1.本发明涉及计算机视觉技术领域，尤其涉及一种数据处理方法，终端及存储介质。
背景技术：2.在视频自监督学习领域，主要包含两类算法，一类是基于对比学习的自监督学习算法，另一类是基于转换识别中介任务的自监督学习算法；然而，针对现有的基于转换识别中介任务的自监督学习算法，其中介任务多为单一的预定义时序任务或空间任务，例如仅为识别播放倍速，或仅为识别旋转视频朝向，而无法同时基于不同类别的中介任务进行自监督学习；可见，现有的基于转换识别中介任务的自监督学习算法的学习性能较差，从而当使用现有的自监督学习算法进行训练，获得任务网络以后，任务网络的任务处理能力普遍较差。
技术实现要素：3.本技术实施例提供了一种数据处理方法，终端及存储介质，能够提高任务网络的任务处理能力，获得更优的任务处理效果。
4.本技术实施例的技术方案是这样实现的：
5.第一方面，本技术实施例提供了一种数据处理方法，所述方法包括：
6.获取待处理媒体数据序列；
7.对所述待处理媒体数据序列进行转换处理得到第一媒体数据序列；其中，所述转换处理为时序数据处理或空间数据处理；
8.采用任务网络对所述第一媒体数据序列进行任务处理，得到处理结果；其中，所述任务网络是基于第一网络参数，对初始任务网络进行训练得到的；所述第一网络参数是通过不同种类的训练样本结合边际排序损失函数，对初始学习网络进行训练得到的。
9.第二方面，本技术实施例提供了一种终端，所述终端包括获取单元和处理单元，
10.所述获取单元，用于获取待处理媒体数据序列；
11.所述处理单元，用于对所述待处理媒体数据序列进行转换处理得到第一媒体数据序列；其中，所述转换处理为时序数据处理或空间数据处理；以及采用任务网络对所述第一媒体数据序列进行任务处理，得到处理结果；其中，所述任务网络是基于第一网络参数，对初始任务网络进行训练得到的；所述第一网络参数是通过不同种类的训练样本结合边际排序损失函数，对初始学习网络进行训练得到的。
12.第三方面，本技术实施例提供了一种终端，所述终端还包括处理器、存储有所述处理器可执行指令的存储器，当所述指令被所述处理器执行时，实现如上所述的数据处理方法。
13.第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有程序，应用于终端中，所述程序被处理器执行时，实现如上所述的数据处理方法。
14.本技术实施例提供了一种数据处理方法，终端及存储介质，终端获取待处理媒体
数据序列；对待处理媒体数据序列进行转换处理得到第一媒体数据序列；其中，转换处理为时序数据处理或空间数据处理；采用任务网络对第一媒体数据序列进行任务处理，得到处理结果；其中，任务网络是基于第一网络参数，对初始任务网络进行训练得到的；第一网络参数是通过不同种类的训练样本结合边际排序损失函数，对初始学习网络进行训练得到的；由此可见，在本技术中，通过不同种类的训练样本结合边际排序损失函数对初始学习网络进行训练，能够大幅提升学习效果，从而基于训练后获得的第一网络参数对初始任务网络进行训练后获得的任务网络，能够对经过转换处理的媒体数据序列进行相应的任务处理，从而提高任务网络的任务处理能力，获得更优的任务处理效果。
附图说明
15.图1为本技术实施例提出的数据处理方法的实现流程示意图一；
16.图2为本技术实施例提出的数据处理方法的实现示意图一；
17.图3为本技术实施例提出的数据处理方法的实现流程示意图二；
18.图4为本技术实施例提出的数据处理方法的实现示意图二；
19.图5为本技术实施例提出的数据处理方法的实现示意图三；
20.图6为本技术实施例提出的数据处理方法的实现示意图四；
21.图7为本技术实施例提出的数据处理方法的实现示意图五；
22.图8为本技术实施例提出的数据处理方法的实现示意图六；
23.图9为本技术实施例提出的数据处理方法的实现示意图七；
24.图10为本技术实施例提出的数据处理方法的实现示意图八；
25.图11为本技术实施例提出的数据处理方法的实现示意图九；
26.图12为本技术实施例提出的终端的组成结构示意图一；
27.图13为本技术实施例提出的终端的组成结构示意图二。
具体实施方式
28.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。可以理解的是，此处所描述的具体实施例仅用于解释相关申请，而非对该申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关申请相关的部分。
29.视频自监督学习领域主要包含两大类算法，一类是基于对比学习的自监督学习算法，另一类是基于转换识别中介任务的自监督学习算法；其中，基于对比学习的自监督学习算法是通过分辨两段剪辑是否来源于同一视频来进行表征学习；基于转换识别中介任务的自监督学习算法是借助一些人为定义的中介任务，来进行表征识别，然而，其中介任务多为单一的预定义时序任务或空间任务，例如仅为识别播放倍速，或仅为识别旋转视频朝向，而无法同时基于不同类别的中介任务进行自监督学习；也就是说，现有的基于转换识别中介任务的自监督学习算法的学习性能较差。
30.为了解决现有技术中数据处理方法所存在的问题，本技术实施例提供了一种数据处理方法，终端及存储介质，终端获取待处理媒体数据序列；对待处理媒体数据序列进行转换处理得到第一媒体数据序列；其中，转换处理为时序数据处理或空间数据处理；采用任务网络对第一媒体数据序列进行任务处理，得到处理结果；其中，任务网络是基于第一网络参
数，对初始任务网络进行训练得到的；第一网络参数是通过不同种类的训练样本结合边际排序损失函数，对初始学习网络进行训练得到的；能够大幅提升学习效果。
31.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
32.本技术实施例提供了一种数据处理方法，图1为本技术实施例提出的数据处理方法的实现流程示意图一，如图1所示，数据处理方法可以包括以下步骤：
33.步骤101、获取待处理媒体数据序列。
34.在本技术的实施例中，终端可以先获取待处理媒体数据序列。
35.进一步地，在本技术的实施例中，待处理媒体数据序列是指可以随时间不断产生的一系列数据；待处理媒体数据序列包括以下至少之一：待处理视频序列、待处理音频序列以及待处理骨骼序列；也就是说，本技术中的待处理媒体数据序列除了可以是视频序列以外，还可以是音频序列，骨骼序列等数据。
36.步骤102、对待处理媒体数据序列进行转换处理得到第一媒体数据序列；其中，转换处理为时序数据处理或空间数据处理。
37.在本技术的实施例中，终端在获取待处理媒体数据序列之后，可以对待处理媒体数据序列进行转换处理得到第一媒体数据序列；其中，转换处理为时序数据处理或空间数据处理。
38.需要说明的是，在本技术的实施例中，可以对待处理媒体数据序列进行不同类型的转换处理；例如，待处理媒体数据序列为视频序列，对视频序列进行时序数据处理可以是对视频序列进行倍速播放；对视频序列进行空间数据处理则可以是对视频序列进行拉伸或旋转。
39.可以理解的是，在本技术的实施例中，第一媒体数据序列即为在对待处理媒体数据序列进行转换处理后获得的数据信息。
40.步骤103、采用任务网络对第一媒体数据序列进行任务处理，得到处理结果；其中，任务网络是基于第一网络参数，对初始任务网络进行训练得到的；第一网络参数是通过不同种类的训练样本结合边际排序损失函数，对初始学习网络进行训练得到的。
41.在本技术的实施例中，终端在对待处理媒体数据序列进行转换处理得到第一媒体数据序列之后，可以采用任务网络对第一媒体数据序列进行任务处理，得到处理结果；其中，任务网络是基于第一网络参数，对初始任务网络进行训练得到的；第一网络参数是通过不同种类的训练样本结合边际排序损失函数，对初始学习网络进行训练得到的。
42.需要说明的是，在本技术的实施例中，任务网络是在对初始任务网络进行训练后获得，任务网络可以用于实现对应的任务或功能，初始任务网络的结构是根据第一网络参数和下游任务确定的；其中，任务网络的功能对应于下游任务；示例性的，下游任务为识别，则训练后得到的任务网络可以用于执行识别任务，例如可以对经过转换处理的视频信息中的人物动作进行识别。
43.可以理解的是，在本技术的实施例中，处理结果即是指任务网络对输入的第一媒体数据序列进行对应功能的处理，获得对应的处理结果；例如，任务网络用于动作识别，第一媒体数据序列为经过转换处理的视频序列，则可以将第一媒体数据序列输入任务网络，得到的处理结果即为对第一媒体数据序列中的人物动作进行识别的结果。
44.需要说明的是，在本技术的实施例中，任务网络是基于初始学习网络进行表征学习阶段的自监督学习的训练，获得第一学习模型，然后根据第一学习模型和下游任务构建初始任务网络，并将第一学习模型中的第一网络参数迁移至初始任务网络，也就是利用第一网络参数初始化初始任务网络，从而对初始任务网络进行训练获得的；其中，在对初始任务网络进行训练的阶段，即自监督学习阶段，本技术是基于边际排序损失函数完成训练的。
45.进一步地，在本技术的实施例中，下游任务可以包括识别、分类、检测以及分割等；从而初始任务网络和任务网络可以执行的任务处理也包括识别、分类、检测以及分割等。
46.进一步地，在本技术的实施例中，基于边际排序损失函数进行自监督学习，能够有效减少监督信号中的噪声，可以提高自监督学习效果；示例性的，图2为本技术实施例提出的数据处理方法的实现示意图一，如图2所示为三种视频序列剪辑，其中，a是跨栏运动员的跑步剪辑，为正常播放速度；b和c是慢跑者的跑步剪辑，区别在于b为两倍速播放，c为正常播放速度；在使用边际排序损失函数进行自监督学习的训练时，只需要分辨出b相对于c进行了加速播放，而现有技术中基于硬分类损失函数进行自监督学习则需要将b分为两倍速一类，a和c分为正常播放一类，会在监督信号中带来噪声；而本技术基于边际排序损失函数进行自监督学习，可以令监督信号更为合理，减少监督信号带来的噪声。
47.进一步地，在本技术的一些实施例中，通过不同种类的训练样本，并结合边际排序损失函数对初始学习网络进行自监督学习的训练的方法主要包括：首先获取第一训练数据序列；然后对第一训练数据序列进行n个种类的转换处理，获得至少n个第一训练转换数据序列；其中，n为大于1的正整数；进而利用初始学习网络，对至少n个第一训练转换数据序列进行n种预测，并结合边际排序损失函数，进行持续训练，得到第一学习模型。
48.进一步地，在本技术的一些实施例中，第一训练数据序列包括以下至少之一：第一视频序列、第一音频序列以及第一骨骼序列。
49.在本技术的实施例中，在基于初始学习网络完成了自监督学习的训练，获得了第一学习模型以后，可以根据下游任务和第一学习模型确定初始任务网络，即整体的模型，从而针对初始任务网络，利用对应的训练数据集，即第二训练数据集进行任务训练，获得最终的任务网络。
50.进一步地，在本技术的一些实施例中，获取第一学习模型的方法可以是利用初始学习网络，对至少n个第一训练转换数据序列分别进行n种预测，得到n
×
n个第一预测分数；进而结合边际排序损失函数，确定n
×
n个第一预测分数不满足预设条件时，对初始学习网络的网络参数进行调整，得到下一个学习网络，直至训练得到满足预设条件的预测分数时为止，得到第一学习模型；其中，预设条件表征第一训练转换数据序列对应于被施加的转换处理的第一预测分数，大于第一训练转换数据序列对应于没有被施加的转换处理的第一预测分数。
51.进一步地，在本技术的实施例中，可以采用任务网络对第一媒体数据序列进行识别，获得识别结果；或者，采用任务网络对第一媒体数据序列进行分类，获得分类结果；或者，采用任务网络对第一媒体数据序列进行检测，获得检测结果；或者，采用任务网络对第一媒体数据序列进行分割，获得分割结果。
52.进一步地，在本技术的实施例中，图3为本技术实施例提出的数据处理方法的实现流程示意图二，如图3所示，终端在采用任务网络对第一媒体数据序列进行任务处理，得到
处理结果之前，即步骤103之前，可以包括以下步骤：
53.步骤104、获取第一训练数据序列。
54.在本技术的实施例中，终端在采用任务网络对第一媒体数据序列进行任务处理，得到处理结果之前，可以先获取第一训练数据序列。
55.需要说明的是，在本技术的实施例中，第一训练数据序列用于对初始学习网络进行表征学习阶段的自监督学习的训练。
56.需要说明的是，在本技术的实施例中，第一训练数据序列可以为视频序列、音频序列以及骨骼序列。
57.步骤105、对第一训练数据序列进行n个种类的转换处理，获得至少n个第一训练转换数据序列；其中，n为大于1的正整数。
58.在本技术的实施例中，终端在获取第一训练数据序列之后，可以对第一训练数据序列进行n个种类的转换处理，获得至少n个第一训练转换数据序列；其中，n为大于1的正整数。
59.需要说明的是，在本技术的实施例中，可以对第一训练数据序列进行n个种类的转换处理，也就是说，可以同时对第一训练数据序列进行不同类型的转换处理，例如，可以同时对第一训练数据执行倍速播放和拉伸两个种类的转换处理，倍速播放为时序数据处理，拉伸则为空间数据处理；从而获得至少两个第一训练转换数据序列。
60.进一步地，在本技术的一些实施例中，可以对第一训练数据序列进行n个种类的转换处理，获得第一训练数据对应的至少n个转换后的时序数据信息；然后根据至少n个转换后的时序数据信息进行采样处理，获得至少n个采样后的时序数据信息；进而对至少n个采样后的时序数据信息进行时空数据增强处理，获得至少n个第一训练转换数据序列。
61.步骤106、利用初始学习网络，对至少n个第一训练转换数据序列进行n种预测，并结合边际排序损失函数，进行持续训练，得到第一学习模型。
62.在本技术的实施例中，终端在对第一训练数据序列进行n个种类的转换处理，获得至少n个第一训练转换数据序列之后，可以利用初始学习网络，对至少n个第一训练转换数据序列进行n种预测，并结合边际排序损失函数，进行持续训练，得到第一学习模型。
63.需要说明的是，在本技术的实施例中，初始学习网络可以为三维(3d)卷积神经网络模型；示例性的，本技术基于3d卷积神经网络构建一种名为transrank的框架，从而利用边际排序损失函数对transrank框架进行训练，完成表征学习阶段的自监督学习。
64.进一步地，在本技术的实施例中，本技术基于边际排序损失函数完成自监督学习，能够大幅减少监督信号中的噪声，有效提高自监督学习的效果。
65.在本技术的一些实施例中，终端可以利用初始学习网络中的线性层对至少n个第一训练转换数据序列进行特征提取处理，获得至少n个第一训练转换数据序列各自对应的特征信息；然后根据特征信息进行n种预测。
66.在本技术的一些实施例中，终端可以利用初始学习网络，对至少n个第一训练转换数据序列分别进行n种预测，得到n
×
n个第一预测分数；进而结合边际排序损失函数，确定n
×
n个第一预测分数不满足预设条件时，对初始学习网络的网络参数进行调整，得到下一个学习网络，直至训练得到满足预设条件的预测分数时为止，得到第一学习模型；其中，预设条件表征第一训练转换数据序列对应于被施加的转换处理的第一预测分数，大于第一训练
转换数据序列对应于没有被施加的转换处理的第一预测分数。
67.可以理解的是，在本技术的实施例中，基于边际排序损失函数对初始学习网络进行持续训练以后，初始学习网络得到了优化，即对初始学习网络中的网络权重参数进行了更新和优化，从而获得第一学习模型。
68.步骤107、结合第一学习模型中的第一网络参数和第二训练数据序列，对初始任务网络进行任务训练，得到任务网络。
69.在本技术的实施例中，终端在利用初始学习网络，对至少n个第一训练转换数据序列进行n种预测，并结合边际排序损失函数，进行持续训练，得到第一学习模型之后，可以结合第一学习模型中的第一网络参数和第二训练数据序列，对初始任务网络进行任务训练，得到任务网络。
70.需要说明的是，在本技术的实施例中，第一网络参数即为第一学习模型中的网络参数，换句话说，第一网络参数是对初始学习网络中的网络参数进行优化后获得的网络参数。
71.进一步地，在本技术的实施例中，第二训练数据用于对训练初始任务网络，因此，第二训练数据的数据类型对应于初始任务网络；可以根据初始任务网络选择适用的第二训练数据，以实现对初始任务网络的训练。
72.在本技术的一些实施例中，终端可以根据第一网络参数确定初始任务网络；然后采用初始任务网络对第二训练数据序列进行任务处理，获得输出信息，并根据输出信息计算损失函数值；进而根据损失函数值计算梯度信息，并基于梯度下降算法、梯度信息以及预设学习率对初始任务网络进行更新处理，获得任务网络；其中，预设学习率根据余弦策略进行调整；预设学习率用于约束更新处理的更新速度。
73.需要说明的是，在本技术的实施例中，基于下游任务，可以确定最终训练后的任务网络的功能；例如，下游任务是识别，则根据下游任务和第一网络参数确定初始任务网络，并对初始任务网络进行任务训练后获得的任务网络可以用于执行识别任务。
74.进一步地，在本技术的实施例中，终端利用初始学习网络，对至少n个第一训练转换数据序列进行n种预测，并结合边际排序损失函数，进行持续训练，得到第一学习模型的方法，即步骤106提出的方法可以包括以下步骤：
75.步骤106a、利用初始学习网络，对至少n个第一训练转换数据序列分别进行n种预测，得到n
×
n个第一预测分数。
76.在本技术的实施例中，终端利用初始学习网络，对至少n个第一训练转换数据序列进行n种预测，并结合边际排序损失函数，进行持续训练，得到第一学习模型；在本技术的一些实施例中，终端可以先利用初始学习网络，对至少n个第一训练转换数据序列分别进行n种预测，得到n
×
n个第一预测分数。
77.示例性的，在本技术的实施例中，第一训练数据序列为一个视频序列，对该视频序列进行倍速播放和拉伸处理，获得了两个剪辑，即两个第一训练转换数据序列，分别为剪辑1和剪辑2；其中，剪辑1是施加了倍速播放，剪辑2是施加了拉伸处理；利用初始学习网络对剪辑1和剪辑2，分别对应于倍速播放和拉伸处理的分数进行预测，则获得的2
×
2个第一预测分数中包括剪辑1对应于倍速播放的分数1，剪辑1对应于拉伸处理的分数2，剪辑2对应于倍速播放的分数3，以及剪辑2对应于拉伸处理的分数4；其中，分数1表征剪辑1被施加了倍
速播放的可能性，分数2表征剪辑1被施加了拉伸处理的可能性，分数3表征剪辑2被施加了倍速播放的可能性，分数4则表征剪辑2被施加了拉伸处理的可能性。
78.示例性的，在本技术的实施例中，至少n个第一训练转换数据序列包括x1，x2，
…
xn，其各自被施加的n个种类的转换处理为t1，t2，
…
tn；利用初始学习网络中的线性层，对x1，x2，
…
xn分别对应于t1，t2，
…
tn进行预测，获得n
×
n个第一预测分数；n
×
n个第一预测分数中的每个分数sij可以表征对第一训练转换数据序列xi对应于转换处理tj的可能性的预测。
79.步骤106b、结合边际排序损失函数，确定n
×
n个第一预测分数不满足预设条件时，对初始学习网络的网络参数进行调整，得到下一个学习网络，直至训练得到满足预设条件的预测分数时为止，得到第一学习模型；其中，预设条件表征第一训练转换数据序列对应于被施加的转换处理的第一预测分数，大于第一训练转换数据序列对应于没有被施加的转换处理的第一预测分数。
80.在本技术的实施例中，终端在利用初始学习网络，对至少n个第一训练转换数据序列分别进行n种预测，得到n
×
n个第一预测分数之后，可以结合边际排序损失函数，确定n
×
n个第一预测分数不满足预设条件时，对初始学习网络的网络参数进行调整，得到下一个学习网络，直至训练得到满足预设条件的预测分数时为止，得到第一学习模型；其中，预设条件表征第一训练转换数据序列对应于被施加的转换处理的第一预测分数，大于第一训练转换数据序列对应于没有被施加的转换处理的第一预测分数。
81.需要说明的是，在本技术的实施例中，预设条件表征第一训练转换数据序列对应于被施加的转换处理的第一预测分数，大于第一训练转换数据序列对应于没有被施加的转换处理的第一预测分数。
82.在本技术的一些实施例中，若n
×
n个第一预测分数不满足预设条件时，可以基于边际排序损失函数计算第一训练转换数据序列对应于被施加的转换处理的第一预测分数，和第一训练转换数据序列对应于没有被施加的转换处理的第一预测分数之间的边际排序损失函数值；从而基于边际排序损失函数值对初始学习网络的网络参数进行调整，得到下一个学习网络，直至得到满足预设条件的预测分数，完成自监督学习的训练，获得第一学习模型。
83.示例性的，在本技术的实施例中，剪辑1被施加了倍速播放，剪辑2被施加了拉伸处理；当剪辑1对应于倍速播放的第一预测分数s11，小于剪辑1对应于拉伸处理的第一预测分数s12时，则可以确定剪辑1和剪辑2对应的2
×
2个第一预测分数不满足预设条件，需要继续根据边际排序损失函数训练初始学习网络，即调整初始学习网络中的网络参数。
84.也就是说，在本技术的实施例中，在对初始学习网络进行训练的过程中，目标是令n
×
n个第一预测分数中，任意一个第一训练转换数据序列xi对应于被施加的转换处理的ti的分数sii，大于xi对应于没有被施加的转换处理的分数sij(i≠j)。
85.需要说明的是，在本技术的实施例中，终端还可以通过预设训练时长，从而基于边际排序损失函数对初始学习网络进行优化处理，当达到预设训练时长时，也可以确定完成自监督学习。
86.进一步地，在本技术的实施例中，终端对第一训练数据序列进行n个种类的转换处理，获得至少n个第一训练转换数据序列的方法，即步骤105提出的方法可以包括以下步骤：
87.步骤105a、对第一训练数据序列进行n个种类的转换处理，获得第一训练数据对应的至少n个转换后的时序数据信息。
88.在本技术的实施例中，终端对第一训练数据序列进行n个种类的转换处理，获得至少n个第一训练转换数据序列；在本技术的一些实施例中，终端可以先对第一训练数据序列进行n个种类的转换处理，获得第一训练数据对应的至少n个转换后的时序数据信息。
89.示例性的，在本技术的实施例中，终端可以对第一训练数据序列分别施加n种不同类型的转换处理t1，t2，
…
tn，从而获得至少n个转换后的时序数据信息x1，x2，
…
xn。
90.步骤105b、根据至少n个转换后的时序数据信息进行采样处理，获得至少n个采样后的时序数据信息。
91.在本技术的实施例中，终端在对第一训练数据序列进行n个种类的转换处理，获得第一训练数据对应的至少n个转换后的时序数据信息之后，可以根据至少n个转换后的时序数据信息进行采样处理，获得至少n个采样后的时序数据信息。
92.示例性的，在本技术的实施例中，对至少n个转换后的时序数据信息x1，x2，
…
xn进行采样处理，获得至少n个采样后的时序数据信息。
93.步骤105c、对至少n个采样后的时序数据信息进行时空数据增强处理，获得至少n个第一训练转换数据序列。
94.在本技术的实施例中，终端在根据至少n个转换后的时序数据信息进行采样处理，获得至少n个采样后的时序数据信息之后，可以对至少n个采样后的时序数据信息进行时空数据增强处理，获得至少n个第一训练转换数据序列。
95.需要说明的是，在本技术的实施例中，时空数据增强处理包括时序数据增强处理和空间数据增强处理。
96.进一步地，在本技术的实施例中，可以对经过时序数据处理的采样后的时序数据信息进行时序数据增强处理，对经过空间数据处理的采样后的时序数据信息进行空间数据增强处理，从而能够尽可能地令获得的至少两种剪辑之间，外观上的相似性更低。
97.进一步地，在本技术的实施例中，终端结合第一学习模型中的第一网络参数和第二训练数据序列，对初始任务网络进行任务训练，得到任务网络的方法，即步骤107提出的方法可以包括以下步骤：
98.步骤107a、根据第一网络参数确定初始任务网络。
99.在本技术的实施例中，终端结合第一学习模型中的第一网络参数和第二训练数据序列，对初始任务网络进行任务训练，得到任务网络；在本技术的一些实施例中，终端可以先根据第一网络参数确定初始任务网络。
100.需要说明的是，在本技术的实施例中，终端是在第一学习模型的基础上，根据下游任务和第一网络参数构建出初始任务网络；初始任务网络的网络参数为第一网络参数。
101.示例性的，在本技术的实施例中，下游任务为分类，则可以在第一学习模型的基础上增加分类器的结构，并利用第一网络参数初始化整体网络，从而构成初始任务网络。
102.步骤107b、采用初始任务网络对第二训练数据序列进行任务处理，获得输出信息，并根据输出信息计算损失函数值。
103.在本技术的实施例中，终端在根据第一网络参数确定初始任务网络之后，可以采用初始任务网络对第二训练数据序列进行任务处理，获得输出信息，并根据输出信息计算
损失函数值。
104.可以理解的是，在本技术的实施例中，损失函数值可以根据输出信息和第二训练数据中携带的少量标签信息进行计算，损失函数值表征初始任务网络输出的输出信息与标签信息之间的差距。
105.进一步地，在本技术的实施例中，终端可以采用初始任务网络对第二训练数据序列进行识别，获得识别信息；或者，采用初始任务网络对第二训练数据序列进行分类，获得分类结果；或者，采用初始任务网络对第二训练数据序列进行检测，获得检测结果；或者，采用初始任务网络对第二训练数据序列进行分割，获得分割结果。
106.步骤107c、根据损失函数值计算梯度信息，并基于梯度下降算法、梯度信息以及预设学习率对初始任务网络进行更新处理，获得任务网络；其中，预设学习率根据余弦策略进行调整；预设学习率用于约束更新处理的更新速度。
107.在本技术的实施例中，终端在采用初始任务网络对第二训练数据序列进行任务处理，获得输出信息，并根据输出信息计算损失函数值之后，可以根据损失函数值计算梯度信息，并基于梯度下降算法、梯度信息以及预设学习率对初始任务网络进行更新处理，获得任务网络；其中，预设学习率根据余弦策略进行调整；预设学习率用于约束更新处理的更新速度。
108.可以理解的是，在本技术的实施例中，基于损失函数值计算梯度信息，从而确定优化方向；进而利用梯度下降算法，梯度信息以及预设学习率对初始任务网络进行更新处理，获得任务网络。
109.其中，预设学习率用于约束更新处理的更新速度；在整个训练过程中，可以根据余弦策略对预设学习率的大小进行调整，预设学习率在初始阶段取值较大，即使用大的初始学习率，例如，0.1对应64个样本，可以提高训练效果；示例性的，基于ucf101数据集和hmdb51数据集分别对本技术中的数据处理方法和对比学习算法moco进行训练和对比，图4为本技术实施例提出的数据处理方法的实现示意图二，如图4所示为本技术中的数据处理方法使用大初始学习率的效果示意图，可以看出，本技术在初始阶段使用大的初始学习率，在基于ucf101数据集进行的实验中，准确率从46.5稳步增加至54.5，在基于hmdb51数据集进行的实验中，准确率从79.9稳步增加至84.1；图5为本技术实施例提出的数据处理方法的实现示意图三，如图5所示为对比学习算法moco未使用大初始学习率的效果示意图，可以看出，在基于ucf101数据集，没有使用大初始学习率的对比学习算法moco的实验中，准确率从79.4逐步下降至78.4；而在基于hmdb51数据集，没有使用大初始学习率的对比学习算法moco的实验中，准确率在从44.3攀升至46.2以后，又下降至45.3，进而升至45.8，最后到达46.0，变化趋势不稳定，无法达到较好的学习效果；通过对比图4和图5可以看出，本技术使用大初始学习率能够获得更好的训练效果。
110.本技术实施例提供了一种数据处理方法，终端获取待处理媒体数据序列；对待处理媒体数据序列进行转换处理得到第一媒体数据序列；其中，转换处理为时序数据处理或空间数据处理；采用任务网络对第一媒体数据序列进行任务处理，得到处理结果；其中，任务网络是基于第一网络参数，对初始任务网络进行训练得到的；第一网络参数是通过不同种类的训练样本结合边际排序损失函数，对初始学习网络进行训练得到的；由此可见，在本技术中，通过不同种类的训练样本结合边际排序损失函数对初始学习网络进行训练，能够
大幅提升学习效果，从而基于训练后获得的第一网络参数对初始任务网络进行训练后获得的任务网络，能够对经过转换处理的媒体数据序列进行相应的任务处理，从而提高任务网络的任务处理能力，获得更优的任务处理效果。
111.在本技术的另一实施例中，示例性的，图6为本技术实施例提出的数据处理方法的实现示意图四，如图6所示为数据处理方法的主要流程：首先可以对原视频进行三种不同的转换处理，分别为正常播放，2倍速播放以及倒放；并在转换处理的基础上进行采样处理，得到了分别采用三种不同的转换处理的三个剪辑；将三个剪辑输入本技术中的初始学习网络，即transrank框架，从而可以为每个剪辑预测三个分数，共获得3
×
3个第一预测分数；其中，s11表示正常播放的剪辑，对应于正常播放的预测分数，s12表示正常播放的剪辑，对应于2倍速播放的预测分数，s13表示正常播放的剪辑，对应于倒放的预测分数；进而基于边际排序损失函数和3
×
3个第一预测分数完成自监督学习的训练，目标是令3
×
3个第一预测分数中的s11、s22以及s33高于其他任意sji(j≠i)。
112.基于前述数据处理方法，本技术在多个不同的数据集以及下游任务上进行了实验；其中，训练任务为区分正常播放速度和两倍速播放速度，图7为本技术实施例提出的数据处理方法的实现示意图五，如图7所示为本技术中的基于transrank框架进行数据处理方法的实验结果示意图，其中，纵坐标为播放倍速的预测分数(speediness score)，横坐标为播放倍速，可以看出，随着播放倍速的增加，预测分数的分值是与之对应增加的，播放倍速为0.5倍速时，预测分数为-0.4，播放倍速为1倍速时，预测分数为0，播放倍速为2倍速时，预测分数为1，播放倍速为4倍速时，预测分数为1.5；图8为本技术实施例提出的数据处理方法的实现示意图六，如图8所示为现有的采用硬分类损失函数的算法的实验结果示意图，可以看出，采用硬分类损失函数的算法无法获得对应于播放倍速的变化趋势的预测分数，例如当播放倍速为0.5倍速时，预测分数为-4，当播放倍速为1倍速时，预测分数为0，而当播放倍速为2倍速和4倍速时，预测分数仍然均为0；由此可见，本技术中的数据处理方法不仅可以很好地区分训练任务中正常播放速度和两倍速播放速度的情况，还可以直接扩展到原先没有定义过的0.5倍速和4倍速的场景，对0.5倍速和4倍速的播放速度进行区分，仍然具有很好的区分效果；而现有的采用硬分类损失函数的算法(transcls)并不具备能够扩展到0.5倍速和4倍速的能力；因此，本技术中的自监督学习算法相较于现有的采用硬分类损失函数的算法，具有更好的学习效果。
113.进一步地，本技术利用hmdb51数据集和ucf101数据集进行分类任务的测试，图9为本技术实施例提出的数据处理方法的实现示意图七，如图9所示为现有的对比学习算法moco与本技术基于speednet实现的数据处理方法，基于hmdb51数据集进行实验的实验效果对比图；图10为本技术实施例提出的数据处理方法的实现示意图八，如图10所示为现有的对比学习算法moco与本技术基于speednet实现的数据处理方法，基于ucf101数据集进行实验的实验效果对比图；图9和图10包括在训练(training)和测试(validating)时两种方法的实验效果；其中，图9和图10的纵坐标表示准确率，横坐标为表示在训练过程中，数据集中的所有样本被训练过的次数，图中还包括speednet差距(gap)和moco差距；从图9和图10中可以看出，本技术基于speednet实现本技术中的数据处理方法在分类任务上，能够获得优于对比学习算法moco的效果。
114.进一步地，本技术还利用hmdb数据集和ucf数据集，分别基于本技术实施例提出的
数据处理方法和其他不同的现有算法在不同的下游任务上进行训练和测试，图11为本技术实施例提出的数据处理方法的实现示意图九，图11所示为本技术实施例中的训练后第一学习模型与其他现有算法，分别在不同的下游任务上的实验结果对比，其中，现有算法包括“st-puzzle”、“3d-rotnet”、“dpc”、“rspnet”、“rtt”、“vcop”、“pacepred”、“视频(video)moco”、“v3s”以及“xdc”；其中，“rspnet”、“pacepred”、“videomoco”以及“xdc”属于对比学习算法；各自的主干网络(backbone)，输入尺寸(input size)，模态类型(modality)以及预训练数据(pre-train data)如表中所示；其中，ucf101属于ucf数据集，hmdb51属于hmdb数据集；在ucf101和hmdb51两列中的数值表示各个算法实验结果所表现出的准确率，可以看出，在基于ucf101数据集进行对比试验的结果中，第一学习模型的准确率分别为85.7、88.9、88.5、89.0、89.6、87.8、89.7以及90.7，而其他的现有算法的准确率则分别为65.8、66.0、68.2、74.3、76.7、79.3、72.4、77.1、78.7、79.2、81.1、81.6以及86.8，明显低于本技术中的第一学习模型的准确率，基于hmdb51数据集的实验结果也同样呈现出现有算法的准确率低于本技术中的第一学习模型的准确率的趋势；可见，本技术提出的数据处理方法在多个下游任务上的表现均优于其他不同的现有算法。
115.本技术实施例提供了一种数据处理方法，终端获取待处理媒体数据序列；对待处理媒体数据序列进行转换处理得到第一媒体数据序列；其中，转换处理为时序数据处理或空间数据处理；采用任务网络对第一媒体数据序列进行任务处理，得到处理结果；其中，任务网络是基于第一网络参数，对初始任务网络进行训练得到的；第一网络参数是通过不同种类的训练样本结合边际排序损失函数，对初始学习网络进行训练得到的；由此可见，在本技术中，通过不同种类的训练样本结合边际排序损失函数对初始学习网络进行训练，能够大幅提升学习效果，从而基于训练后获得的第一网络参数对初始任务网络进行训练后获得的任务网络，能够对经过转换处理的媒体数据序列进行相应的任务处理，从而提高任务网络的任务处理能力，获得更优的任务处理效果。
116.在本技术的另一实施例中，图12为本技术实施例提出的终端的组成结构示意图一，如图12所示，本技术实施例提出的终端10可以包括获取单元11，处理单元12以及训练单元13。
117.所述获取单元11，用于获取待处理媒体数据序列。
118.所述处理单元12，用于对所述待处理媒体数据序列进行转换处理得到第一媒体数据序列；其中，所述转换处理为时序数据处理或空间数据处理；以及采用任务网络对所述第一媒体数据序列进行任务处理，得到处理结果；其中，所述任务网络是基于第一网络参数，对初始任务网络进行训练得到的；所述第一网络参数是通过不同种类的训练样本结合边际排序损失函数，对初始学习网络进行训练得到的。
119.所述训练单元13，用于在所述处理单元12采用任务网络对所述第一媒体数据序列进行任务处理，得到处理结果之前，获取第一训练数据序列；以及对所述第一训练数据序列进行n个种类的转换处理，获得至少n个第一训练转换数据序列；其中，n为大于1的正整数；以及利用所述初始学习网络，对所述至少n个第一训练转换数据序列进行n种预测，并结合所述边际排序损失函数，进行持续训练，得到第一学习模型；以及结合所述第一学习模型中的所述第一网络参数和第二训练数据序列，对所述初始任务网络进行任务训练，得到所述任务网络。
120.进一步地，所述训练单元13，还用于利用所述初始学习网络，对所述至少n个第一训练转换数据序列分别进行n种预测，得到n
×
n个第一预测分数；以及结合边际排序损失函数，确定所述n
×
n个第一预测分数不满足预设条件时，对所述初始学习网络的网络参数进行调整，得到下一个学习网络，直至训练得到满足所述预设条件的预测分数时为止，得到所述第一学习模型；其中，所述预设条件表征所述第一训练转换数据序列对应于被施加的转换处理的第一预测分数，大于所述第一训练转换数据序列对应于没有被施加的转换处理的第一预测分数。
121.进一步地，所述训练单元13，还用于对所述第一训练数据序列进行n个种类的转换处理，获得所述第一训练数据对应的至少n个转换后的时序数据信息；以及根据所述至少n个转换后的时序数据信息进行采样处理，获得至少n个采样后的时序数据信息；以及对所述至少n个采样后的时序数据信息进行时空数据增强处理，获得所述至少n个第一训练转换数据序列。
122.进一步地，所述时空数据增强处理包括时序数据增强处理和空间数据增强处理。
123.进一步地，所述训练单元13，还用于根据所述第一网络参数确定所述初始任务网络；以及采用所述初始任务网络对所述第二训练数据序列进行任务处理，获得输出信息，并根据所述输出信息计算损失函数值；以及根据所述损失函数值计算梯度信息，并基于梯度下降算法、所述梯度信息以及预设学习率对所述初始任务网络进行更新处理，获得所述任务网络；其中，所述预设学习率根据余弦策略进行调整；所述预设学习率用于约束所述更新处理的更新速度。
124.进一步地，所述第一训练数据序列为视频序列、音频序列以及骨骼序列。
125.进一步地，所述任务处理包括识别、分类、检测以及分割。
126.进一步地，所述初始学习网络为三维卷积神经网络。
127.图13为本技术实施例提出的终端的组成结构示意图二，如图13所示，本技术实施例提出的终端10还可以包括处理器14、存储有处理器14可执行指令的存储器15，进一步地，终端10还可以包括通信接口16，和用于连接处理器14、存储器15以及通信接口16的总线17。
128.在本技术的实施例中，上述处理器14可以为特定用途集成电路(application specific integrated circuit，asic)、数字信号处理器(digital signal processor，dsp)、数字信号处理装置(digital signal processing device，dspd)、可编程逻辑装置(programmable logic device，pld)、现场可编程门阵列(field programmable gate array，fpga)、中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器功能的电子器件还可以为其它，本技术实施例不作具体限定。处理器14还可以包括存储器15，该存储器15可以与处理器14连接，其中，存储器15用于存储可执行程序代码，该程序代码包括计算机操作指令，存储器15可能包含高速ram存储器，也可能还包括非易失性存储器，例如，至少两个磁盘存储器。
129.在本技术的实施例中，总线17用于连接通信接口16、处理器14以及存储器15以及这些器件之间的相互通信。
130.在本技术的实施例中，存储器15，用于存储指令和数据。
131.进一步地，在本技术的实施例中，上述处理器14，用于获取待处理媒体数据序列；
132.对所述待处理媒体数据序列进行转换处理得到第一媒体数据序列；其中，所述转换处理为时序数据处理或空间数据处理；
133.采用任务网络对所述第一媒体数据序列进行任务处理，得到处理结果；其中，所述任务网络是基于第一网络参数，对初始任务网络进行训练得到的；所述第一网络参数是通过不同种类的训练样本结合边际排序损失函数，对初始学习网络进行训练得到的。
134.在实际应用中，上述存储器15可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，ram)；或者非易失性存储器(non-volatile memory)，例如只读存储器(read-only memory，rom)，快闪存储器(flash memory)，硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)；或者上述种类的存储器的组合，并向处理器14提供指令和数据。
135.另外，在本实施例中的各功能模块可以集成在一个分析单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
136.集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
137.本技术实施例提供了一种终端，终端获取待处理媒体数据序列；对待处理媒体数据序列进行转换处理得到第一媒体数据序列；其中，转换处理为时序数据处理或空间数据处理；采用任务网络对第一媒体数据序列进行任务处理，得到处理结果；其中，任务网络是基于第一网络参数，对初始任务网络进行训练得到的；第一网络参数是通过不同种类的训练样本结合边际排序损失函数，对初始学习网络进行训练得到的；由此可见，在本技术中，通过不同种类的训练样本结合边际排序损失函数对初始学习网络进行训练，能够大幅提升学习效果，从而基于训练后获得的第一网络参数对初始任务网络进行训练后获得的任务网络，能够对经过转换处理的媒体数据序列进行相应的任务处理，从而提高任务网络的任务处理能力，获得更优的任务处理效果。
138.具体来讲，本实施例中的一种数据处理方法对应的程序指令可以被存储在光盘，硬盘，u盘等存储介质上；当存储介质中的与一种数据处理方法对应的程序指令被一电子设备读取或被执行时，包括如下步骤：
139.获取待处理媒体数据序列；
140.对所述待处理媒体数据序列进行转换处理得到第一媒体数据序列；其中，所述转换处理为时序数据处理或空间数据处理；
141.采用任务网络对所述第一媒体数据序列进行任务处理，得到处理结果；其中，所述任务网络是基于第一网络参数，对初始任务网络进行训练得到的；所述第一网络参数是通过不同种类的训练样本结合边际排序损失函数，对初始学习网络进行训练得到的。
142.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
143.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的实现流程示意图和/或方框图来描述的。应理解可由计算机程序指令实现流程示意图和/或方框图中的每一流程和/或方框、以及实现流程示意图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
144.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
145.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
146.以上所述，为本技术的较佳实施例而已，并非用于限定本技术的保护范围。
技术特征：1.一种数据处理方法，其特征在于，所述方法包括：获取待处理媒体数据序列；对所述待处理媒体数据序列进行转换处理得到第一媒体数据序列；其中，所述转换处理为时序数据处理或空间数据处理；采用任务网络对所述第一媒体数据序列进行任务处理，得到处理结果；其中，所述任务网络是基于第一网络参数，对初始任务网络进行训练得到的；所述第一网络参数是通过不同种类的训练样本结合边际排序损失函数，对初始学习网络进行训练得到的。2.根据权利要求1所述的方法，其特征在于，所述采用任务网络对所述第一媒体数据序列进行任务处理，得到处理结果之前，所述方法包括：获取第一训练数据序列；对所述第一训练数据序列进行n个种类的转换处理，获得至少n个第一训练转换数据序列；其中，n为大于1的正整数；利用所述初始学习网络，对所述至少n个第一训练转换数据序列进行n种预测，并结合所述边际排序损失函数，进行持续训练，得到第一学习模型；结合所述第一学习模型中的所述第一网络参数和第二训练数据序列，对所述初始任务网络进行任务训练，得到所述任务网络。3.根据权利要求2所述的方法，其特征在于，所述利用所述初始学习网络，对所述至少n个第一训练转换数据序列进行n种预测，并结合所述边际排序损失函数，进行持续训练，得到第一学习模型，包括：利用所述初始学习网络，对所述至少n个第一训练转换数据序列分别进行n种预测，得到n
×
n个第一预测分数；结合边际排序损失函数，确定所述n
×
n个第一预测分数不满足预设条件时，对所述初始学习网络的网络参数进行调整，得到下一个学习网络，直至训练得到满足所述预设条件的预测分数时为止，得到所述第一学习模型；其中，所述预设条件表征所述第一训练转换数据序列对应于被施加的转换处理的第一预测分数，大于所述第一训练转换数据序列对应于没有被施加的转换处理的第一预测分数。4.根据权利要求2所述的方法，其特征在于，所述对所述第一训练数据序列进行n个种类的转换处理，获得至少n个第一训练转换数据序列，包括：对所述第一训练数据序列进行n个种类的转换处理，获得所述第一训练数据对应的至少n个转换后的时序数据信息；根据所述至少n个转换后的时序数据信息进行采样处理，获得至少n个采样后的时序数据信息；对所述至少n个采样后的时序数据信息进行时空数据增强处理，获得所述至少n个第一训练转换数据序列。5.根据权利要求4所述的方法，其特征在于，所述时空数据增强处理包括时序数据增强处理和空间数据增强处理。6.根据权利要求2所述的方法，其特征在于，所述结合所述第一学习模型中的所述第一网络参数和第二训练数据序列，对所述初始任务网络进行任务训练，得到所述任务网络，包括：
根据所述第一网络参数确定所述初始任务网络；采用所述初始任务网络对所述第二训练数据序列进行任务处理，获得输出信息，并根据所述输出信息计算损失函数值；根据所述损失函数值计算梯度信息，并基于梯度下降算法、所述梯度信息以及预设学习率对所述初始任务网络进行更新处理，获得所述任务网络；其中，所述预设学习率根据余弦策略进行调整；所述预设学习率用于约束所述更新处理的更新速度。7.根据权利要求2所述的方法，其特征在于，所述第一训练数据序列包括以下至少之一：第一视频序列、第一音频序列以及第一骨骼序列；所述待处理媒体数据序列包括以下至少之一：待处理视频序列、待处理音频序列以及待处理骨骼序列。8.根据权利要求1所述的方法，其特征在于，所述采用任务网络对所述第一媒体数据序列进行任务处理，得到处理结果，包括：采用所述任务网络对所述第一媒体数据序列进行识别，获得识别结果；或者，采用所述任务网络对所述第一媒体数据序列进行分类，获得分类结果；或者，采用所述任务网络对所述第一媒体数据序列进行检测，获得检测结果；或者，采用所述任务网络对所述第一媒体数据序列进行分割，获得分割结果。9.一种终端，其特征在于，所述终端包括获取单元和处理单元，所述获取单元，用于获取待处理媒体数据序列；所述处理单元，用于对所述待处理媒体数据序列进行转换处理得到第一媒体数据序列；其中，所述转换处理为时序数据处理或空间数据处理；以及采用任务网络对所述第一媒体数据序列进行任务处理，得到处理结果；其中，所述任务网络是基于第一网络参数，对初始任务网络进行训练得到的；所述第一网络参数是通过不同种类的训练样本结合边际排序损失函数，对初始学习网络进行训练得到的。10.一种终端，其特征在于，所述终端包括处理器、存储有所述处理器可执行指令的存储器，当所述指令被所述处理器执行时，实现如权利要求1-8任一项所述的方法。11.一种计算机可读存储介质，其特征在于，其上存储有程序，应用于终端，所述程序被处理器执行时，实现如权利要求1-8任一项所述的方法。
技术总结本申请实施例公开了一种数据处理方法，终端及存储介质，终端获取待处理媒体数据序列；对待处理媒体数据序列进行转换处理得到第一媒体数据序列；其中，转换处理为时序数据处理或空间数据处理；采用任务网络对第一媒体数据序列进行任务处理，得到处理结果；其中，任务网络是基于第一网络参数，对初始任务网络进行训练得到的；第一网络参数是通过不同种类的训练样本结合边际排序损失函数，对初始学习网络进行训练得到的。行训练得到的。行训练得到的。
技术研发人员：段浩东 陈恺 赵南轩 林达华
受保护的技术使用者：上海人工智能创新中心
技术研发日：2022.04.24
技术公布日：2022/7/5
