条目标样本数据进行特征提取，得到与至少一条目标样本数据中的每条目标样本数据关联的目标数据特征；第二处理子模块，用于确定与每条目标样本数据关联的目标数据特征在特征空间中的分布状态参数；第三处理子模块，用于根据与每条目标样本数据关联的目标数据特征的分布状态参数，确定至少一条噪声样本数据；以及第四处理子模块，用于根据与至少一条噪声样本数据关联的目标数据特征，确定噪声类数据特征。
85.根据本公开的实施例，第二处理子模块包括：第一处理单元，用于根据与每条目标样本数据关联的目标数据特征，对至少一条目标样本数据进行聚类，得到至少一个样本数据簇；以及第二处理单元，用于每条目标样本数据所属的样本数据簇，构成与对应目标样本数据关联的目标数据特征的分布状态参数。
86.根据本公开的实施例，第三处理子模块包括：第三处理单元，用于确定至少一个样
本数据簇中的每个样本数据簇所包括的目标样本数量；第四处理单元，用于根据每个样本数据簇所包括的目标样本数量，确定样本数量阈值，样本数量阈值用于筛查噪声样本数据簇；第五处理单元，用于将目标样本数量大于样本数量阈值的对应样本数据簇作为噪声样本数据簇，得到至少一个噪声样本数据簇；以及第六处理单元，用于将每个噪声样本数据簇中的至少一条目标样本数据，作为噪声样本数据。
87.根据本公开的实施例，第四处理子模块包括：第七处理单元，用于根据与每个噪声样本数据簇中的至少一条目标样本数据关联的目标数据特征，确定每个噪声样本数据簇的中心数据特征；以及第八处理单元，用于与每个噪声样本数据簇关联的中心数据特征，构成噪声类数据特征。
88.根据本公开的实施例，该装置还包括第五处理模块，用于在噪声样本数据簇中随机选取目标样本数据；以及根据随机选取的目标样本数据的数据类别，确定与噪声样本数据簇关联的噪声类别标签。
89.根据本公开的实施例，目标样本数据包括评价指标值不符合预设条件的样本数据，评价指标值是基于以下至少之一操作得到的：样本数据质量评估、目标对象对齐、目标对象检测和目标对象识别。
90.根据本公开的实施例，第二处理模块包括：第五处理子模块，用于在样本数据特征与噪声类数据特征满足预设相似度条件的情况下，确定样本数据为噪声样本数据；该装置还包括：第六处理模块，用于响应于确定样本数据为噪声样本数据，利用样本数据特征更新噪声类数据特征。
91.应该注意的是，本公开的技术方案中，所涉及的信息收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
92.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
93.图6示意性示出了根据本公开实施例的用于执行数据处理方法的电子设备的框图。
94.图6示出了可以用来实施本公开实施例的示例电子设备600的示意性框图。电子设备600旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
95.如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(rom)602中的计算机程序或者从存储单元608加载到随机访问存储器(ram)603中的计算机程序，来执行各种适当的动作和处理。在ram 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
96.设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如
因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
97.计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如数据处理方法。例如，在一些实施例中，数据处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram 603并由计算单元601执行时，可以执行上文描述的数据处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据处理方法。
98.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
99.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
100.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
101.为了提供与对象的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向对象显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，对象可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与对象的交互；例如，提供给对象的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自对象的输入。
102.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据
服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形对象界面或者网络浏览器的对象计算机，对象可以通过该图形对象界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
103.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
104.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
105.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。