(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111671024.6 (22)申请日 2021.12.31 (71)申请人 腾讯科技 （深圳） 有限公司 地址 518057 广东省深圳市南 山区高新区 科技中一路腾讯大厦3 5层 (72)发明人 王全子昂 　李悦翔　魏东　马锴　 郑冶枫　孟德宇　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 代理人 陈梅君 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/774(2022.01) (54)发明名称 数据处理方法、 装置、 计算机设备、 介质及程 序产品 (57)摘要 本申请实施例公开了一种数据处理方法、 装 置、 计算机设备、 介质及程序产品， 该数据处理方 法包括： 根据目标模型构建参考网络模型， 参考 网络模型包括参考主网络； 获取元图像样本集， 并采用训练图像样本集和元图像样本集对参考 网络模型进行训练， 得到元损失， 以采用元损失 更新目标模型中的元网络， 得到更新后的元网 络； 根据更新后的元网络和一次或多次训练后的 主网络对训练图像样本集进行识别处理， 得到训 练图像样本集包括的不同任务的样本图像之间 的关联关系； 基于关联关系对一次或多次训练后 的主网络进行迭代更新， 直至得到训练完成的目 标模型， 训练完成的目标模型用于进行图像识别 处理。 通过本申请实施例， 可以有效提高模型的 泛化能力。 权利要求书2页 说明书21页 附图8页 CN 114358250 A 2022.04.15 CN 114358250 A 1.一种数据处 理方法， 其特 征在于， 包括： 根据目标模型构建参考网络模型， 所述参考网络模型包括参考主网络， 所述参考主网 络是对所述目标模型中一次或多次训练后的主网络进 行复制得到的， 所述目标模型的主网 络是采用训练图像样本集进行一次或多次训练的； 获取元图像样本集， 并采用所述训练图像样本集和所述元图像样本集对所述参考网络 模型进行训练， 得到元损失， 以采用所述元损失更新所述目标模型中的元网络， 得到更新后 的元网络； 根据所述更新后的元网络和一次或多次训练后的主网络对所述训练图像样本集进行 识别处理， 得到所述训练图像样本集包括的不同任务的样本图像之间的关联关系； 基于所述关联关系对所述一 次或多次训练后的主网络进行迭代更新， 直至得到训练完 成的目标模型， 所述训练完成的目标模型用于进行图像识别处 理。 2.如权利要求1所述的方法， 其特征在于， 采用训练图像样本集对所述目标模型的主网 络进行一次或多次训练， 并得到一次或多次训练后的主网络的方式包括： 获取训练图像样本集； 从所述训练图像样本集中获取训练图像样本子集， 并将所述训练图像样本子集包括的 一个或多个样本组输入所述目标模型； 调用所述目标模型的主网络对所述 一个或多个样本组进行识别处 理， 得到训练损失； 采用所述训练损失对所述目标模型的主 网络进行一 次或多次训练， 并得到一 次或多次 训练后的主网络 。 3.如权利要求2所述的方法， 其特征在于， 所述采用所述训练损失对所述目标模型的主 网络进行一次或多次训练， 并得到一次或多次训练后的主网络， 包括： 获取为各个样本组包括的样本图像设置的预设关联关系， 并采用所述预设关联关系 对 所述训练损失进行 更新； 采用更新的训练损失调整所述目标模型的主 网络的网络参数， 得到一 次或多次训练后 的主网络 。 4.如权利要求1所述的方法， 其特征在于， 所述采用所述训练图像样本集和所述元图像 样本集对所述 参考网络模型进行训练， 得到元损失， 包括： 从所述训练图像样本集中获取参 考训练图像样本 子集； 将所述参考训练图像样本子集包括的各样本组输入所述参考主网络， 得到参考损 失， 并获取所述参考损失对应的损失权重， 所述损失权重是将所述参考损失输入所述目标模型 的元网络后得到的； 采用所述参考损 失和对应的损 失权重， 对所述参考主网络进行更新处理， 得到更新后 的参考主网络； 将所述元图像样本集输入所述更新后的参 考主网络， 并获取 得到元损失。 5.如权利要求1所述的方法， 其特征在于， 所述根据 所述更新后的元网络和一 次或多次 训练后的主网络对所述训练图像样本集进 行识别处理， 得到所述训练图像样本集包括的不 同任务的样本图像之间的关联关系， 包括： 从所述训练图像样本集中获取迭代图像样本 子集； 将所述迭代图像样本子集包括的各样本组输入一 次或多次训练后的主网络， 得到迭代权　利　要　求　书 1/2 页 2 CN 114358250 A 2损失； 所述迭代损失包括对应样本组所包括的一个当前样本图像对应的第一损失， 及包括 的一个历史样本图像的第二损失； 所述当前样本图像属于新任务， 所述历史样本图像属于 旧任务； 将所述第一损失和所述第 二损失输入所述更新后的元网络， 分别得到所述第 一损失的 损失权重， 以及所述第二损失的损失权 重； 其中， 所述第一损 失的损失权重和所述第二损 失的损失权重， 用于指示对应的一个当 前样本图像和对应的一个历史样本图像之间的关联关系。 6.如权利要求2～5任一项所述的方法， 其特征在于， 一个样本组包括从新任务中获取 的一个当前样本图像， 及从记忆缓存中获取 的一个历史样本图像； 所述记忆缓存中的历史 样本图像来自 旧任务的一个或多个历史样本图像； 所述元图像样本集包括的多个元样本图像； 且所述元图像样本集是对新任务包括的当 前样本图像和旧任务包括的历史样本图像进行均衡采集得到的。 7.如权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 当所述一 次或多次训练后的主 网络迭代更新 次数满足设定更新条件之后， 根据 更新的 一次或多次训练后的主网络对所述 参考网络模型包括的参 考主网络进行 更新处理。 8.一种数据处 理装置， 其特 征在于， 包括： 构建模块， 用于根据目标模型构建参考网络模型， 参考网络模型包括参考主网络， 参考 主网络是对目标模型中一次或多次训练后的主网络进 行复制得到的， 目标模型的主网络是 采用训练图像样本集进行一次或多次训练的； 获取模块， 用于获取 元图像样本集； 训练模块， 用于并采用训练图像样本集和元图像样本集对参考网络模型进行训练， 得 到元损失， 以采用元损失更新目标模型中的元网络， 得到更新后的元网络； 处理模块， 用于根据 更新后的元网络和一 次或多次训练后的主网络对训练图像样本集 进行识别处 理， 得到训练图像样本集包括的不同任务的样本图像之间的关联关系； 所述训练模块， 还用于基于关联关系对一次或多次训练后的主网络进行迭代更新， 直 至得到训练完成的目标模型， 训练完成的目标模型用于进行图像识别处 理。 9.一种计算机设备， 其特 征在于， 包括： 处 理器、 存储器以及网络 接口； 处理器与存储器、 网络接口相连， 其中， 网络接口用于提供网络通信功能， 存储器用于 存储程序代码， 处 理器用于调用程序代码， 以执 行权利要求1至7任一项的数据处 理方法。 10.一种计算机可读存储介质， 其特征在于， 计算机可读存储介质存储有计算机程序， 计算机程序包括程序指令， 程序指令当被处理器执行时， 执行权利要求1至7任一项的数据 处理方法。 11.一种计算机程序产品， 其特征在于， 计算机程序产品包括计算机程序或计算机指 令， 计算机程序或计算机指 令被处理器执行时实现如权利要求1至7中任一项的数据处理方 法的步骤。权　利　要　求　书 2/2 页 3 CN 114358250 A 3