在物联网环境中处理样本数据的方法、设备和程序产品与流程

1.本公开的各实现方式涉及物联网(iot)，更具体地，涉及用于在物联网环境中处理样本数据的方法、设备和计算机程序产品。


背景技术：

2.随着物联网技术的发展，可以向物联网环境中部署多种传感器来采集样本数据。可以利用物联网中的计算设备来处理采集到的样本数据，以便实现多种功能。例如，在基于人脸识别的门禁系统中，可以利用相机设备来采集各个用户的图像数据，并且可以基于神经网络技术判断是否可以允许这些用户进入。又例如，可以在生产线中部署相机设备、温度/湿度传感器等来采集生产线中的各个位置的状态信息，并且可以基于神经网络技术来判断生产线中是否出现异常。然而，物联网中的计算设备的处理能力有限，难以执行需要大量计算资源的复杂操作。此时，如何以更高的效率在物联网环境中处理采集到的样本数据，成为一个技术难题。


技术实现要素：

3.因而，期望能够开发并实现一种以更为有效的方式来处理样本数据的技术方案。期望该技术方案能够与现有的物联网环境相兼容，并且利用现有物联网环境中的各种计算设备，来以更为有效的方式处理样本数据。
4.根据本公开的第一方面，提供了用于在物联网环境中处理样本数据的方法。在该方法中，从被部署在所述物联网环境中的远程设备中的编码器接收所述样本数据的特征。基于被部署在所述物联网环境中的本地设备中的分类器和所述特征，获取与所述样本数据相对应的类别概率。响应于确定所述类别概率满足第一阈值条件，将所述样本数据分类至预定类别。
5.根据本公开的第二方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器耦合的存储器，存储器具有存储于其中的指令，指令在被至少一个处理器执行时使得设备执行根据本公开的第一方面的方法。
6.根据本公开的第三方面，提供了一种计算机程序产品，计算机程序产品被有形地存储在非瞬态计算机可读介质上并且包括机器可执行指令，机器可执行指令用于执行根据本公开的第一方面的方法。
附图说明
7.结合附图并参考以下详细说明，本公开各实现方式的特征、优点及其他方面将变得更加明显，在此以示例性而非限制性的方式示出了本公开的若干实现方式。在附图中：
8.图1示意性示出了其中可以部署神经网络模型的iot环境的框图；
9.图2示意性示出了根据本公开的示例性实现方式的用于处理样本数据神经网络模型的框图；
10.图3示意性示出了根据本公开的示例性实现方式的用于处理样本数据的方法的流程图；
11.图4a示意性示出了根据本公开的示例性实现方式的用于训练神经网络模型中的编码器的框图；
12.图4b示意性示出了根据本公开的示例性实现方式的神经网络模型中的编码器的框图；
13.图5a示意性示出了根据本公开的示例性实现方式的用于训练神经网络模型中的分类器的框图；
14.图5b示意性示出了根据本公开的示例性实现方式的分别用于训练和更新分类器的样本数据的框图；
15.图6示意性示出了根据本公开的示例性实现方式的用于更新编码器和分类器的框图；
16.图7示意性示出了根据本公开的示例性实现方式的用于处理样本数据的方法的流程图；以及
17.图8示意性示出了根据本公开的示例性实现的用于处理样本数据的设备的框图。
具体实施方式
18.下面将参照附图更详细地描述本公开的优选实现。虽然附图中显示了本公开的优选实现，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实现所限制。相反，提供这些实现是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
19.在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实现”和“一个实现”表示“至少一个示例实现”。术语“另一实现”表示“至少一个另外的实现”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
20.首先参见图1描述存储系统的概要。图1示意性示出了其中可以部署神经网络模型的iot环境的框图100。如图1所示，iot环境可以包括iot云、边缘层和iot设备层。iot云可以包括一个或多个计算设备110，这些计算设备110通常具有丰富的计算资源和存储资源，并且可以执行复杂的计算任务。边缘层可以包括一个或多个边缘计算设备112，这些边缘计算设备112通常仅具有有限的计算资源和存储资源，并且不能执行复杂的计算任务。iot设备层可以包括例如移动终端、相机等一个或多个终端设备114，这些终端设备114可以采集样本数据并且执行简单的计算任务。
21.目前已经提出了在物联网环境中部署基于神经网络130的应用，以便处理采集到的样本数据。如图1所述，可以经由神经网络130的输入层120，将由终端设备114采集到的样本数据输入至神经网络130中，隐藏层122可以涉及复杂的处理过程，并且可以将输入的样本数据映射至特征向量。进一步，特征向量可以被进一步映射至输出层124，以便输出针对样本数据的处理结果。然而，神经网络130通常需要大量计算资源，并且难以在边缘层和iot设备层处实现。
22.为了解决已有技术方案中的缺陷，本公开的示例性实现方式提出了一种用于基于神经网络来处理样本数据的技术方案。为了便于描述，在下文中仅以基于人脸识别的门禁系统作为神经网络的示例来描述根据本公开的一个示例性实现方式的细节。将会理解，根据本公开的一个示例性实现方式还可以应用于实现其他功能的神经网络。在某个公司的门禁系统中，可以部署相机来采集用户的人脸图像，继而可以基于神经网络来识别采集到的人脸图像属于哪个员工。如果识别出的员工具有进入权限，则允许进入；否则可以拒绝其进入。
23.在下文中，参见图2描述根据本公开的一个示例性实现方式的概要。将会理解，facenet是一种用于人脸识别、验证和分类的先进神经网络模型。在下文中，将以facenet模型为示例描述根据本公开的一个示例性实现方式的更多细节。图2示意性示出了根据本公开的示例性实现方式的用于处理样本数据神经网络模型的框图200。如图2所示，可以将基于facenet实现的神经网络模型划分为编码器210和分类器220两部分。此时，编码器210可以包括输入层120和隐藏层122，也即包括输出层124以外的其他部分。分类器220可以包括输出层124以及神经网络中的倒数第二层(也即，特征输出层230)。
24.由于编码器210需要较多的计算资源，可以将编码器210部署在iot环境中的远程设备(例如，具有较高计算能力的iot层中的一个或多个计算设备110)处。由于分类器220不需要太多计算资源，可以将分类器220部署在iot环境中的本地设备(例如，边缘层和/或iot设备层中的边缘计算设备112和/或终端设备114)处。利用本公开的示例性实现方式，一方面可以尽量利用iot云中的丰富计算资源来确定样本数据的特征，另一方面可以充分利用边缘层和/或iot设备层中的设备的有限计算能力来基于来自iot云的特征执行分类操作。以此方式，可以尽量在无需过多网络传输的同时，提高神经网络模型的性能。
25.在下文中，将参见图3描述根据本公开的一个示例性实现方式的更多细节。图3示意性示出了根据本公开的示例性实现方式的用于处理样本数据的方法300的流程图。根据本公开的一个示例性实现方式，可以向编码器210传输采集的样本数据，并且从编码器210接收相关特征。具体地，如图3所示在框310处，可以从被部署在物联网环境中的远程设备的编码器210接收样本数据的特征。
26.将会理解，编码器210应当准确描述各个样本数据的特征，因而可以利用包括大量样本的训练数据集(例如，称为第一样本数据集)来训练该编码器210。在下文中，将参见图4a描述有关生成编码器210的更多细节。图4a示意性示出了根据本公开的示例性实现方式的用于训练神经网络模型中的编码器的框图400a。如图4a所示，编码器210可以包括编码器输入410、编码器隐藏层412以及编码器输出。在此，编码器输入410可以接收来自第一样本数据集420的训练样本。为了更准确地获取人脸特征，第一样本数据集420可以包括来自大量不同人种和肤色的用户的人脸图像(例如10万个人脸图像)。
27.可以基于目前已经开发的和/或将在未来开发的训练技术来训练430编码器210，因而不再赘述。在经过来自大量人脸图像的训练之后，编码器210可以针对输入的新的人脸图像输出相对应的特征。具体地，在完成训练之后，可以在编码器210的编码器输入410处输入新的人脸图像，并且可以在编码器输出414处获得相应的特征。
28.在下文中，将参见图4b描述有关编码器210的更多细节。图4b示意性示出了根据本公开的示例性实现方式的神经网络模型中的编码器的框图400b。如图4b所示，编码器隐藏
层412可以包括除编码器输入410和编码器输出414以外的其他各层。具体地，编码器隐藏层412可以包括多个神经网络层。例如，stem层442可以用于执行卷积相关的功能。5*inception-resnet-a层444、10*inception-resnet-b、5*inception-resnet-c可以用于执行深度残差网络相关的功能，reduction-a层446、reduction-b层450可以用于执行消减相关的功能，average pooling层454可以用于执行池化相关的功能，并且dropout层456可以用于执行丢弃相关的功能。
29.将会理解，图4b仅仅示意性示出了根据一个神经网络模型的结构实现的编码器的示例。根据本公开的一个示例性实现方式，可以选择目前已经开发和/或将在未来开发的多种神经网络模型的结构来实现编码器。
30.将会理解，由于编码器210提取特征的操作涉及复杂的计算过程并且需要大量计算资源，可以将编码器210部署在iot云中。以此方式，仅需要向编码器210传输采集的样本数据，并且可以降低在边缘层和iot设备层处的计算任务对于计算资源的需求。在本公开的上下文中，远程设备和本地设备是相对概念，可以基于与样本数据的距离来确定远程设备和本地设备。例如，可以将iot云中的计算设备称为远程设备，并且将边缘层和/或iot设备层中的靠近样本数据的设备称为本地设备。
31.已经描述了有关编码器210的细节，在下文中将返回图3描述有关分类器220的更多细节。在图3的框320处，可以基于被部署在物联网环境中的本地设备中的分类器220和特征，获取与样本数据相对应的类别概率。将会理解，分类器220可以是利用包括较少样本数据的第二样本数据集来训练的。假设门禁系统被用于控制公司的数据中心的开门/关门，并且在公司中仅有3位管理员被允许进入该数据中心。此时，可以利用3位管理员的人脸图像来训练分类器220。此时，生成的分类器220的功能简单并且仅需要少量计算资源，因而可以利用本地设备中的有限计算资源来运行分类器220。例如，可以利用用于控制图像采集设备和/或门锁的小型终端设备运行分类器220。
32.此时，第二样本数据集中的样本数据的数量“3”远远小于第一样本数据集中的数据的数量“100000”。根据本公开的一个示例性实现方式，两个样本数据集可以不存在交集。以此方式，可以以独立的方式分别训练编码器210和分类器220，以便编码器210和分类器220可以相互独立地工作，从而避免两者之间出现不必要的耦合。
33.在下文中，参见图5a描述有关训练分类器220的更多细节。图5a示意性示出了根据本公开的示例性实现方式的用于训练神经网络模型中的分类器的框图500a。如图5a所示，第二样本数据集520可以包括3位管理员alice、bob和charlie的人脸图像。可以使用上述3个人脸图像作为样本来训练530分类器220，以便获得轻量级的分类器220。当已经完成训练之后，分类器220可以将新输入的人脸图像的特征分类至相应的分类510。
34.根据本公开的一个示例性实现方式，可以以向量(v1，v2，v3)方式来表示类别概率。例如，向量(v1，v2，v3)中的每个维度可以表示判断输入的人脸图像属于哪个管理员的概率，v1表示人脸图像属于第一位管理员alice的概率，v2表示人脸图像属于第二位管理员bob的概率，并且v3表示人脸图像属于第三位管理员alice的概率。可以定义每个维度的范围为[0，1](或者其他范围)。将会理解，上文所示的三维向量仅仅是用于表示分类的一个示例，当使用更多的人脸图像来训练分类器220时，类别概率可以包括更高维度。
[0035]
返回图3，在框330处，响应于确定类别概率满足第一阈值条件，将样本数据分类至
预定类别。继续上文的示例，假设3位管理员包括：alice、bob和charlie。根据本公开的一个示例性实现方式，可以指定预定的阈值条件，以便当概率类别符合该阈值条件时，确定人脸图像的分类510(也即，将人脸图像确定为属于某个管理员)。例如，可以定义当分类中的特定维度高于阈值0.5(或者其他数值)时，确认输入的人脸图像属于对应于该特定维度的管理员。具体地，假设输入的人脸图像的分类向量为[0.71,0.23,0.06]，并且三个维度分别对应于alice、bob和charlie。由于0.71》0.5，因而可以确定输入的人脸图像属于管理员alice，此时可以开启门禁设备并且允许alice进入。又例如，假设输入的人脸图像的分类向量为[0.40,0.51,0.09]，则可以确定输入的人脸图像属于管理员bob。
[0036]
利用本公开的示例性实现方式，可以充分利用本地设备的计算能力来执行上文描述的方法300。相对于在边缘层和/或iot设备层运行重量级的整个神经网络模型而言，利用本公开的示例性实现方式，可以由iot云中的高性能计算设备执行重量级的编码任务，并且仅在边缘层和/或iot设备层执行轻量级的分类任务。
[0037]
上文已经描述了用于部署和使用编码器210和分类器220来进行人脸识别的一般情况，在下文中将参见图5b描述不能识别某些人脸图像的其他特殊情况。图5b示意性示出了根据本公开的示例性实现方式的分别用于训练和更新分类器的样本数据的框图500b。如图5b所示，人脸图像540表示用于训练分类器220时使用的训练数据。将会理解，在实际使用门禁系统时，出于遮挡、光照等环境因素，所采集到的人脸图像的质量可能会显著低于训练数据的质量，这导致分类器220所输出的类别概率不能满足上文定义的阈值条件。
[0038]
根据本公开的一个示例性实现方式，还可以提供后续的处理步骤，以便解决不能准确进行人脸识别的问题。具体地，如果确定类别概率不满足第一阈值条件，可以获取与样本数据相关联的类别标识，并且将样本数据分类至与类别标识相对应的类别。在实际使用门禁系统时，假设管理员bob佩戴口罩，则此时相机设备采集到图像542。可以将图像542传输至编码器210以便获得图像542的特征，进一步可以将该特征输入至分类器220以便获得分类。此时，分类器220输出的分类可以是[0.44,0.45,0.11]。由于每个维度的数值都低于阈值0.5，不能确定图像542属于谁。
[0039]
此时，可以提示“人脸识别失败”，并且进一步要求用户提供与图像542相关联的类别标识。用户可以基于多种方式来提供类别标识，例如，用户可以使用物理类别标识(诸如，员工卡、指纹等)来证明自己的身份。又例如，用户可以使用诸如动态验证码等信息，来证明自己的身份并且有权利进入数据中心。将会理解，上文仅示意性示出了当用户佩戴口罩导致人脸识别失败的情况。根据本公开的一个示例性实现方式，其他情况也可以导致图像中的噪声，例如，在采集人脸图像时，由于光照不足导致的阴影、由于佩戴墨镜和口罩等导致的遮挡、由于图像采集设备污损等导致的斑点、以及由于用户运动等造成的伪像，都可能会导致图像542中的噪声。
[0040]
根据本公开的一个示例性实现方式，可以预先指定用于更新编码器210和/或分类器220的训练样本的阈值数量，并且在导致人脸识别失败的图像数量达到该阈值数量时，则执行更新过程。具体地，可以将上文描述的导致人脸识别失败的样本数据以及基于物理类别标识和/或动态验证码输入的类别添加至第三样本数据集。进一步，可以利用该第三样本数据集来更新编码器210和/或分类器220。
[0041]
在下文中，将参见图6描述有关更新操作的更多细节。图6示意性示出了根据本公
开的示例性实现方式的用于更新编码器和分类器的框图600。如图6所示，随着人脸识别系统的使用，第三样本数据集610可以包括越来越多的样本数据。如果确定第三样本数据集610中的样本数据的数量满足第二阈值条件，可以利用第三样本数据集610来更新分类器220。例如，可以指定当第三样本数据集610中的样本数据超过3(或者其他数值)时，则执行更新操作。具体地，可以以类似方式来处理第三样本数据集610中的每个样本数据，以便更新更新分类器220和/或编码器210。
[0042]
根据本公开的一个示例性实现方式，可以利用第三样本数据集610来更新分类器220。例如，可以利用导致人脸识别失败的图像524以及与该图像相关联的分类(即，管理员bob)，来更新分类器220。可以使用目前已知的和/或将在未来开发的多种训练技术来更新分类器220。当向更新后的分类器220输入图像524的特征时，分类器220可以准确地输出：管理员bob。利用本公开的示例性实现方式，可以不断地利用新采集的图像来更新分类器220，可以使得分类器220可以逐渐识别出在更为复杂的环境下拍摄的包括噪声的人脸图像。以此方式，可以降低门禁系统对于采集样本数据的环境的要求，并且提高分类器220的准确性。
[0043]
将会理解，人脸识别的准确性取决于编码器210和分类器220两方面。根据本公开的一个示例性实现方式，可以进一步利用第三样本数据集610来更新编码器210。具体地，可以向编码器210发送第三样本数据集，以使得编码器210利用第三样本数据集来被更新。根据本公开的一个示例性实现方式，可以以离线方式更新编码器210。具体地，可以基于三元组损失(triplet loss)来更新编码器210。
[0044]
继续上文的基于facenet的示例，该模型可以包括22层，并且可以直接输出128维嵌入。在该神经网络模型中，最后一层使用的损失函数被称为三元组损失。facenet包括批量输入层和深度卷积神经网络，之后跟随l2归一化以便输出人脸图像的特征。facenet还涉及训练期间的三元组损失。在本公开的上下文中，可以将深度卷积神经网络视为一个黑盒，其中f(x)∈rd将图像x编码为d维欧式空间中的特征，并且||f(x)||＝1。
[0045]
三元组损失是facenet中的一个特殊损失函数，示出如下：
[0046][0047]
在更新编码器210时，期望确保特定用户(例如，bob)的图像比任何其他用户(也即，bob以外的其他人)的任何图像(负样本)都更加靠近该特定用户bob的其他图像(正样本)，并且在一对正样本和负样本之间强制存在间隔α。基于上述原理，可以设置将要被最小化的损失函数：
[0048][0049]
在三元组选择期间，对于给定需要选择和随机选择则易于满足上述公式2，但是并不能有效地优化编码器210。如果使用难例(hard example)(也即，基于和来选择三元
组)，则可能会导致模型损坏。进一步，在整个训练集上计算argmin和argmax并不可行。因而可以通过从小批量中选择难的正/负样本来完成。根据本公开的一个示例性实现方式，不必选择最难的正样本，而是可以使用较小批量中的全部锚点-正样本配对，同时仍然选择难的负样本。具体地，可以从满足公式3的负样本中随机地选择针对一个锚点-正样本配对的以便执行更新过程。
[0050][0051]
将会理解，上文的过程仅仅示意性描述了用于更新编码器210的一个具体示例。根据本公开的一个示例性实现方式，可以基于目前已知的和/或将在未来开发的多种方法，来基于三元组损失来更新编码器210。根据本公开的一个示例性实现方式，可以分别利用alice、bob和charlie的戴口罩的人脸图像来更新编码器210，以便提高编码器210的置信度。下文表1示意性示出了更新前后的编码器210的置信度。
[0052]
表1编码器的置信度对比
[0053][0054]
在表1中，第1示出了样本数据的标识符，第2列示出了样本数据是哪个用户的人脸图像，第3列示出了分类结果是否正确，第4列和第5列分别示出了更新前后的编码器的置信度。从表1中的统计数据可知，更新后的编码器的置信度有所提高。利用本公开的示例性实现方式，可以提高编码器的置信度，进而提高后期分类器220输出的分类结果的准确性。以此方式，可以提高人脸识别模型的准确度，并且使得整个人脸识别模型适合于处理在多种条件下采集的人脸图像。
[0055]
在已经使用上文描述的过程来分别更新了编码器210和分类器220之后，可以使用更新的编码器210和分类器220来处理新采集到的样本数据。具体地，可以向编码器210传输新采集到的样本数据，并且可以从更新的编码器接收相对应的特征。进一步，可以将接收到的特征输入至更新的分类器，以便获取与新的样本数据相对应的类别概率。在下文中，将参见图7描述用于处理样本数据的完整流程。
[0056]
具体地，图7示意性示出了根据本公开的示例性实现方式的用于处理样本数据的方法700的流程图。如图7所示，可以采集用户的人脸图像542，并且向编码器210传输该人脸图像542。可以从编码器210接收人脸图像的特征710并且向分类器220输入该特征710。可以从分类器220接收分类720。在框720处，如果此时分类成功，则方法前进至框732处以便通过验证(换言之，在确认人脸图像542是3位管理员之一时，开启门禁)。如果分类失败，则方法前进至框740以便获取验证码。如果在框750处确定验证码正确，则方法300前进至框760处
以便通过验证。继而，在框770处可以将该人脸图像542添加至第三样本数据集，以便利用该第三样本数据集来更新编码器210和分类器220。
[0057]
利用本公开的示例性实现方式，在人脸识别过程中，通过将编码器210和分类器220分别部署在iot环境中的不同位置处，可以尽量利用iot中的具有更强计算能力的设备，以便提高人脸识别过程的速度。进一步，可以基于在人脸识别过程中的导致识别失败的人脸图像来更新编码器210和分类器220。以此方式，可以不断基于新采集到的数据来更新人脸识别系统，进而提高整个人脸识别系统的整体性能。
[0058]
将会理解，尽管上文中以基于人脸识别的门禁系统作为具体示例来描述了用于配置神经网络模型的方法。根据本公开的一个示例性实现方式，可以在用于实现其他功能的神经网络模型中使用上文描述的方法。例如，可以在生产线监控系统、交通控制系统等其他物联网环境中实现上文描述的方法。
[0059]
在上文中已经参见图2至图7详细描述了根据本公开的方法的示例，在下文中将描述相应的装置的实现。根据本公开的示例性实现，提供了一种用于在物联网环境中处理样本数据的装置。该装置包括：接收模块，配置用于从被部署在所述物联网环境中的远程设备中的编码器接收所述样本数据的特征；获取模块，配置用于基于被部署在所述物联网环境中的本地设备中的分类器和所述特征，获取与所述样本数据相对应的类别概率；以及分类模块，配置用于响应于确定所述类别概率满足第一阈值条件，将所述样本数据分类至预定类别。根据本公开的示例性实现方式，该装置进一步包括用于执行上文描述的方法300中的其他步骤的模块。
[0060]
图8示意性示出了根据本公开的示例性实现的用于扩展存储系统的设备800的框图。如图所示，设备800包括中央处理单元(cpu)801，其可以根据存储在只读存储器(rom)802中的计算机程序指令或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序指令，来执行各种适当的动作和处理。在ram 803中，还可存储设备800操作所需的各种程序和数据。cpu 801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
[0061]
设备800中的多个部件连接至i/o接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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。
[0062]
上文所描述的各个过程和处理，例如方法300，可由处理单元801执行。例如，在一些实现中，方法300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808。在一些实现中，计算机程序的部分或者全部可以经由rom 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序被加载到ram 803并由cpu 801执行时，可以执行上文描述的方法300的一个或多个步骤。备选地，在其他实现中，cpu 801也可以以其他任何适当的方式被配置以实现上述过程/方法。
[0063]
根据本公开的示例性实现，提供了一种电子设备，至少一个处理器；易失性存储器；以及与至少一个处理器耦合的存储器，存储器具有存储于其中的指令，指令在被至少一个处理器执行时使得设备执行一种用于在物联网环境中处理样本数据的动作。该动作包括：从被部署在物联网环境中的远程设备中的编码器接收样本数据的特征；基于被部署在
物联网环境中的本地设备中的分类器和特征，获取与样本数据相对应的类别概率；以及响应于确定类别概率满足第一阈值条件，将样本数据分类至预定类别。
[0064]
根据本公开的一个示例性实现方式，编码器是利用第一样本数据集来训练的，并且分类器是利用第二样本数据集来训练的，第二样本数据集中的样本数据的数量小于第一样本数据集中的数据的数量，第一样本数据集和第二样本数据集没有交集。
[0065]
根据本公开的一个示例性实现方式，该动作进一步包括：响应于确定类别概率不满足第一阈值条件，获取与样本数据相关联的类别标识；以及将样本数据分类至与类别标识相对应的类别。
[0066]
根据本公开的一个示例性实现方式，该动作进一步包括：将样本数据和类别添加至第三样本数据集；以及响应于确定第三样本数据集中的样本数据的数量满足第二阈值条件，利用第三样本数据集来更新分类器。
[0067]
根据本公开的一个示例性实现方式，该动作进一步包括：向编码器发送第三样本数据集，以使得编码器利用第三样本数据集来被更新。
[0068]
根据本公开的一个示例性实现方式，样本数据与第二样本数据集中的训练样本属于相同的类别，以及样本数据包括噪声数据。
[0069]
根据本公开的一个示例性实现方式，样本数据包括人脸图像，并且噪声数据包括人脸图像中的阴影、遮挡、斑点和伪像中的任一项。
[0070]
根据本公开的一个示例性实现方式，获取与样本数据相关联的类别标识包括基于以下至少任一项来获取类别标识：基于与样本数据相关联的动态验证码；以及基于与样本数据相关联的物理类别标识。
[0071]
根据本公开的一个示例性实现方式，该动作进一步包括以下至少任一项：从更新的编码器接收样本数据的特征；以及基于更新的分类器和接收的特征，获取与样本数据相对应的类别概率。
[0072]
根据本公开的一个示例性实现方式，该设备被部署在物联网环境中的本地设备处。
[0073]
根据本公开的示例性实现，提供了一种计算机程序产品，计算机程序产品被有形地存储在非瞬态计算机可读介质上并且包括机器可执行指令，机器可执行指令用于执行根据本公开的方法。
[0074]
根据本公开的示例性实现，提供了一种计算机可读介质。计算机可读介质上存储有机器可执行指令，当机器可执行指令在被至少一个处理器执行时，使得至少一个处理器实现根据本公开方法。
[0075]
本公开可以是方法、设备、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。
[0076]
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上
存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
[0077]
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
[0078]
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，编程语言包括面向对象的编程语言—诸如smalltalk、c 等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实现中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
[0079]
这里参照根据本公开实现的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
[0080]
这些计算机可读程序指令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单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
[0081]
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
[0082]
附图中的流程图和框图显示了根据本公开的多个实现的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以
不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0083]
以上已经描述了本公开的各实现，上述说明是示例性的，并非穷尽性的，并且也不限于所公开的各实现。在不偏离所说明的各实现的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实现的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文公开的各实现。