一种数据处理方法、设备以及计算机可读存储介质

专利名称：一种数据处理方法、设备以及计算机可读存储介质

专利类型：实用新型专利

专利申请号：CN202210143589.5

专利申请（专利权）人：腾讯科技(深圳)有限公司
权利人地址：广东省深圳市南山区高新区科技中一路腾讯大厦35层

专利发明（设计）人：赖锦祥

专利摘要：本申请公开了一种数据处理方法、设备以及计算机可读存储介质，该方法包括：获取查询图像初始特征以及至少两个目标图像初始特征；对至少两个目标图像初始特征分别对应的图像初始特征对进行特征增强，得到每个图像初始特征对分别对应的图像特征对；根据至少两个图像特征对，生成用于表征至少两个目标图像集分别与查询图像之间的相似度的图像度量特征；对查询图像初始特征进行自注意力增强，得到图像优化特征；根据图像度量特征以及图像优化特征，在至少两个图像类别信息中，确定查询图像对应的图像类别信息。采用本申请，可以提高查询图像对应的图像类别信息的识别准确度。本申请实施例可应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景。

主权利要求：
1.一种数据处理方法，其特征在于，包括：
获取查询图像对应的查询图像初始特征，获取至少两个目标图像集分别对应的目标图像初始特征；所述至少两个目标图像集分别对应的图像类别信息互不相同；
对至少两个目标图像初始特征分别对应的图像初始特征对进行特征增强，得到每个图像初始特征对分别对应的图像特征对；一个图像初始特征对包括所述查询图像初始特征以及一个目标图像初始特征；
根据至少两个图像特征对，生成用于表征所述至少两个目标图像集分别与所述查询图像之间的相似度的图像度量特征；
对所述查询图像初始特征进行自注意力增强，得到所述查询图像对应的图像优化特征；
获取图像识别模型；所述图像识别模型包括度量分类器以及微调分类器；
将所述图像度量特征输入至所述度量分类器，在所述度量分类器中，根据所述图像度量特征确定所述查询图像对应的度量分类概率向量；
将所述图像优化特征输入至所述微调分类器，在所述微调分类器中，根据所述图像优化特征确定所述查询图像对应的微调分类概率向量；
对所述度量分类概率向量以及所述微调分类概率向量进行向量求和，得到所述查询图像对应的分类概率向量；
根据所述分类概率向量，在至少两个图像类别信息中，确定所述查询图像对应的图像类别信息。
2.根据权利要求1所述的方法，其特征在于，所述对至少两个目标图像初始特征分别对应的图像初始特征对进行特征增强，得到每个图像初始特征对分别对应的图像特征对，包括：获取图像识别模型；所述图像识别模型包括聚类块连接网络层；所述至少两个目标图像集包括目标图像集Ne，至少两个目标图像初始特征包括所述目标图像集Ne对应的目标图像初始特征De，e为正整数，且e小于或等于所述至少两个目标图像集对应的总数量；
将由所述目标图像初始特征De以及所述查询图像初始特征所组成的图像初始特征对Fe，输入至所述聚类块连接网络层；
通过所述聚类块连接网络层，对所述图像初始特征对Fe进行特征增强，得到所述目标图像集Ne对应的目标图像特征，以及所述查询图像对应的查询图像特征Le；所述目标图像集Ne对应的目标图像特征且与所述查询图像相关联；所述查询图像特征Le且与所述目标图像集Ne相关联；
将所述目标图像集Ne对应的目标图像特征，以及所述查询图像特征Le，组成所述图像初始特征对Fe对应的图像特征对。
3.根据权利要求2所述的方法，其特征在于，所述聚类块连接网络层包括第一聚类块连接组件以及第二聚类块连接组件；
所述通过所述聚类块连接网络层，对所述图像初始特征对Fe进行特征增强，得到所述目标图像集Ne对应的目标图像特征，以及所述查询图像对应的查询图像特征Le，包括：在所述第一聚类块连接组件中，通过所述目标图像初始特征De，增强所述查询图像初始特征中的主体对象特征，得到所述查询图像对应的查询图像特征Le；
在所述第二聚类块连接组件中，通过所述查询图像初始特征，增强所述目标图像初始特征De中的主体对象特征，得到所述目标图像集Ne对应的目标图像特征。
4.根据权利要求3所述的方法，其特征在于，所述第一聚类块连接组件包括块聚类子组件以及元连接子组件；所述目标图像初始特征De包括至少两个目标元素特征；所述至少两个目标元素特征包括目标元素特征Hc；所述查询图像初始特征包括至少两个查询元素特征；所述至少两个查询元素特征包括查询元素特征Gc，c为正整数，且c小于或等于所述至少两个查询元素特征对应的总数量；
所述在所述第一聚类块连接组件中，通过所述目标图像初始特征De，增强所述查询图像初始特征中的主体对象特征，得到所述查询图像对应的查询图像特征Le，包括：在所述块聚类子组件中，确定所述查询元素特征Gc以及所述目标元素特征Hc之间的第一特征距离，将所述第一特征距离确定为所述目标元素特征Hc对应的增强权重；
根据所述至少两个目标元素特征分别对应的增强权重，对所述至少两个目标元素特征进行加权求和处理，得到所述查询元素特征Gc对应的相似块聚类特征Ic；
在所述元连接子组件中，确定所述相似块聚类特征Ic以及所述查询元素特征Gc之间的第二特征距离；
通过所述查询元素特征Gc对应的第二特征距离，对所述查询元素特征Gc进行特征增强，得到查询特征；
根据所述至少两个查询元素特征分别对应的查询特征，生成与所述目标图像集Ne相关联的查询图像特征Le。
5.根据权利要求2所述的方法，其特征在于，所述根据至少两个图像特征对，生成用于表征所述至少两个目标图像集分别与所述查询图像之间的相似度的图像度量特征，包括：对所述目标图像集Ne对应的目标图像特征进行池化处理，将池化处理后的目标图像特征确定为所述查询图像特征Le对应的卷积核；
根据所述查询图像特征Le对应的卷积核，对所述查询图像特征Le进行特征卷积，得到所述目标图像集Ne与所述查询图像之间的相似度；
根据所述至少两个目标图像集分别与所述查询图像之间的相似度，生成图像度量特征。
6.根据权利要求1所述的方法，其特征在于，所述对所述查询图像初始特征进行自注意力增强，得到所述查询图像对应的图像优化特征，包括：获取图像识别模型；所述图像识别模型包括自相关聚类块连接网络层以及线性网络层；
将所述查询图像初始特征输入至所述自相关聚类块连接网络层，通过所述自相关聚类块连接网络层，对所述查询图像初始特征进行特征增强，得到所述查询图像对应的待处理图像特征；
将所述查询图像对应的待处理图像特征输入至所述线性网络层，通过所述线性网络层，对所述查询图像对应的待处理图像特征进行线性处理，得到所述查询图像对应的图像优化特征。
7.根据权利要求1所述的方法，其特征在于，所述获取查询图像对应的查询图像初始特征，获取至少两个目标图像集分别对应的目标图像初始特征，包括：获取图像识别模型；所述图像识别模型包括特征提取网络层；
将查询图像以及与所述查询图像相关联的至少两个目标图像集，均输入至所述特征提取网络层；所述至少两个目标图像集包括目标图像集Ab，所述目标图像集Ab包括图像类别信息均相同的K个目标图像，b为正整数，且b小于或等于所述至少两个目标图像集对应的总数量；K为正整数；
通过所述特征提取网络层，对所述查询图像进行特征提取，得到所述查询图像对应的查询图像初始特征；
对所述目标图像集Ab进行特征提取，得到所述K个目标图像分别对应的待处理初始特征；
对K个待处理初始特征进行均值处理，得到所述目标图像集Ab对应的目标图像初始特征。
8.一种数据处理方法，其特征在于，包括：
从训练样本图像集中，获取至少两个目标样本图像集以及查询样本图像；每个目标样本图像集分别对应的第一图像类别信息互不相同；至少两个第一图像类别信息包括所述查询样本图像对应的第二图像类别信息；
将所述查询样本图像以及所述至少两个目标样本图像集分别输入至图像识别初始模型；
通过所述图像识别初始模型，获取所述查询样本图像对应的预测查询初始特征，获取所述至少两个目标样本图像集分别对应的预测目标初始特征；
对至少两个预测目标初始特征分别对应的预测初始特征对进行特征增强，得到每个预测初始特征对分别对应的预测特征对；一个预测初始特征对包括所述预测查询初始特征以及一个预测目标初始特征；
根据至少两个预测特征对，生成用于表征所述至少两个目标样本图像集分别与所述查询样本图像之间的预测相似度的预测图像度量特征；
根据所述预测图像度量特征以及所述第二图像类别信息，对所述图像识别初始模型中的参数进行调整，得到预训练图像识别模型；
获取至少两个目标图像集；每个目标图像集分别对应的第三图像类别信息互不相同；
根据所述至少两个目标图像集以及至少两个第三图像类别信息，对所述预训练图像识别模型中的参数进行调整，得到图像识别模型；所述图像识别模型用于识别查询图像对应的图像类别信息；所述查询图像对应的图像类别信息属于所述至少两个第三图像类别信息。
9.根据权利要求8所述的方法，其特征在于，所述从训练样本图像集中，获取至少两个目标样本图像集以及查询样本图像，包括：获取P个样本图像集；P为正整数；每个样本图像集分别对应的第四图像类别信息互不相同；P个第四图像类别信息包括所述至少两个第一图像类别信息；
从所述P个样本图像集中获取Q个样本图像集，将所述Q个样本图像集确定为训练样本图像集；Q为小于P的正整数；
统计所述图像识别初始模型的训练迭代次数，若所述训练迭代次数小于迭代次数阈值，则从所述训练样本图像集中获取至少两个样本图像集，将获取到的至少两个样本图像集确定为至少两个目标样本图像集；
根据所述至少两个第一图像类别信息，从剩余训练样本图像集中获取样本图像集，作为初始查询样本图像；所述剩余训练样本图像集是指所述训练样本图像集中，除了所述至少两个目标样本图像集之外的训练样本图像集；
对所述初始查询样本图像进行角度旋转处理，得到查询样本图像。
10.根据权利要求8所述的方法，其特征在于，每个预测特征对分别包括不同的预测查询特征，一个预测查询特征与一个预测目标初始特征相关联；所述查询样本图像携带真实旋转角度；所述图像识别初始模型包括第一线性初始网络层；
所述根据所述预测图像度量特征以及所述第二图像类别信息，对所述图像识别初始模型中的参数进行调整，得到预训练图像识别模型，包括：根据所述第二图像类别信息，从所述至少两个预测特征对分别对应的预测查询特征中，获取预测查询特征Uv；v为正整数，且v小于或等于所述至少两个预测特征对对应的总数量；所述预测查询特征Uv所表征的目标样本图像集的第一图像类别信息，与所述第二图像类别信息相同；
通过所述第一线性初始网络层，对所述预测查询特征Uv进行线性处理，得到所述查询样本图像对应的预测图像辅助特征；
根据所述预测图像度量特征、所述预测图像辅助特征、所述第二图像类别信息以及所述真实旋转角度，对所述图像识别初始模型中的参数进行调整，得到预训练图像识别模型。
11.根据权利要求10所述的方法，其特征在于，所述图像识别初始模型还包括度量初始分类器、角度初始分类器、全局初始分类器、用于生成至少两个预测初始特征对的特征提取初始网络层，以及用于生成所述至少两个预测特征对的聚类块连接初始网络层；
所述根据所述预测图像度量特征、所述预测图像辅助特征、所述第二图像类别信息以及所述真实旋转角度，对所述图像识别初始模型中的参数进行调整，得到预训练图像识别模型，包括：将所述预测图像度量特征输入至所述度量初始分类器，在所述度量初始分类器中，根据所述预测图像度量特征，确定所述查询样本图像对应的度量分类预测概率向量；
将所述预测图像辅助特征输入至所述全局初始分类器，在所述全局初始分类器中，根据所述预测图像辅助特征，确定所述查询样本图像对应的全局分类预测概率向量；
将所述预测图像辅助特征输入至角度初始分类器，在所述角度初始分类器中，根据所述预测图像辅助特征，确定所述查询样本图像对应的角度分类预测概率向量；
根据所述度量分类预测概率向量、所述全局分类预测概率向量、所述角度分类预测概率向量、所述第二图像类别信息以及所述真实旋转角度，对所述特征提取初始网络层、所述聚类块连接初始网络层、所述第一线性初始网络层、所述度量初始分类器、所述角度初始分类器、所述全局初始分类器分别包括的参数进行调整，将调整后的图像识别初始模型确定为预训练图像识别模型。
12.根据权利要求11所述的方法，其特征在于，所述根据所述度量分类预测概率向量、所述全局分类预测概率向量、所述角度分类预测概率向量、所述第二图像类别信息以及所述真实旋转角度，对所述特征提取初始网络层、所述聚类块连接初始网络层、所述第一线性初始网络层、所述度量初始分类器、所述角度初始分类器、所述全局初始分类器分别包括的参数进行调整，将调整后的图像识别初始模型确定为预训练图像识别模型，包括：根据所述度量分类预测概率向量以及所述第二图像类别信息之间的交叉熵，确定所述查询样本图像的度量损失值；
根据所述全局分类预测概率向量以及所述第二图像类别信息之间的交叉熵，确定所述查询样本图像的全局损失值；
根据所述角度分类预测概率向量以及所述真实旋转角度之间的交叉熵，确定所述查询样本图像的角度损失值；
对所述度量损失值、所述全局损失值以及所述角度损失值进行加权求和处理，得到总损失值，根据所述总损失值，对所述特征提取初始网络层、所述聚类块连接初始网络层、所述第一线性初始网络层、所述度量初始分类器、所述角度初始分类器、所述全局初始分类器分别包括的参数进行调整，将调整后的图像识别初始模型确定为预训练图像识别模型。
13.根据权利要求8所述的方法，其特征在于，所述根据所述至少两个目标图像集以及至少两个第三图像类别信息，对所述预训练图像识别模型中的参数进行调整，得到图像识别模型，包括：将至少两个目标图像集分别输入至所述预训练图像识别模型；所述预训练图像识别模型包括特征提取网络层、自相关聚类块连接初始网络层、第二线性初始网络层以及微调初始分类器；所述至少两个目标图像集包括目标图像Xy，y为正整数，且y小于或等于所述至少两个目标图像集包含的目标图像对应的总数量；
通过所述特征提取网络层，对所述目标图像Xy进行特征提取，得到所述目标图像Xy对应的目标图像初始特征，将所述目标图像Xy对应的目标图像初始特征输入至所述自相关聚类块连接初始网络层；
通过所述自相关聚类块连接初始网络层，对所述目标图像Xy对应的目标图像初始特征进行自注意力增强，得到所述目标图像Xy对应的预测待处理目标特征，将所述预测待处理目标特征输入至所述第二线性初始网络层；
通过所述第二线性初始网络层，对所述预测待处理目标特征进行线性处理，得到所述目标图像Xy对应的预测目标优化特征，将所述预测目标优化特征输入至所述微调初始分类器；
在所述微调初始分类器中，根据所述预测目标优化特征确定所述目标图像Xy对应的预测微调分类概率向量；
根据所述至少两个目标图像集包含的每个目标图像分别对应的预测微调分类概率向量以及所述每个目标图像分别对应的第三图像类别信息，对所述自相关聚类块连接初始网络层、第二线性初始网络层以及微调初始分类器分别包括的参数进行调整，将调整后的预训练图像识别模型确定为图像识别模型。
14.一种数据处理装置，其特征在于，包括：
获取模块，用于获取查询图像对应的查询图像初始特征，获取至少两个目标图像集分别对应的目标图像初始特征；所述至少两个目标图像集分别对应的图像类别信息互不相同；
第一增强模块，用于对至少两个目标图像初始特征分别对应的图像初始特征对进行特征增强，得到每个图像初始特征对分别对应的图像特征对；一个图像初始特征对包括所述查询图像初始特征以及一个目标图像初始特征；
生成模块，用于根据至少两个图像特征对，生成用于表征所述至少两个目标图像集分别与所述查询图像之间的相似度的图像度量特征；
第二增强模块，用于对所述查询图像初始特征进行自注意力增强，得到所述查询图像对应的图像优化特征；
确定模块，用于获取图像识别模型；所述图像识别模型包括度量分类器以及微调分类器；
所述确定模块，还用于将所述图像度量特征输入至所述度量分类器，在所述度量分类器中，根据所述图像度量特征确定所述查询图像对应的度量分类概率向量；
所述确定模块，还用于将所述图像优化特征输入至所述微调分类器，在所述微调分类器中，根据所述图像优化特征确定所述查询图像对应的微调分类概率向量；
所述确定模块，还用于对所述度量分类概率向量以及所述微调分类概率向量进行向量求和，得到所述查询图像对应的分类概率向量；
所述确定模块，还用于根据所述分类概率向量，在至少两个图像类别信息中，确定所述查询图像对应的图像类别信息。
15.一种数据处理装置，其特征在于，包括：
第一获取模块，用于从训练样本图像集中，获取至少两个目标样本图像集以及查询样本图像；每个目标样本图像集分别对应的第一图像类别信息互不相同；至少两个第一图像类别信息包括所述查询样本图像对应的第二图像类别信息；
所述第一获取模块，还用于将所述查询样本图像以及所述至少两个目标样本图像集分别输入至图像识别初始模型；
第二获取模块，用于通过所述图像识别初始模型，获取所述查询样本图像对应的预测查询初始特征，获取所述至少两个目标样本图像集分别对应的预测目标初始特征；
第一生成模块，用于对至少两个预测目标初始特征分别对应的预测初始特征对进行特征增强，得到每个预测初始特征对分别对应的预测特征对；一个预测初始特征对包括所述预测查询初始特征以及一个预测目标初始特征；
第二生成模块，用于根据至少两个预测特征对，生成用于表征所述至少两个目标样本图像集分别与所述查询样本图像之间的预测相似度的预测图像度量特征；
第一调整模块，用于根据所述预测图像度量特征以及所述第二图像类别信息，对所述图像识别初始模型中的参数进行调整，得到预训练图像识别模型；
第三获取模块，用于获取至少两个目标图像集；每个目标图像集分别对应的第三图像类别信息互不相同；
第三调整模块，用于根据所述至少两个目标图像集以及至少两个第三图像类别信息，对所述预训练图像识别模型中的参数进行调整，得到图像识别模型；所述图像识别模型用于识别查询图像对应的图像类别信息；所述查询图像对应的图像类别信息属于所述至少两个第三图像类别信息。
16.一种计算机设备，其特征在于，包括：处理器、存储器以及网络接口；
所述处理器与所述存储器、所述网络接口相连，其中，所述网络接口用于提供数据通信功能，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，以使得所述计算机设备执行权利要求1至13任一项所述的方法。
17.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序适于由处理器加载并执行，以使得具有所述处理器的计算机设备执行权利要求1‑13任一项所述的方法。
18.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机指令，所述计算机指令存储在计算机可读存储介质中，所述计算机指令适于由处理器读取并执行，以使得具有所述处理器的计算机设备执行权利要求1‑13任一项所述的方法。 说明书 : 一种数据处理方法、设备以及计算机可读存储介质技术领域[0001] 本申请涉及互联网技术领域，尤其涉及一种数据处理方法、设备以及计算机可读存储介质。背景技术[0002] 在图像识别场景、图像分类场景、图像推荐场景、视频属性识别场景等业务场景下，确定图像的图像类别信息是至关重要的。[0003] 已有的图像类别信息(图像类别信息)确定方法，大都是基于查询图像的属性特征(例如风格属性、颜色属性等)的先验信息以进行模型的监督训练，并选取模型的中间层特征作为查询图像的表征特征，根据该表征特征确定查询图像的图像类别信息，但该表征特征仅限于查询图像本身的属性信息，可能无法准确地表征查询图像的整体内容或整体信息，而在图像内容表征不准确的情况下，会降低对查询图像的图像类别信息的识别准确度。发明内容[0004] 本申请实施例提供一种数据处理方法、设备以及计算机可读存储介质，可以提高查询图像对应的图像类别信息的识别准确度。[0005] 本申请实施例一方面提供了一种数据处理方法，包括：[0006] 获取查询图像对应的查询图像初始特征，获取至少两个目标图像集分别对应的目标图像初始特征；至少两个目标图像集分别对应的图像类别信息互不相同；[0007] 对至少两个目标图像初始特征分别对应的图像初始特征对进行特征增强，得到每个图像初始特征对分别对应的图像特征对；一个图像初始特征对包括查询图像初始特征以及一个目标图像初始特征；[0008] 根据至少两个图像特征对，生成用于表征至少两个目标图像集分别与查询图像之间的相似度的图像度量特征；[0009] 对查询图像初始特征进行自注意力增强，得到查询图像对应的图像优化特征；[0010] 根据图像度量特征以及图像优化特征，在至少两个图像类别信息中，确定查询图像对应的图像类别信息。[0011] 本申请实施例一方面提供了一种数据处理方法，包括：[0012] 从训练样本图像集中，获取至少两个目标样本图像集以及查询样本图像；每个目标样本图像集分别对应的第一图像类别信息互不相同；至少两个第一图像类别信息包括查询样本图像对应的第二图像类别信息；[0013] 将查询样本图像以及至少两个目标样本图像集分别输入至图像识别初始模型；[0014] 通过图像识别初始模型，获取查询样本图像对应的预测查询初始特征，获取至少两个目标样本图像集分别对应的预测目标初始特征；[0015] 对至少两个预测目标初始特征分别对应的预测初始特征对进行特征增强，得到每个预测初始特征对分别对应的预测特征对；一个预测初始特征对包括预测查询初始特征以及一个预测目标初始特征；[0016] 根据至少两个预测特征对，生成用于表征至少两个目标样本图像集分别与查询样本图像之间的预测相似度的预测图像度量特征；[0017] 根据预测图像度量特征以及第二图像类别信息，对图像识别初始模型中的参数进行调整，得到预训练图像识别模型；[0018] 获取至少两个目标图像集；每个目标图像集分别对应的第三图像类别信息互不相同；[0019] 根据至少两个目标图像集以及至少两个第三图像类别信息，对预训练图像识别模型中的参数进行调整，得到图像识别模型；图像识别模型用于识别查询图像对应的图像类别信息；查询图像对应的图像类别信息属于至少两个第三图像类别信息。[0020] 本申请实施例一方面提供了一种数据处理装置，包括：[0021] 获取模块，用于获取查询图像对应的查询图像初始特征，获取至少两个目标图像集分别对应的目标图像初始特征；至少两个目标图像集分别对应的图像类别信息互不相同；[0022] 第一增强模块，用于对至少两个目标图像初始特征分别对应的图像初始特征对进行特征增强，得到每个图像初始特征对分别对应的图像特征对；一个图像初始特征对包括查询图像初始特征以及一个目标图像初始特征；[0023] 生成模块，用于根据至少两个图像特征对，生成用于表征至少两个目标图像集分别与查询图像之间的相似度的图像度量特征；[0024] 第二增强模块，用于对查询图像初始特征进行自注意力增强，得到查询图像对应的图像优化特征；[0025] 确定模块，用于根据图像度量特征以及图像优化特征，在至少两个图像类别信息中，确定查询图像对应的图像类别信息。[0026] 其中，第一增强模块，包括：[0027] 第一获取单元，用于获取图像识别模型；图像识别模型包括聚类块连接网络层；至少两个目标图像集包括目标图像集Ne，至少两个目标图像初始特征包括目标图像集Ne对应的目标图像初始特征De，e为正整数，且e小于或等于至少两个目标图像集对应的总数量；[0028] 第一组成单元，用于将由目标图像初始特征De以及查询图像初始特征所组成的图像初始特征对Fe，输入至聚类块连接网络层；[0029] 第一增强单元，用于通过聚类块连接网络层，对图像初始特征对Fe进行特征增强，得到目标图像集Ne对应的目标图像特征，以及查询图像对应的查询图像特征Le；目标图像集Ne对应的目标图像特征且与查询图像相关联；查询图像特征Le且与目标图像集Ne相关联；[0030] 第二组成单元，用于将目标图像集Ne对应的目标图像特征，以及查询图像特征Le，组成图像初始特征对Fe对应的图像特征对。[0031] 其中，聚类块连接网络层包括第一聚类块连接组件以及第二聚类块连接组件；[0032] 第一增强单元，包括：[0033] 第一增强子单元，用于在第一聚类块连接组件中，通过目标图像初始特征De，增强查询图像初始特征中的主体对象特征，得到查询图像对应的查询图像特征Le；[0034] 第二增强子单元，用于在第二聚类块连接组件中，通过查询图像初始特征，增强目标图像初始特征De中的主体对象特征，得到目标图像集Ne对应的目标图像特征。[0035] 其中，第一聚类块连接组件包括块聚类子组件以及元连接子组件；目标图像初始特征De包括至少两个目标元素特征；至少两个目标元素特征包括目标元素特征Hc；查询图像初始特征包括至少两个查询元素特征；至少两个查询元素特征包括查询元素特征Gc，c为正整数，且c小于或等于至少两个查询元素特征对应的总数量；[0036] 第一增强子单元，包括：[0037] 第一确定子单元，用于在块聚类子组件中，确定查询元素特征Gc以及目标元素特征Hc之间的第一特征距离，将第一特征距离确定为目标元素特征Hc对应的增强权重；[0038] 加权求和子单元，用于根据至少两个目标元素特征分别对应的增强权重，对至少两个目标元素特征进行加权求和处理，得到查询元素特征Gc对应的相似块聚类特征Ic；[0039] 第二确定子单元，用于在元连接子组件中，确定相似块聚类特征Ic以及查询元素特征Gc之间的第二特征距离；[0040] 第一生成子单元，用于通过查询元素特征Gc对应的第二特征距离，对查询元素特征Gc进行特征增强，得到查询特征；[0041] 第二生成子单元，用于根据至少两个查询元素特征分别对应的查询特征，生成与目标图像集Ne相关联的查询图像特征Le。[0042] 其中，生成模块，包括：[0043] 第一确定单元，用于对目标图像集Ne对应的目标图像特征进行池化处理，将池化处理后的目标图像特征确定为查询图像特征Le对应的卷积核；[0044] 第一生成单元，用于根据查询图像特征Le对应的卷积核，对查询图像特征Le进行特征卷积，得到目标图像集Ne与查询图像之间的相似度；[0045] 第二生成单元，用于根据至少两个目标图像集分别与查询图像之间的相似度，生成图像度量特征。[0046] 其中，第二增强模块，包括：[0047] 第二获取单元，用于获取图像识别模型；图像识别模型包括自相关聚类块连接网络层以及线性网络层；[0048] 第二增强单元，用于将查询图像初始特征输入至自相关聚类块连接网络层，通过自相关聚类块连接网络层，对查询图像初始特征进行特征增强，得到查询图像对应的待处理图像特征；[0049] 第一输入单元，用于将查询图像对应的待处理图像特征输入至线性网络层，通过线性网络层，对查询图像对应的待处理图像特征进行线性处理，得到查询图像对应的图像优化特征。[0050] 其中，确定模块，包括：[0051] 第三获取单元，用于获取图像识别模型；图像识别模型包括度量分类器以及微调分类器；[0052] 第二确定单元，用于将图像度量特征输入至度量分类器，在度量分类器中，根据图像度量特征确定查询图像对应的度量分类概率向量；[0053] 第三确定单元，用于将图像优化特征输入至微调分类器，在微调分类器中，根据图像优化特征确定查询图像对应的微调分类概率向量；[0054] 第三生成单元，用于对度量分类概率向量以及微调分类概率向量进行向量求和，得到查询图像对应的分类概率向量；[0055] 第四确定单元，用于根据分类概率向量，在至少两个图像类别信息中，确定查询图像对应的图像类别信息。[0056] 其中，获取模块，包括：[0057] 第四获取单元，用于获取图像识别模型；图像识别模型包括特征提取网络层；[0058] 第二输入单元，用于将查询图像以及与查询图像相关联的至少两个目标图像集，均输入至特征提取网络层；至少两个目标图像集包括目标图像集Ab，目标图像集Ab包括图像类别信息均相同的K个目标图像，b为正整数，且b小于或等于至少两个目标图像集对应的总数量；K为正整数；[0059] 第一提取单元，用于通过特征提取网络层，对查询图像进行特征提取，得到查询图像对应的查询图像初始特征；[0060] 第二提取单元，用于对目标图像集Ab进行特征提取，得到K个目标图像分别对应的待处理初始特征；[0061] 第四生成单元，用于对K个待处理初始特征进行均值处理，得到目标图像集Ab对应的目标图像初始特征。[0062] 本申请实施例一方面提供了一种数据处理装置，包括：[0063] 第一获取模块，用于从训练样本图像集中，获取至少两个目标样本图像集以及查询样本图像；每个目标样本图像集分别对应的第一图像类别信息互不相同；至少两个第一图像类别信息包括查询样本图像对应的第二图像类别信息；[0064] 第一获取模块，还用于将查询样本图像以及至少两个目标样本图像集分别输入至图像识别初始模型；[0065] 第二获取模块，用于通过图像识别初始模型，获取查询样本图像对应的预测查询初始特征，获取至少两个目标样本图像集分别对应的预测目标初始特征；[0066] 第一生成模块，用于对至少两个预测目标初始特征分别对应的预测初始特征对进行特征增强，得到每个预测初始特征对分别对应的预测特征对；一个预测初始特征对包括预测查询初始特征以及一个预测目标初始特征；[0067] 第二生成模块，用于根据至少两个预测特征对，生成用于表征至少两个目标样本图像集分别与查询样本图像之间的预测相似度的预测图像度量特征；[0068] 第一调整模块，用于根据预测图像度量特征以及第二图像类别信息，对图像识别初始模型中的参数进行调整，得到预训练图像识别模型；[0069] 第三获取模块，用于获取至少两个目标图像集；每个目标图像集分别对应的第三图像类别信息互不相同；[0070] 第二调整模块，用于根据至少两个目标图像集以及至少两个第三图像类别信息，对预训练图像识别模型中的参数进行调整，得到图像识别模型；图像识别模型用于识别查询图像对应的图像类别信息；查询图像对应的图像类别信息属于至少两个第三图像类别信息。[0071] 其中，第一获取模块，包括：[0072] 第一获取单元，用于获取P个样本图像集；P为正整数；每个样本图像集分别对应的第四图像类别信息互不相同；P个第四图像类别信息包括至少两个第一图像类别信息；[0073] 第二获取单元，用于从P个样本图像集中获取Q个样本图像集，将Q个样本图像集确定为训练样本图像集；Q为小于P的正整数；[0074] 第三获取单元，用于统计图像识别初始模型的训练迭代次数，若训练迭代次数小于迭代次数阈值，则从训练样本图像集中获取至少两个样本图像集，将获取到的至少两个样本图像集确定为至少两个目标样本图像集；[0075] 第四获取单元，用于根据至少两个第一图像类别信息，从剩余训练样本图像集中获取样本图像集，作为初始查询样本图像；剩余训练样本图像集是指训练样本图像集中，除了至少两个目标样本图像集之外的训练样本图像集；[0076] 第一处理单元，用于对初始查询样本图像进行角度旋转处理，得到查询样本图像。[0077] 其中，每个预测特征对分别包括不同的预测查询特征，一个预测查询特征与一个预测目标初始特征相关联；查询样本图像携带真实旋转角度；图像识别初始模型包括第一线性初始网络层；[0078] 第一调整模块，包括：[0079] 第五获取单元，用于根据第二图像类别信息，从至少两个预测特征对分别对应的预测查询特征中，获取预测查询特征Uv；v为正整数，且v小于或等于至少两个预测特征对对应的总数量；预测查询特征Uv所表征的目标样本图像集的第一图像类别信息，与第二图像类别信息相同；[0080] 第二处理单元，用于通过第一线性初始网络层，对预测查询特征Uv进行线性处理，得到查询样本图像对应的预测图像辅助特征；[0081] 第一调整单元，用于根据预测图像度量特征、预测图像辅助特征、第二图像类别信息以及真实旋转角度，对图像识别初始模型中的参数进行调整，得到预训练图像识别模型。[0082] 其中，图像识别初始模型还包括度量初始分类器、角度初始分类器、全局初始分类器、用于生成至少两个预测初始特征对的特征提取初始网络层，以及用于生成至少两个预测特征对的聚类块连接初始网络层；[0083] 第一调整单元，包括：[0084] 第一输入子单元，用于将预测图像度量特征输入至度量初始分类器，在度量初始分类器中，根据预测图像度量特征，确定查询样本图像对应的度量分类预测概率向量；[0085] 第二输入子单元，用于将预测图像辅助特征输入至全局初始分类器，在全局初始分类器中，根据预测图像辅助特征，确定查询样本图像对应的全局分类预测概率向量；[0086] 第三输入子单元，用于将预测图像辅助特征输入至角度初始分类器，在角度初始分类器中，根据预测图像辅助特征，确定查询样本图像对应的角度分类预测概率向量；[0087] 参数调整子单元，用于根据度量分类预测概率向量、全局分类预测概率向量、角度分类预测概率向量、第二图像类别信息以及真实旋转角度，对特征提取初始网络层、聚类块连接初始网络层、第一线性初始网络层、度量初始分类器、角度初始分类器、全局初始分类器分别包括的参数进行调整，将调整后的图像识别初始模型确定为预训练图像识别模型。[0088] 其中，参数调整子单元，包括：[0089] 第一确定子单元，用于根据度量分类预测概率向量以及第二图像类别信息之间的交叉熵，确定查询样本图像的度量损失值；[0090] 第二确定子单元，用于根据全局分类预测概率向量以及第二图像类别信息之间的交叉熵，确定查询样本图像的全局损失值；[0091] 第三确定子单元，用于根据角度分类预测概率向量以及真实旋转角度之间的交叉熵，确定查询样本图像的角度损失值；[0092] 第四确定子单元，用于对度量损失值、全局损失值以及角度损失值进行加权求和处理，得到总损失值，根据总损失值，对特征提取初始网络层、聚类块连接初始网络层、第一线性初始网络层、度量初始分类器、角度初始分类器、全局初始分类器分别包括的参数进行调整，将调整后的图像识别初始模型确定为预训练图像识别模型。[0093] 其中，第二调整模块，包括：[0094] 第一输入单元，用于将至少两个目标图像集分别输入至预训练图像识别模型；预训练图像识别模型包括特征提取网络层、自相关聚类块连接初始网络层、第二线性初始网络层以及微调初始分类器；至少两个目标图像集包括目标图像Xy，y为正整数，且y小于或等于至少两个目标图像集包含的目标图像对应的总数量；[0095] 第二输入单元，用于通过特征提取网络层，对目标图像Xy进行特征提取，得到目标图像Xy对应的目标图像初始特征，将目标图像Xy对应的目标图像初始特征输入至自相关聚类块连接初始网络层；[0096] 第三输入单元，用于通过自相关聚类块连接初始网络层，对目标图像Xy对应的目标图像初始特征进行自注意力增强，得到目标图像Xy对应的预测待处理目标特征，将预测待处理目标特征输入至第二线性初始网络层；[0097] 第四输入单元，用于通过第二线性初始网络层，对预测待处理目标特征进行线性处理，得到目标图像Xy对应的预测目标优化特征，将预测目标优化特征输入至微调初始分类器；[0098] 第四输入单元，还用于在微调初始分类器中，根据预测目标优化特征确定目标图像Xy对应的预测微调分类概率向量；[0099] 第二调整单元，用于根据至少两个目标图像集包含的每个目标图像分别对应的预测微调分类概率向量以及每个目标图像分别对应的第三图像类别信息，对自相关聚类块连接初始网络层、第二线性初始网络层以及微调初始分类器分别包括的参数进行调整，将调整后的预训练图像识别模型确定为图像识别模型。[0100] 本申请一方面提供了一种计算机设备，包括：处理器、存储器、网络接口；[0101] 上述处理器与上述存储器、上述网络接口相连，其中，上述网络接口用于提供数据通信功能，上述存储器用于存储计算机程序，上述处理器用于调用上述计算机程序，以使得计算机设备执行本申请实施例中的方法。[0102] 本申请实施例一方面提供了一种计算机可读存储介质，上述计算机可读存储介质中存储有计算机程序，上述计算机程序适于由处理器加载并执行本申请实施例中的方法。[0103] 本申请实施例一方面提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中；计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本申请实施例中的方法。[0104] 在本申请实施例中，计算机设备可以对至少两个图像初始特征对分别进行特征增强，以提高查询图像以及至少两个目标图像集分别对应的特征表征能力，得到至少两个图像特征对，故根据至少两个图像特征对所生成的图像度量特征，可以准确表征至少两个目标图像集分别与查询图像之间的相似度；同时，计算机设备可以对查询图像初始特征进行自注意力增强，以提高查询图像的特征表征能力，得到图像优化特征；上述可知，图像度量特征可以准确表征查询图像与至少两个目标图像集分别对应的相似度，图像优化特征可以提高查询图像的特征表征能力，进而可以提高查询图像的识别准确度，因此根据图像度量特征以及图像优化特征，可以在至少两个图像类别信息中，准确确定查询图像对应的图像类别信息，即可以提高查询图像对应的图像类别信息的识别准确度。附图说明[0105] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0106] 图1是本申请实施例提供的一种系统架构示意图；[0107] 图2是本申请实施例提供的一种数据处理的场景示意图；[0108] 图3是本申请实施例提供的一种数据处理方法的流程示意图；[0109] 图4是本申请实施例提供的一种数据处理的场景示意图；[0110] 图5是本申请实施例提供的一种数据处理方法的流程示意图；[0111] 图6是本申请实施例提供的一种数据处理的场景示意图；[0112] 图7是本申请实施例提供的一种数据处理方法的流程示意图；[0113] 图8是本申请实施例提供的一种数据处理的场景示意图；[0114] 图9是本申请实施例提供的一种数据处理的场景示意图；[0115] 图10是本申请实施例提供的一种数据处理的场景示意图；[0116] 图11是本申请实施例提供的一种数据处理方法的流程示意图；[0117] 图12是本申请实施例提供的一种数据处理装置的结构示意图；[0118] 图13是本申请实施例提供的一种数据处理装置的结构示意图；[0119] 图14是本申请实施例提供的一种计算机设备的结构示意图；[0120] 图15是本申请实施例提供的一种计算机设备的结构示意图。具体实施方式[0121] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。[0122] 为了便于理解，首先对部分名词进行以下简单解释：[0123] 人工智能(ArtificialIntelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。[0124] 人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。[0125] 计算机视觉技术(ComputerVision，CV)是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建、自动驾驶、智慧交通等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。在本申请实施例中，计算机视觉技术可以用于识别查询图像中的主体对象(例如人、狗、猫、鸟等)，并结合至少两个目标图像集，确定查询图像对应的图像类别信息。[0126] 机器学习(MachineLearning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。在本申请实施例中，图像识别模型是基于机器学习技术的AI模型，可用于对查询图像进行识别处理。[0127] 请参见图1，图1是本申请实施例提供的一种系统架构示意图。如图1所示，该系统可以包括业务服务器100以及终端集群，终端集群可以包括：终端设备200a、终端设备200b、终端设备200c、…、终端设备200n，可以理解的是，上述系统可以包括一个或者多个终端设备，本申请不对终端设备的数量进行限制。[0128] 其中，终端集群之间可以存在通信连接，例如终端设备200a与终端设备200b之间存在通信连接，终端设备200a与终端设备200c之间存在通信连接。同时，终端集群中的任一终端设备可以与业务服务器100存在通信连接，例如终端设备200a与业务服务器100之间存在通信连接，其中，上述通信连接不限定连接方式，可以通过有线通信方式进行直接或间接地连接，也可以通过无线通信方式进行直接或间接地连接，还可以通过其它方式，本申请在此不做限制。[0129] 应当理解，如图1所示的终端集群中的每个终端设备均可以安装有应用客户端，当该应用客户端运行于各终端设备中时，可以分别与上述图1所示的业务服务器100之间进行数据交互，即上述的通信连接。其中，该应用客户端可以为视频应用、直播应用、社交应用、即时通信应用、游戏应用、音乐应用、购物应用、小说应用、浏览器等具有加载图像功能的应用客户端。其中，该应用客户端可以为独立的客户端，也可以为集成在某客户端(例如，社交客户端、教育客户端以及多媒体客户端等)中的嵌入式子客户端，在此不做限定。以社交应用为例，业务服务器100可以为包括社交应用对应的后台服务器、数据处理服务器等多个服务器的集合，因此，每个终端设备均可以通过该社交应用对应的应用客户端与业务服务器100进行数据传输，如每个终端设备均可以通过社交应用的应用客户端将其本地的查询图像上传至业务服务器100，进而业务服务器100可以将该查询图像下发给其它终端设备或传送至云服务器。[0130] 可以理解的是，在本申请的具体实施方式中，涉及到用户信息等相关的数据(例如上述的查询图像)，当本申请以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。[0131] 为便于后续理解和说明，本申请实施例可以在图1所示的终端集群中选择一个终端设备作为目标终端设备，例如以终端设备200a作为目标终端设备。当获取到查询图像，并接收到针对查询图像的图像识别指令(例如用于识别查询图像的图像类别信息)时，终端设备200a可以将查询图像发送至业务服务器100。接收到终端设备200a发送的查询图像后，业务服务器100可以基于提前训练好的图像识别模型，获取查询图像对应的查询图像初始特征，获取至少两个目标图像集分别对应的目标图像初始特征，其中，至少两个目标图像集用于辅助查询图像的图像类别信息的识别，至少两个目标图像集分别对应的图像类别信息互不相同，该至少两个图像类别信息包括查询图像对应的图像类别信息；进一步，业务服务器100将查询图像初始特征以及一个目标图像初始特征，构建成一个图像初始特征对，故可以得到至少两个目标图像初始特征分别对应的图像初始特征对；通过图像识别模型，对至少两个图像初始特征对分别进行特征增强，即通过一个图像初始特征对中的目标图像初始特征，对查询特征初始特征进行特征增强，并通过查询图像初始特征，对该图像初始特征对中的目标图像初始特征进行特征增强，故可以得到每个图像初始特征对分别对应的图像特征对；进一步，在图像识别模型中，业务服务器100根据至少两个图像特征对，生成用于表征至少两个目标图像集分别与查询图像之间的相似度的图像度量特征；可以理解的是，由于图像特征对的图像表征能力优于图像初始特征对，故图像度量特征所表征的相似度的准确度，高于至少两个图像初始特征对所对应的相似度的准确度；进一步，通过图像识别模型，业务服务器100对查询图像初始特征进行自注意力增强，可以得到查询图像对应的图像优化特征，可以理解的是，图像优化特征的图像表征能力，优于查询图像初始特征的图像表征能力；进一步，在图像识别模型中，业务服务器100根据图像度量特征以及图像优化特征，可以在至少两个图像类别信息中，准确确定查询图像对应的图像类别信息(下文简称为查询图像类别信息)。[0132] 后续，业务服务器100可以将查询图像类别信息标记于查询图像上，并将携带有查询图像类别信息的查询图像发送至终端设备200a，终端设备200a接收到业务服务器100发送的携带有查询图像类别信息的查询图像后，可以在其对应的屏幕上显示该携带有查询图像类别信息的查询图像。可以理解的是，业务服务器100还可以仅将上述的查询图像类别信息发送至终端设备200a，或将查询图像类别信息与图像关联发送至终端设备200a。[0133] 可选的，若终端设备200a的本地存储了上述图像识别模型以及至少两个目标图像集(均标注有图像类别信息)，则终端设备200a可以在本地基于图像识别模型以及至少两个目标图像集，确定查询图像对应的图像类别信息；可以理解的是，在终端设备200a的本地确定查询图像对应的图像类别信息的过程，与业务服务器100确定查询图像对应的图像类别信息的过程一致，故此处不进行赘述，请参见上文业务服务器100确定查询图像对应的图像类别信息的描述。其中，由于训练图像识别模型涉及到大量的离线计算，因此终端设备200a本地的图像识别模型可以是由业务服务器100训练完成后发送至终端设备200a的，同理，至少两个目标图像集可以是由业务服务器100生成后发送至终端设备200a的。[0134] 可选的，可以理解的是，系统架构中可以包括多个业务服务器，一个终端设备可以与一个业务服务器相连接，每个业务服务器可以获取到与之相连接的终端设备所上传的查询图像，从而可以识别该查询图像并确定该查询图像对应的图像类别信息，并将上述图像类别信息返回给与之相连接的终端设备。[0135] 需要说明的是，上述业务服务器100、终端设备200a、终端设备200b、终端设备200c...、终端设备200n均可以为区块链网络中的区块链节点，全文叙述的数据(例如查询图像以及查询图像类别信息)可以进行存储，存储方式可以是区块链节点根据数据生成区块，并将区块添加至区块链中进行存储的方式。[0136] 区块链是一种分布式数据存储、点对点传输、共识机制以及加密算法等计算机技术的新型应用模式，主要用于对数据按时间顺序进行整理，并加密成账本，使其不可被篡改和伪造，同时可进行数据的验证、存储和更新。区块链本质上是一个去中心化的数据库，该数据库中的每个节点均存储一条相同的区块链，区块链网络可以将节点区分为核心节点、数据节点以及轻节点。核心节点、数据节点以及轻节点共同组成区块链节点。其中核心节点负责区块链全网的共识，也就是说核心节点为区块链网络中的共识节点。对于区块链网络中的交易数据被写入账本的流程可以为，区块链网络中的数据节点或轻节点获取到交易数据，将交易数据在区块链网络中传递(也就是节点以接力棒的方式进行传递)，直到共识节点收到该交易数据，共识节点再将该交易数据打包进区块，对该区块执行共识，待共识完成后将该交易数据写入账本。此处以查询图像以及查询图像类别信息示例交易数据，业务服务器100(区块链节点)在通过对交易数据的共识后，根据交易数据生成区块，将区块存储至区块链网络中；而对于交易数据(即查询图像以及查询图像类别信息)的读取，则可以由区块链节点在区块链网络中，获取到包含该交易数据的区块，进一步，在区块中获取交易数据。[0137] 可以理解的是，本申请实施例可应用于各种场景，包括但不限于云技术、人工智能、智慧交通、辅助驾驶等。本申请实施例提供的方法可以由计算机设备执行，计算机设备包括但不限于终端设备或业务服务器。其中，业务服务器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者分布式系统，还可以是提供云数据库、云服务、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端、飞行器等。其中，终端设备和业务服务器可以通过有线或无线方式进行直接或间接地连接，本申请实施例在此不做限制。[0138] 可以理解的是，上述系统架构可适用于图像识别场景、图像分类场景、图像推荐场景、图像分发场景、图像搜索场景、视频属性识别场景等业务场景，这里将不对具体的业务场景进行一一列举。[0139] 进一步地，请参见图2，图2是本申请实施例提供的一种数据处理的场景示意图。其中，本申请实施例可实施于任意可以进行图像处理的硬件环境。该数据处理场景的实现过程可以在业务服务器中进行，也可以在终端设备中进行，还可以在终端设备和业务服务器中交互进行，此处不做限制，其中，终端设备可以为上述图1所对应实施例的终端集群中的任意一个终端设备，图2以终端设备200a为例进行叙述，业务服务器可以为上述图1所对应实施例的业务服务器100。[0140] 如图2所示，设备对象201a(即终端设备200的使用用户)可以将图像202a作为查询图像，上传到终端设备200a上的某个具有图像识别功能的应用客户端(例如，浏览器)，可选的，该应用客户端可以集成有摄像功能，因此图像202a可以是通过该应用客户端上的摄像功能采集到的图像；可选的，图像202a是设备对象201a从其它平台获取的图像，本申请实施例对查询图像的具体内容和来源不进行限定。进一步，当设备对象201a点击该应用客户端上的识别控件203a时，终端设备200a可以响应该识别操作，将图像202a发送至业务服务器100。[0141] 进一步，获取到终端设备200a发送的图像202a后，业务服务器100可以获取提前训练好的图像识别模型，图像识别模型的框架可以包括特征提取网络层201e、聚类块连接网络层202e、自相关聚类块连接网络层203e以及线性网络层。业务服务器100将图像202a以及至少两个目标图像集20b，均输入至图像识别模型中的特征提取网络层201e；需要说明的是，本申请实施例不对至少两个目标图像集20b分别对应的图像内容进行限定，且不对至少两个目标图像集20b对应的总数量进行限定，实际应用时，可以根据实际场景进行设定。可以理解的是，同一个目标图像集中的目标图像对应的图像类别信息是相同的，本申请实施例不对一个目标图像集中的目标图像的总数量进行限定，可以为一个或多个，可以根据实际应用场景进行设定。[0142] 为了便于叙述以及理解，本申请实施例示例至少两个目标图像集20b包括4个目标图像集，如图2中所示例的目标图像集201b、目标图像集202b、目标图像集203b以及目标图像集204b，同理，为了便于叙述以及理解，本申请实施例将目标图像集201b的图像类别信息示例为萝卜，将目标图像集202b的图像类别信息示例为辣椒，将目标图像集203b的图像类别信息示例为南瓜，将目标图像集204b的图像类别信息示例为洋葱。[0143] 通过特征提取网络层201e，业务服务器100可以获取查询图像(即图像202a)对应的查询图像初始特征20c，获取至少两个目标图像集20b分别对应的目标图像初始特征，如图2所示的目标图像集201b对应的目标图像初始特征201d，目标图像集202b对应的目标图像初始特征202d，目标图像集203b对应的目标图像初始特征203d，目标图像集204b对应的目标图像初始特征204d；上述获取过程本申请实施例暂不展开描述，请参见下文图3所对应的实施例中步骤S101的描述。[0144] 进一步，业务服务器100将查询图像初始特征20c与目标图像初始特征201d，组成一个图像初始特征对，如图2中的图像初始特征对201i；将查询图像初始特征20c与目标图像初始特征202d组成一个图像初始特征对，如图2中的图像初始特征对202i；将查询图像初始特征20c与目标图像初始特征203d组成一个图像初始特征对，如图2中的图像初始特征对203i；将查询图像初始特征20c与目标图像初始特征204d组成一个图像初始特征对，如图2中的图像初始特征对204i。[0145] 业务服务器100将上述4个图像初始特征对，均输入至图像识别模型中的聚类块连接网络层202e；通过聚类块连接网络层202e，业务服务器100对4个图像初始特征对分别进行特征增强，具体过程可以如下：通过查询图像初始特征20c，业务服务器100对图像初始特征对201i中的目标图像初始特征201d进行特征增强，得到目标图像集201b对应的目标图像特征201g，同时，通过目标图像初始特征201d，对查询图像初始特征20c进行特征增强，得到查询图像20c对应的查询图像特征201f，将目标图像特征201g以及查询图像特征201f组成，与图像初始特征对201i对应的图像特征对201j；同理，通过查询图像初始特征20c，业务服务器100对图像初始特征对202i中的目标图像初始特征202d进行特征增强，得到目标图像集202b对应的目标图像特征202g，同时，通过目标图像初始特征202d，对查询图像初始特征20c进行特征增强，得到查询图像20c对应的查询图像特征202f，将目标图像特征202g以及查询图像特征202f组成，与图像初始特征对202i对应的图像特征对202j；同理，业务服务器100可以得到由查询图像特征203f以及目标图像特征203g所组成的，且对应于图像初始特征对203i的图像特征对203j，由查询图像特征204f以及目标图像特征204g所组成的，且对应于图像初始特征对204i的图像特征对204j。[0146] 需要注意的是，4个图像初始特征对分别包括的查询图像初始特征是相同的(如图2中的查询图像初始特征20g)，但4个图像特征对分别包括的查询图像特征不相同(如图2中的查询图像特征201f不同于查询图像特征202f)，因为每个图像初始特征对分别包括的目标图像初始特征均不相同。[0147] 进一步，业务服务器100可以分别确定每个图像特征对分别对应的相似度，即确定查询图像特征201f与目标图像特征201g之间的相似度，如图2中的相似度1；确定查询图像特征202f与目标图像特征202g之间的相似度，如图2中的相似度2；确定查询图像特征203f与目标图像特征203g之间的相似度，如图2中的相似度3；确定查询图像特征204f与目标图像特征204g之间的相似度，如图2中的相似度4；本申请实施例不对图像特征对对应的相似度的确定过程展开描述，请参见下文图3所对应的实施例中步骤S103的描述。[0148] 进一步，业务服务器100基于上述4个相似度得到图像度量特征201h；同时，业务服务器100将查询图像初始特征20c输入至图像识别模型中的自相关聚类块连接网络层203e，对查询图像初始特征203e进行自注意力增强，将增强之后的特征输入至线性网络层，得到查询图像对应的图像优化特征202h；最后，业务服务器100可以根据图像度量特征201h以及图像优化特征202h，在4个图像类别信息(即萝卜、辣椒、南瓜以及洋葱)中，确定查询图像对应的图像类别信息，即萝卜；本申请实施例不对查询图像对的图像类别信息的确定过程，展开描述，请参见下文图3所对应的实施例中步骤S105的描述。[0149] 可以理解的是，图2中所展示的界面以及控件仅仅是一些可供参考的表现形式，在实际业务场景中，开发人员可以根据产品需求来进行相关设计，本申请实施例对涉及到的界面和控件的具体形式不做限制。[0150] 上述可知，本申请实施例首先通过特征提取网络层，对查询图像(可以视为待分类图像)以及至少两个目标图像集(可以视为样本集，也可称作支撑集)，分别进行深度特征提取，故得到查询特征初始特征以及至少两个目标图像初始特征，进一步，得到每个目标图像初始特征分别对应的图像初始特征对；然后，将查询图像初始特征输入到自相关聚类块连接网络层，对其进行自注意力增强，将增强之后的特征输入到线性(Linear)网络层，得到图像优化特征；其次，使用聚类块连接网络层对至少两个图像初始特征对进行特征注意力增强，凸显目标物特征，降低背景特征干扰，得到注意力增强后的图像特征对(包括目标图像特征以及查询图像特征)；然后，计算图像特征对的相似度，得到图像度量特征，最后根据图像度量特征以及图像优化特征，在至少两个图像类别信息中，确定查询图像对应的图像类别信息。[0151] 进一步地，请参见图3，图3是本申请实施例提供的一种数据处理方法的流程示意图。该数据处理方法可以由业务服务器(例如，上述图1所示的业务服务器100)执行，也可以由终端设备(例如，上述图1所示的终端设备200a)执行，还可以由业务服务器和终端设备交互执行。为便于理解，本申请实施例以该方法由业务服务器执行为例进行说明。如图3所示，该数据处理方法至少可以包括以下步骤S101‑步骤S105。[0152] 步骤S101，获取查询图像对应的查询图像初始特征，获取至少两个目标图像集分别对应的目标图像初始特征；至少两个目标图像集分别对应的图像类别信息互不相同。[0153] 具体的，获取图像识别模型；图像识别模型包括特征提取网络层；将查询图像以及与查询图像相关联的至少两个目标图像集，均输入至特征提取网络层；至少两个目标图像集包括目标图像集Ab，目标图像集Ab包括图像类别信息均相同的K个目标图像，b为正整数，且b小于或等于至少两个目标图像集对应的总数量；K为正整数；通过特征提取网络层，对查询图像进行特征提取，得到查询图像对应的查询图像初始特征；对目标图像集Ab进行特征提取，得到K个目标图像分别对应的待处理初始特征；对K个待处理初始特征进行均值处理，得到目标图像集Ab对应的目标图像初始特征。[0154] 当获取到查询图像后，业务服务器可以获取至少两个目标图像集，以及通过至少两个目标图像集所训练生成的图像识别模型，该图像识别模型可以包括特征提取网络层，可以理解的是，该特征提取网络层可以视为，用于分别提取查询图像以及目标图像(即至少两个目标图像集中的图像)的深度特征的网络，本申请实施例不对特征提取网络层的网络类型进行限定，可以由任意一种或多种神经网络组成，如条件随机场(ConditionalRandomFields，CRFs)、卷积神经网络(ConvolutionalNeuralNetworks，CNN)、残差网络(ResidualNetwork，ResNet)、基于扩展通道数学习机制的卷积神经网络(WideResidualNetworks，Wide‑ResNet)、高分辨率网络(High‑ResolutionNet，HRNet)等。根据特征提取网络层，业务服务器可以获取查询图像对应的查询图像初始特征，需要说明的是，本申请实施例的查询图像初始特征是查询图像的深度特征，为了与下文增强后的深度特征(即查询图像特征)进行对比，故将特征提取网络层输出的针对查询图像的深度特征称为查询图像初始特征，目标图像初始特征的理解，可以参照查询图像初始特征的解释。[0155] 可以理解的是，一个目标图像集包括一个或多个目标图像，为了便于理解以及叙述，本步骤示例图2中的目标图像集201b包括两张目标图像，例如第一目标图像以及第二目标图像，则通过特征提取网络层，业务服务器对第一目标图像进行特征提取，得到第一目标图像对应的待处理初始特征，对第二目标图像集进行特征提取，得到第二目标图像对应的待处理初始特征；对第一目标图像对应的待处理初始特征，以及第二目标图像对应的待处理初始特征进行均值处理，则可以得到目标图像集201b对应的目标图像初始特征。可以理解的是，若一个目标图像集包括一个目标图像，将则该一个目标图像对应的待处理初始特在确定为该目标图像集对应的目标图像初始特征；若一个目标图像集包括多个目标图像，可以按照上述示例的目标图像集201b理解，本申请不进行一一叙述。[0156] 步骤S102，对至少两个目标图像初始特征分别对应的图像初始特征对进行特征增强，得到每个图像初始特征对分别对应的图像特征对；一个图像初始特征对包括查询图像初始特征以及一个目标图像初始特征。[0157] 具体的，获取图像识别模型；图像识别模型包括聚类块连接网络层；至少两个目标图像集包括目标图像集Ne，至少两个目标图像初始特征包括目标图像集Ne对应的目标图像初始特征De，e为正整数，且e小于或等于至少两个目标图像集对应的总数量；将由目标图像初始特征De以及查询图像初始特征所组成的图像初始特征对Fe，输入至聚类块连接网络层；通过聚类块连接网络层，对图像初始特征对Fe进行特征增强，得到目标图像集Ne对应的目标图像特征，以及查询图像对应的查询图像特征Le；目标图像集Ne对应的目标图像特征且与查询图像相关联；查询图像特征Le且与目标图像集Ne相关联；将目标图像集Ne对应的目标图像特征，以及查询图像特征Le，组成图像初始特征对Fe对应的图像特征对。[0158] 其中，聚类块连接网络层包括第一聚类块连接组件以及第二聚类块连接组件；得到目标图像集Ne对应的目标图像特征，以及查询图像对应的查询图像特征Le的具体过程可以包括：在第一聚类块连接组件中，通过目标图像初始特征De，增强查询图像初始特征中的主体对象特征，得到查询图像对应的查询图像特征Le；在第二聚类块连接组件中，通过查询图像初始特征，增强目标图像初始特征De中的主体对象特征，得到目标图像集Ne对应的目标图像特征。[0159] 生成图像初始特征对的具体过程请参见上文图2中的描述，此处不进行赘述。可以理解的是，聚类块连接网络层(Clustered‑patchElementConnection layer，CEClayer)对每个图像初始特征对的特征增强处理过程是相同的，其包括第一聚类块连接(CEC)组件以及第二聚类块连接(CEC)组件，在第一聚类块连接组件中，业务服务器通过一个图像初始特征对中的目标图像初始特征，对查询图像初始特征中的主体对象特征进行特征增强，即凸显区别于背景对象特征的主体对象特征(也可理解为目标物特征，如图2所示例的图像202a，其主体对象为萝卜)，通过凸显主体对象特征，则可以降低背景对象特征的干扰。在第二聚类块连接组件中，业务服务器通过一个图像初始特征对中的查询图像初始特征，对该图像初始特征对中的目标图像初始特征中的主体对象特征进行特征增强，即凸显区别于背景对象特征的主体对象特征(也可理解为目标物特征，如图2所示例的目标图像集201b，其主体对象为萝卜)，上述可知，聚类块连接网络层在提取特征时更专注于主体对象特征，以降低背景干扰，其特征提取(增强)的具体过程，请参见下文图5中的描述，此处不展开叙述。[0160] 步骤S103，根据至少两个图像特征对，生成用于表征至少两个目标图像集分别与查询图像之间的相似度的图像度量特征。[0161] 具体的，对目标图像集Ne对应的目标图像特征进行池化处理，将池化处理后的目标图像特征确定为查询图像特征Le对应的卷积核；根据查询图像特征Le对应的卷积核，对查询图像特征Le进行特征卷积，得到目标图像集Ne与查询图像之间的相似度；根据至少两个目标图像集分别与查询图像之间的相似度，生成图像度量特征。[0162] 请一并参见图4以及图2，图4是本申请实施例提供的一种数据处理的场景示意图。其中，图4中的图像特征对201j、图像特征对202j、图像特征对203j以及图像特征对204j的含义以及组成，请参见图2中的描述，此处不进行赘述，即本申请实施例以4个目标图像集示例至少两个目标图像集，若至少两个目标图像集对应的总数量为其他数量，可以以图2以及本申请实施例的描述理解。[0163] 业务服务器对每个图像特征对中的目标图像特征分别进行池化处理，本申请实施例具体可采用全局平均池化(GlobalAveragePooling，GAP)，如图4所示，业务服务器对目标图像特征201g进行全局平均池化处理，得到池化处理后的目标图像特征，如图2中的目标图像特征401g，该目标图像特征401g为一个C*1*1的向量，其中，C为特征通道数，由特征提取网络层决定，通常设置C＝512。业务服务器将目标图像特征401g确定为查询图像特征201f的卷积核，根据该卷积核对查询图像特征201f进行特征卷积，得到目标图像特征401g以及查询图像特征201f之间的相似度，如图2中的相似度1，其可以表征图2中的目标图像集201b与查询图像202a之间的相似度。[0164] 相同的过程，业务服务器对目标图像特征202g进行全局平均池化处理，可以得到目标图像特征402g，其含义与目标图像特征401g的含义相同，将目标图像特征402g作为查询图像特征202f的卷积核，利用该卷积核，对查询图像特征202f进行特征卷积，得到目标图像特征402g以及查询图像特征202f之间的相似度，如图2中的相似度2，其可以表征图2中的目标图像集202b与查询图像202a之间的相似度。业务服务器得到相似度3以及相似度4的过程，请参见上面描述，不进行一一赘述。[0165] 进一步，业务服务器将至少两个相似度(如图4中的相似度1、相似度2、相似度3以及相似度4)，组合为图像度量特征201h，其为一个向量，向量长度等于至少两个图像类别信息等于的总数量，在本申请实施例中等于4。[0166] 步骤S104，对查询图像初始特征进行自注意力增强，得到查询图像对应的图像优化特征。[0167] 具体的，获取图像识别模型；图像识别模型包括自相关聚类块连接网络层以及线性网络层；将查询图像初始特征输入至自相关聚类块连接网络层，通过自相关聚类块连接网络层，对查询图像初始特征进行特征增强，得到查询图像对应的待处理图像特征；将查询图像对应的待处理图像特征输入至线性网络层，通过线性网络层，对查询图像对应的待处理图像特征进行线性处理，得到查询图像对应的图像优化特征。[0168] 在本申请中，自相关聚类块连接网络层(Self‑Clustered‑patch Element Connection，Self‑CECMlayer)对应的网络结构，与聚类块连接网络层对应的网络结构是相同的，但两个网络层中的网络参数不相同，聚类块连接网络层的输入数据是图像初始特征对(由查询图像初始特征以及一个目标图像初始特征组成)，输出数据是图像特征对(由一个查询图像特征以及一个目标图像特征组成)，自相关聚类块连接网络层的输入数据是查询图像初始特征，输出数据是自注意力增强后的图像特征(不同于图像特征对中的查询图像特征)，但聚类块连接网络层对输入数据的处理过程，与自相关聚类块连接网络层对输入数据(可以看作是由两个查询图像初始特征所组成的特征对)的处理过程是相同的，故得到待处理图像特征的具体过程，请参见上文步骤S102的描述以及下文图5所对应的实施例中的描述，此处不进行赘述。可以理解的是，通过自相关聚类块连接网络层，业务服务器可以对查询图像进行自注意力学习，提升查询图像中的特征的辨别能力。[0169] 步骤S105，根据图像度量特征以及图像优化特征，在至少两个图像类别信息中，确定查询图像对应的图像类别信息。[0170] 具体的，获取图像识别模型；图像识别模型包括度量分类器以及微调分类器；将图像度量特征输入至度量分类器，在度量分类器中，根据图像度量特征确定查询图像对应的度量分类概率向量；将图像优化特征输入至微调分类器，在微调分类器中，根据图像优化特征确定查询图像对应的微调分类概率向量；对度量分类概率向量以及微调分类概率向量进行向量求和，得到查询图像对应的分类概率向量；根据分类概率向量，在至少两个图像类别信息中，确定查询图像对应的图像类别信息。[0171] 请再参见图4，业务服务器将图像度量特征201h输入至度量分类器(Metric classifier)，在度量分类器中，根据图像度量特征201h，业务服务器可以确定查询图像针对每个图像类别信息的分类概率值，如图4所示，针对图像类别信息萝卜，度量分类器输出的分类概率值是0.7，针对图像类别信息辣椒，度量分类器输出的分类概率值是0.1，针对图像类别信息南瓜，度量分类器输出的分类概率值是0.12，针对图像类别信息洋葱，度量分类器输出的分类概率值是0.08，故可以得到图4中度量分类概率向量401h，即向量(0.7、0.1、0.12、0.08)。[0172] 业务服务器将图像优化特征202h输入至微调分类器(Fine‑tune classifier)，在微调分类器中，根据图像优化特征202h，业务服务器可以确定查询图像针对每个图像类别信息的分类概率值，如图4所示，针对图像类别信息萝卜，微调分类器输出的分类概率值是0.8，针对图像类别信息辣椒，微调分类器输出的分类概率值是0.05，针对图像类别信息南瓜，微调分类器输出的分类概率值是0.1，针对图像类别信息洋葱，微调分类器输出的分类概率值是0.05，故可以得到图4中微调分类概率向量402h，即向量(0.8、0.05、0.1、0.05)。[0173] 进一步，本申请实施例结合两个分类器(即度量分类器以及微调分类器)分别输出的结果，具体包括业务服务器将图像类别信息萝卜对应的两个分类概率值(0.7以及0.8)进行求和，得到图像类别信息萝卜对应的总分类概率值1.5；将图像类别信息辣椒对应的两个分类概率值(0.1以及0.05)进行求和，得到图像类别信息辣椒对应的总分类概率值0.15；将图像类别信息南瓜对应的两个分类概率值(0.12以及0.1)进行求和，得到图像类别信息萝卜对应的总分类概率值0.22；将图像类别信息洋葱对应的两个分类概率值(0.08以及0.05)进行求和，得到图像类别信息洋葱对应的总分类概率值0.13；上述过程是对度量分类概率向量401h以及微调分类概率向量402h进行向量求和，得到查询图像对应的分类概率向量40h，即向量(1.5、0.15、0.22、0.13)的过程。进一步，业务服务器根据分类概率向量40h，可以在至少两个图像类别信息(如图4中的萝卜、辣椒、南瓜以及洋葱)中，确定查询图像对应的图像类别信息是萝卜。[0174] 在本申请实施例中，计算机设备可以对至少两个图像初始特征对分别进行特征增强，以提高查询图像以及至少两个目标图像集分别对应的特征表征能力，得到至少两个图像特征对，故根据至少两个图像特征对所生成的图像度量特征，可以准确表征至少两个目标图像集分别与查询图像之间的相似度；同时，计算机设备可以对查询图像初始特征进行自注意力增强，以提高查询图像的特征表征能力，得到图像优化特征；上述可知，图像度量特征可以准确表征查询图像与至少两个目标图像集分别对应的相似度，图像优化特征可以提高查询图像的特征表征能力，进而可以提高查询图像的识别准确度，因此根据图像度量特征以及图像优化特征，可以在至少两个图像类别信息中，准确确定查询图像对应的图像类别信息，即可以提高查询图像对应的图像类别信息的识别准确度。[0175] 请参见图5，图5是本申请实施例提供的一种数据处理方法的流程示意图。该方法可以由业务服务器(例如，上述图1所示的业务服务器100)执行，也可以由终端设备(例如，上述图1所示的终端设备200a)执行，还可以由业务服务器和终端设备交互执行。为便于理解，本申请实施例以该方法由业务服务器执行为例进行说明。如图5所示，该数据处理方法的过程包括步骤S201‑步骤S205，且步骤S201‑步骤S205为图3所对应实施例中步骤S102的一个具体实施例。[0176] 步骤S201，在块聚类子组件中，确定查询元素特征Gc以及目标元素特征Hc之间的第一特征距离，将第一特征距离确定为目标元素特征Hc对应的增强权重。[0177] 具体的，第一聚类块连接组件包括块聚类子组件以及元连接子组件；目标图像初始特征De包括至少两个目标元素特征；至少两个目标元素特征包括目标元素特征Hc；查询图像初始特征包括至少两个查询元素特征；至少两个查询元素特征包括查询元素特征Gc，c为正整数，且c小于或等于至少两个查询元素特征对应的总数量。[0178] 请一并参见图6，图6是本申请实施例提供的一种数据处理的场景示意图。可以理解的是，第一聚类块连接组件的组件结构与第二聚类块连接组件的组件结构是相同的，均包括块聚类(PatchCluster)子组件以及元连接(Element Connection)子组件，且第一聚类块连接组件对应的输入数据，与第二聚类块连接组件对应的输入数据是相同的，输入数据均为图像初始特征对(包括目标图像初始特征50b以及查询图像初始特征50a)，其中，目标图像初始特征50b等同于图2中的任意一个目标图像初始特征(目标图像初始特征201d、目标图像初始特征202d、目标图像初始特征203d以及目标图像初始特征204d)，查询图像初始特征等同于图2中的查询图像初始特征20c。[0179] 第一聚类块连接组件与第二聚类块连接组件的区别仅在于，第一聚类块连接组件是通过目标图像初始特征50b，增强查询图像初始特征50a中的主体对象特征(例如图6中的查询元素特征502a)，得到查询图像对应的查询图像特征50d，而在第二聚类块连接组件中，通过查询图像初始特征50a，增强目标图像初始特征50b中的主体对象特征(例如图6中的目标元素特征501b)，得到目标图像特征50h；其中，查询图像特征50d等同于图2中的查询图像特征(包括查询图像特征201f、查询图像特征202f、查询图像特征203f以及查询图像特征204f)，目标图像特征50b等同于图2中的与查询图像特征组成图像特征对的目标图像特征(包括目标图像特征201g、目标图像特征202g、目标图像特征203g以及目标图像特征204g)。[0180] 由上文图3中的步骤S104可知，自相关聚类块连接网络层与聚类块连接网络层分别对应的网络结构是相同的，区别仅在于两者分别对应的网络参数不相同以及输入数据不相同，如图6所示，故本申请实施例仅详细描述通过第一聚类块连接组件，业务服务器生成查询图像特征50d的过程，通过第二聚类块连接组件生成目标图像特征50h的过程，以及通过自相关聚类块连接网络层生成查询图像对应的待处理图像特征50i(即自注意力增强后的图像特征)的过程，请参照下文的描述理解。[0181] 如图6所示，目标图像初始特征50b可以包括至少两个目标元素特征，本申请实施例为了便于叙述以及理解，示例至少两个目标元素特征对应的总数量为4，即目标图像初始特征50b包括目标元素特征501b、目标元素特征502b、目标元素特征503b以及目标元素特征504b，其中，上述4个目标元素特征可以分为两类对象特征，即主体对象特征以及背景对象特征，即每一个目标元素特征分别属于主体对象特征或背景对象特征，如图6所示，目标元素特征501b以及目标元素特征504b均属于主体对象特征，目标元素特征502b以及目标元素特征503b均属于背景对象特征。对应地，查询图像初始特征50a包括查询元素特征501a、查询元素特征502a、查询元素特征503a以及查询元素特征504a，其中，查询元素特征501a、查询元素特征503a以及查询元素特征504a均属于背景对象特征，查询元素特征502a属于主体对象特征。[0182] 在块聚类子组件中，业务服务器可以确定每个目标元素特征分别与一个查询元素特征之间的第一特征距离，为了便于叙述以及理解，本步骤以确定每个目标元素特征分别与查询元素特征502a之间的第一特征距离示例，每个目标元素特征分别与其他查询元素特征(例如查询元素特征501a)之间的第一特征距离的确定，可以参照以下描述理解，本步骤不进行一一赘述。[0183] 业务服务器确定目标元素特征501b与查询元素特征502a之间的第一特征距离，将目标元素特征501b与查询元素特征502a之间的第一特征距离，确定为目标元素特征501b对应的增强权重(如图6中所示例的增强权重1)；业务服务器确定目标元素特征502b与查询元素特征502a之间的第一特征距离，将目标元素特征502b与查询元素特征502a之间的第一特征距离，确定为目标元素特征502b对应的增强权重(如图6中所示例的增强权重2)；同样地，业务服务器可以分别确定目标元素特征503b对应的增强权重(如图6中所示例的增强权重3)，以及目标元素特征504b对应的增强权重(如图6中所示例的增强权重4)。[0184] 可以理解的是，查询元素特征502a是查询图像初始特征50a中的主体对象特征，目标元素特征501b以及目标元素特征504b均属于目标图像初始特征50b中的主体对象特征，目标元素特征502b以及目标元素特征503b均属于目标图像初始特征50b中的背景对象特征，故目标元素特征501b与查询元素特征502a之间的第一特征距离，以及，目标元素特征504b与查询元素特征502a之间的第一特征距离，均会小于目标元素特征502b与查询元素特征502a之间的第一特征距离，以及，目标元素特征503b与查询元素特征502a之间的第一特征距离，即目标元素特征501b与查询元素特征502a之间的相似度，以及，目标元素特征504b与查询元素特征502a之间的相似度，均会大于目标元素特征502b与查询元素特征502a之间的相似度，以及，目标元素特征503b与查询元素特征502a之间的相似度，故增强权重1以及增强权重4，均会大于增强权重2以及增强权重3，也可以理解为增强权重1以及增强权重4均可以实现特征正向增强，增强权重2以及增强权重3均可以实现特征反向增强，具体请参见步骤S202。[0185] 步骤S202，根据至少两个目标元素特征分别对应的增强权重，对至少两个目标元素特征进行加权求和处理，得到查询元素特征Gc对应的相似块聚类特征Ic。[0186] 请再参见图6，业务服务器根据目标元素特征501b对应的增强权重(如图6中增强权重1)，对目标元素特征501b进行加权，根据目标元素特征501b对应的增强权重(如图6中增强权重2)，对目标元素特征502b进行加权，根据目标元素特征503b对应的增强权重(如图6中增强权重3)，对目标元素特征503b进行加权，根据目标元素特征503b对应的增强权重(如图6中增强权重3)，对目标元素特征503b进行加权，然后业务服务器对4个加权之后的目标元素特征进行求和，得到查询元素特征502a对应的相似块聚类特征502c。[0187] 按照步骤S201以及步骤S202的描述，业务服务器可以分别得到查询元素特征501a对应的相似块聚类特征501c，查询元素特征503a对应的相似块聚类特征503c，以及得到查询元素特征504a对应的相似块聚类特征504c。[0188] 步骤S201以及步骤S202的实现，具体可以有3种不同的实现方式，包括矩阵相乘(MatMul)、余弦相似度(Cosinedistance)和图神经网络(GraphConvolutionalNetwork，GCN)，3种实现方式分别对应的公式如下公式(1)‑公式(3)：[0189] MatMul：Ic＝σ(GcHT)H(1)[0190][0191][0192] 其中，公式(1)‑公式(3)中的Ic表示第c个相似块聚类特征，Gc表示查询图像初始特征50a中的第c个查询元素特征，H表示目标图像初始特征50b，T表示转置处理，σ表示归一化(softmax)函数，||Gc||2表示第c个查询元素特征对应的2范数，||H||2表示目标图像初始特征50b对应的2范数，δ表示激活函数(activationfunction)，ω是第一聚类块连接组件中的参数。[0193] 上述可知，通过块聚类子组件，业务服务器可以得到每个目标元素特征分别对应的增强权重，以实现对目标元素特征的特征正向增强(相似度大)或特征反向增强(相似度小)，故可以提高主体对象特征以及背景对象特征的区分能力，降低背景的干扰。[0194] 步骤S203，在元连接子组件中，确定相似块聚类特征Ic以及查询元素特征Gc之间的第二特征距离。[0195] 步骤S204，通过查询元素特征Gc对应的第二特征距离，对查询元素特征Gc进行特征增强，得到查询特征。[0196] 步骤S205，根据至少两个查询元素特征分别对应的查询特征，生成与目标图像集N。相关联的查询图像特征Le。[0197] 结合步骤S203‑步骤S205叙述，元连接子组件可以包括距离(Distance)子组件50e以及残差注意力(Residualattention)子组件50f，业务服务器将块聚类子组件中所生成的相似块聚类特征502c输入至距离子组件50e中，通过距离子组件50e，可以确定相似块聚类特征502c以及查询元素特征502a之间的第二特征距离。本申请实施例不对计算特征距离(包括第一特征距离以及第二特征距离)的方法进行限定，可以包括Cosinedistance、可学习度量(Learnablemetric)、欧氏距离(Euclideandistance)、曼哈顿距离、明可夫斯基距离等。[0198] 进一步，业务服务器将查询元素特征502a对应的第二特征距离输入至残差注意力子组件50f中，在残差注意力子组件50f中，业务服务器可以根据查询元素特征502a对应的第二特征距离，对查询元素特征502a进行特征增强，得到查询特征502g，同样地，业务服务器可以通过元连接子组件，分别得到查询元素特征501a对应的查询特征501g，查询元素特征503a对应的查询特征503g，查询元素特征504a对应的查询特征504g，最后，业务服务器将4个查询特征组成查询图像初始特征50a对应的查询图像特征50d。上述过程可以通过如下公式(4)实现：[0199][0200] 其中，公式(4)中的L表示图6中的查询图特征50d，I表示c个相似块聚类特征的集合，符号“·”表示点积(dotproduct)，符号“⊙”表示元素智能乘积。[0201] 可以理解的是，图像初始特征对中的目标图像初始特征以及查询图像初始特征分别对应的特征表征能力有限以及不足，通过聚类块连接网络层，业务服务器可以得到特征增强后的图像特征对，其对应的特征表征能力优于图像初始特征对对应的特征表征能力，通过自相关聚类块连接网络层，业务服务器可以得到自注意力增强后的图像特征，其对应的特征表征能力优于查询图像初始特征，所以本申请可以提高不同图像类别信息的区分能力，故可以提高查询图像的分类准确率。[0202] 在本申请实施例中，计算机设备可以对至少两个图像初始特征对分别进行特征增强，以提高查询图像以及至少两个目标图像集分别对应的特征表征能力，得到至少两个图像特征对，故根据至少两个图像特征对所生成的图像度量特征，可以准确表征至少两个目标图像集分别与查询图像之间的相似度；同时，计算机设备可以对查询图像初始特征进行自注意力增强，以提高查询图像的特征表征能力，得到图像优化特征；上述可知，图像度量特征可以准确表征查询图像与至少两个目标图像集分别对应的相似度，图像优化特征可以提高查询图像的特征表征能力，进而可以提高查询图像的识别准确度，因此根据图像度量特征以及图像优化特征，可以在至少两个图像类别信息中，准确确定查询图像对应的图像类别信息，即可以提高查询图像对应的图像类别信息的识别准确度。[0203] 请参见图7，图7是本申请实施例提供的一种数据处理方法的流程示意图。该方法可以由业务服务器(例如，上述图1所示的业务服务器100)执行，也可以由终端设备(例如，上述图1所示的终端设备200a)执行，还可以由业务服务器和终端设备交互执行。为便于理解，本申请实施例以该方法由业务服务器执行为例进行说明。如图7所示，该方法至少可以包括以下步骤。[0204] 步骤S301，从训练样本图像集中，获取至少两个目标样本图像集以及查询样本图像；每个目标样本图像集分别对应的第一图像类别信息互不相同；至少两个第一图像类别信息包括查询样本图像对应的第二图像类别信息。[0205] 具体的，获取P个样本图像集；P为正整数；每个样本图像集分别对应的第四图像类别信息互不相同；P个第四图像类别信息包括至少两个第一图像类别信息；从P个样本图像集中获取Q个样本图像集，将Q个样本图像集确定为训练样本图像集；Q为小于P的正整数；统计图像识别初始模型的训练迭代次数，若训练迭代次数小于迭代次数阈值，则从训练样本图像集中获取至少两个样本图像集，将获取到的至少两个样本图像集确定为至少两个目标样本图像集；根据至少两个第一图像类别信息，从剩余训练样本图像集中获取样本图像集，作为初始查询样本图像；剩余训练样本图像集是指训练样本图像集中，除了至少两个目标样本图像集之外的训练样本图像集；对初始查询样本图像进行角度旋转处理，得到查询样本图像。[0206] 回顾图3的描述，可知图像识别模型在确定查询图像对应的图像类别信息时，不仅对查询图像进行特征提取以及特征增强，还对至少两个目标图像集进行特征提取以及特征增强，并结合查询图像以及至少两个目标图像集分别对应的相似度，确定查询图像对应的图像类别信息，故图像识别模型可以适用于小样本任务，即本申请可以提出一种基于小样本相似块聚类学习的图像识别模型，图像识别初始模型首先在公开数据集上进行预训练，得到预训练图像识别模型，在实际应用中，用于对预训练图像识别模型的优化训练的数据量可以非常少，但图像识别模型仍能达到较高的分类准确率，即模型使用对象使用该小样本分类模型(即图像识别模型)时，只需收集少量标注数据(每个类几张图像)进行训练，该模型就能完成对图像的分类，具体应用场景包括智能物品分拣系统。小样本任务是指N‑wayK‑shot的分类任务，N‑way指N个类别，K‑shot指每个类别提供的标注样本数量为K个，即实际应用时，每个类别只需收集K个标注样本，共N*K个样本的项目数据集Dnovel，等同于本申请叙述的至少两个目标图像集。[0207] 本申请实施例对图像识别初始模型的训练包括两个阶段，第一阶段是通过公开数据集(等同于上述的P个样本图像集)，对图像识别初始模型进行预训练，得到预训练图像识别模型，该过程包括本申请实施例中的步骤S301‑步骤S306；第二阶段是通过项目数据集(等同于至少两个目标图像集)，对预训练图像识别模型进行优化，得到图像识别模型，该过程包括本申请实施例中的步骤S307‑步骤S308。[0208] 本申请实施例首先叙述预训练过程，业务服务器获取P个样本图像集(即公开数据集)，本申请实施例不对公开数据集进行限定，可以包括用于小样本学习研究的数据集，例如miniImageNet数据集、tieredImageNet数据集，还可以包括用于视觉对象识别软件研究的大型可视化数据库ImageNet等。[0209] 为了便于理解以及叙述，假设P等于100，即业务服务器获取100个样本图像集，请一并参见图8，图8是本申请实施例提供的一种数据处理的场景示意图。如图8所示，该100个样本图像集可以包括样本图像集701a、样本图像集702a、样本图像集703a、…、样本图像集704a、样本图像集705a、样本图像集706a、样本图像集707a、样本图像集708a，明显地，100个样本图像集分别对应的第四图像类别信息互不相同，例如样本图像集701a对应的第四图像类别信息是猫，样本图像集702a对应的第四图像类别信息是狗，样本图像集703a对应的第四图像类别信息是玫瑰，…、样本图像集704a对应的第四图像类别信息是白菜，样本图像集705a对应的第四图像类别信息是手机，样本图像集706a对应的第四图像类别信息是人，样本图像集707a对应的第四图像类别信息是车，样本图像集708a对应的第四图像类别信息是冬瓜。业务服务器首先将100个样本图像集分为训练样本图像集，以及验证样本图像集，其中，可以将80个样本图像集确定为训练样本图像集，将100个样本图像集中所剩余的20个样本图像集确定为验证样本图像集，如图8所示例的，将样本图像集701a、样本图像集702a、样本图像集703a、…、样本图像集706a、样本图像集707a、样本图像集708a，确定为训练样本图像集70b，将样本图像集704a、…、样本图像集705a确定为验证样本图像集70z。[0210] 对图像识别初始模型进行预训练时，本申请实施例采用学术界标准的情景训练(episodictraining)方式进行训练，首先从训练样本图像集70b中随机抽取N‑wayK‑shot(此处的N为大于1的正整数，K为正整数)数据，即至少两个目标样本图像集70c(目标样本图像集也可以称作样本支撑集，SupportSet)，为了便于叙述以及理解，将至少两个目标样本图像集70c对应的总数量示例为4，每个目标样本图像集中的样本图像的总数量示例为4，如图8所示例，业务服务器从样本图像集701a中抽取4张样本图像，将抽取的4张均携带图像类别信息猫的样本图像确定为目标样本图像集701c；从样本图像集703a中抽取4张样本图像，将抽取的4张均携带图像类别信息玫瑰的样本图像确定为目标样本图像集702c；同样地，业务服务器分别确定第四图像类别信息为人的目标样本图像集703c，以及第四图像类别信息为车的目标样本图像集704c。[0211] 业务服务器再从至少两个目标样本图像集70c分别所属的样本图像集中，每个样本图像集抽取m(此处的m为正整数)个样本图像作为初始查询样本图像，为了便于叙述以及理解，将m示例为1，请再参见图8，业务服务器从样本图像集701a中，抽取不同于目标样本图像集701c的1张样本图像，将抽取的携带图像类别信息猫的样本图像确定为初始查询样本图像701d；从样本图像集703a中抽取1张样本图像，将抽取的携带图像类别信息玫瑰的样本图像确定为初始查询样本图像702d；同样地，业务服务器分别确定第四图像类别信息为人的初始查询样本图像703d，以及第四图像类别信息为车的初始查询样本图像704d。业务服务器对每个初始查询样本图像均进行角度旋转处理，本申请实施例不对旋转的角度进行限定，也不对旋转的次数进行限定，可以根据实际应用场景进行设置，为了便于叙述以及理解，本申请实施例示例旋转次数等于4，旋转的角度递增90°，如图8所示，业务服务器对初始查询样本图像701d分别进行逆时针旋转90°，逆时针旋转180°，以及逆时针旋转270°，故可以得到旋转查询样本图像701e；对初始查询样本图像702d分别进行逆时针旋转90°，逆时针旋转180°，以及逆时针旋转270°，故可以得到旋转查询样本图像702e；同样地，业务服务器可以分别生成旋转查询样本图像703e以及旋转查询样本图像704e。进一步，业务服务器将4个初始查询样本图像、旋转查询样本图像701e、旋转查询样本图像702e、旋转查询样本图像703e以及旋转查询样本图像704e，均确定为查询样本图像(也可以称作样本查询集，QuerySet)。[0212] 步骤S302，将查询样本图像以及至少两个目标样本图像集分别输入至图像识别初始模型。[0213] 步骤S303，通过图像识别初始模型，获取查询样本图像对应的预测查询初始特征，获取至少两个目标样本图像集分别对应的预测目标初始特征。[0214] 步骤S304，对至少两个预测目标初始特征分别对应的预测初始特征对进行特征增强，得到每个预测初始特征对分别对应的预测特征对；一个预测初始特征对包括预测查询初始特征以及一个预测目标初始特征。[0215] 步骤S305，根据至少两个预测特征对，生成用于表征至少两个目标样本图像集分别与查询样本图像之间的预测相似度的预测图像度量特征。[0216] 结合步骤S302‑步骤S305叙述，请再参见图8，业务服务器将初始查询样本图像701d、初始查询样本图像702d、初始查询样本图像703d、初始查询样本图像704d、旋转查询样本图像701e、旋转查询样本图像702e、旋转查询样本图像703e、旋转查询样本图像704e，以及至少两个目标样本图像集70c，均作为当前迭代输入数据。[0217] 业务服务器从初始查询样本图像701d、初始查询样本图像702d、初始查询样本图像703d、初始查询样本图像704d、旋转查询样本图像701e、旋转查询样本图像702e、旋转查询样本图像703e、旋转查询样本图像704e中，选择一张样本图像，作为第一查询样本图像，将第一查询样本图像与至少两个目标样本图像集70c均输入至图像识别初始模型70f，图像识别初始模型70f处理完第一查询样本图像与至少两个目标样本图像集70c(处理过程请参见下面的描述)之后，业务服务器再从初始查询样本图像701d、初始查询样本图像702d、初始查询样本图像703d、初始查询样本图像704d、旋转查询样本图像701e、旋转查询样本图像702e、旋转查询样本图像703e、旋转查询样本图像704e中，选择一张不同于第一查询样本图像的样本图像，作为第二查询样本图像，将第二查询样本图像与至少两个目标样本图像集70c，均输入至图像识别初始模型70f，图像识别初始模型70f处理完第二查询样本图像与至少两个目标样本图像集70c之后，继续选择下一张查询样本图像，直至初始查询样本图像701d、初始查询样本图像702d、初始查询样本图像703d、初始查询样本图像704d、旋转查询样本图像701e、旋转查询样本图像702e、旋转查询样本图像703e、旋转查询样本图像704e均被选择上，则当前迭代输入数据均被输入，图像识别初始模型的当前迭代结束。[0218] 可以理解的是，图像识别初始模型对第一查询样本图像以及至少两个目标样本图像集70c的处理过程，与图像识别初始模型对第二查询样本图像以及至少两个目标样本图像集70c的处理过程是一致的，同理，与图像识别初始模型对剩余查询样本图像(不同于第一查询样本图像以及第二查询样本图像的样本图像)以及至少两个目标样本图像集70c的处理过程是一致的，故本申请实施例仅示例一个图像识别初始模型的处理过程，不进行赘述。[0219] 请一并参见图9，图9是本申请实施例提供的一种数据处理的场景示意图。如图9所示，业务服务器将至少两个目标样本图像集70c(等同于图8中的至少两个目标样本图像集70c)以及查询样本图像7011e均输入至图像识别初始模型，图像识别初始模型包括特征提取初始网络层801e、聚类块连接初始网络层802e以及第一线性初始网络层，其中，通过特征提取初始网络层801e，业务服务器分别获取预测查询初始特征以及至少两个预测目标初始特征的具体过程，请参见上文图3所对应的实施例中通过特征提取网络层，业务服务器分别获取查询图像初始特征以及至少两个目标图像初始特征的具体过程，此处不进行赘述；通过聚类块连接初始网络层802e，业务服务器获取至少两个预测特征对的具体过程，请参见上文图3所对应的实施例中通过聚类块连接网络层，业务服务器获取至少两个图像特征对的具体过程，此处不进行赘述。[0220] 结合图8以及图9，聚类块连接初始网络层802e可以输出4个预测特征对，分别为预测特征对801j(包括均与目标样本图像集701c相关联的预测目标特征801g以及预测查询特征801f)，预测特征对802j(包括均与目标样本图像集702c相关联的预测目标特征802g以及预测查询特征802f)，预测特征对803j(包括均与目标样本图像集703c相关联的预测目标特征803g以及预测查询特征803f)，预测特征对804j(包括均与目标样本图像集704c相关联的预测目标特征804g以及预测查询特征804f)。其中，通过图像识别初始模型，业务服务器生成预测图像度量特征的具体过程，请参见上文图3所对应的实施例中生成图像度量特征的具体过程，两者分别对应的处理过程一致，故不进行赘述。[0221] 步骤S306，根据预测图像度量特征以及第二图像类别信息，对图像识别初始模型中的参数进行调整，得到预训练图像识别模型。[0222] 具体的，每个预测特征对分别包括不同的预测查询特征，一个预测查询特征与一个预测目标初始特征相关联；查询样本图像携带真实旋转角度；图像识别初始模型包括第一线性初始网络层；根据第二图像类别信息，从至少两个预测特征对分别对应的预测查询特征中，获取预测查询特征Uv；v为正整数，且v小于或等于至少两个预测特征对对应的总数量；预测查询特征Uv所表征的目标样本图像集的第一图像类别信息，与第二图像类别信息相同；通过第一线性初始网络层，对预测查询特征Uv进行线性处理，得到查询样本图像对应的预测图像辅助特征；根据预测图像度量特征、预测图像辅助特征、第二图像类别信息以及真实旋转角度，对图像识别初始模型中的参数进行调整，得到预训练图像识别模型。[0223] 结合图8以及图9叙述，已知查询样本图像7011e携带的第二样本图像信息为猫，且其真实旋转角度为90°。为了提高训练速度，以及提高准确度，本申请实施例根据查询样本图像7011e所携带的第二图像类别信息(即猫)，从4个预测查询特征中获取预测查询特征801f，因为预测查询特征801f所对应的预测目标特征801g的第一图像类别信息同样为猫。进一步，业务服务器将预测查询特征801f输入至第一线性初始网络层，通过第一线性初始网络层，对预测查询特征801f进行线性处理，得到查询样本图像7011e对应的预测图像辅助特征；最后，业务服务器根据预测图像度量特征、预测图像辅助特征、第二图像类别信息(如图9中的猫)以及真实旋转角度(如图9中的90°)，对图像识别初始模型中的参数进行调整，此处的参数具体可以包括特征提取初始网络层801e中的参数、聚类块连接初始网络层802e中的参数以及第一线性初始网络层中的参数。[0224] 请再参见图9，业务服务器统计图像识别初始模型的训练迭代次数，将该训练迭代次数与迭代次数阈值(可预先设置)进行对比，若训练迭代次数小于迭代次数阈值，则获取下一轮的迭代输入数据(即图9中的下一轮训练样本)，获取过程请参考当前迭代输入数据的获取过程，且下一轮的迭代输入数据的处理过程与当前迭代输入数据的处理过程相同，故不进行赘述，参考上文描述。若训练迭代次数等于迭代次数阈值，则从图8的验证样本图像集70z中获取验证数据，其中，业务服务器获取验证数据的具体过程与获取当前迭代输入数据的具体过程是一致的，故不进行赘述，请参考上文描述；基于验证数据，业务服务器对当前参数调整过的图像识别初始模型进行验证处理，得到验证结果(可以理解为损失值)，若验证结果优于设置的验证结果，则可以将当前参数调整过的图像识别初始模型确定为预训练图像识别模型701f，若验证结果差于设置的验证结果，则将训练迭代次数初始化(即置零)，再次获取训练样本以对图像识别初始模型进行训练，后续过程等同于上文的描述，直至存在一个验证结果优于设置的验证结果(则将优于设置的验证结果的验证结果所对应的图像识别初始模型，确定为预训练图像识别模型701f)，或直至验证次数达到验证次数阈值，此时，业务服务器从多个验证结果中确定最优的验证结果，将该最优的验证结果所对应的图像识别初始模型确定为预训练图像识别模型701f，此时，聚类块连接初始网络层802e等同于图3所对应的实施例中的聚类块连接网络层，特征提取初始网络层801e等同于图3所对应的实施例中的特征提取网络层，业务服务器应用图像识别模型时不需要第一线性初始网络层。[0225] 步骤S307，获取至少两个目标图像集；每个目标图像集分别对应的第三图像类别信息互不相同。[0226] 具体的，业务服务器通过项目数据集Dnovel(即至少两个目标图像集)，对预训练图像识别模型进行优化训练(也可以理解为微调，因为只对未调整过的参数进行调整)，本申请实施例中的至少两个目标图像集等同于图3所对应的实施例中至少两个目标图像集；可选的，本申请实施例中的至少两个目标图像集包括图3所对应的实施例中至少两个目标图像集。[0227] 可以理解的是，至少两个目标图像集分别对应的第三图像类别信息，可以与P个样本图像集分别对应的第四图像类别信息相同，也可以不相同，还可以存在部分相同，部分不相同，实质上，项目数据集与公开数据集之间不存在关联关系。[0228] 步骤S308，根据至少两个目标图像集以及至少两个第三图像类别信息，对预训练图像识别模型中的参数进行调整，得到图像识别模型；图像识别模型用于识别查询图像对应的图像类别信息；查询图像对应的图像类别信息属于至少两个第三图像类别信息。[0229] 具体的，将至少两个目标图像集分别输入至预训练图像识别模型；预训练图像识别模型包括特征提取网络层、自相关聚类块连接初始网络层、第二线性初始网络层以及微调初始分类器；至少两个目标图像集包括目标图像Xy，y为正整数，且y小于或等于至少两个目标图像集包含的目标图像对应的总数量；通过特征提取网络层，对目标图像Xy进行特征提取，得到目标图像Xy对应的目标图像初始特征，将目标图像Xy对应的目标图像初始特征输入至自相关聚类块连接初始网络层；通过自相关聚类块连接初始网络层，对目标图像Xy对应的目标图像初始特征进行自注意力增强，得到目标图像Xy对应的预测待处理目标特征，将预测待处理目标特征输入至第二线性初始网络层；通过第二线性初始网络层，对预测待处理目标特征进行线性处理，得到目标图像Xy对应的预测目标优化特征，将预测目标优化特征输入至微调初始分类器；在微调初始分类器中，根据预测目标优化特征确定目标图像Xy对应的预测微调分类概率向量；根据至少两个目标图像集包含的每个目标图像分别对应的预测微调分类概率向量以及每个目标图像分别对应的第三图像类别信息，对自相关聚类块连接初始网络层、第二线性初始网络层以及微调初始分类器分别包括的参数进行调整，将调整后的预训练图像识别模型确定为图像识别模型。[0230] 请一并参见图10，图10是本申请实施例提供的一种数据处理的场景示意图。如图10所示，业务服务器将至少两个目标图像集20b(包括目标图像2011b)分别输入至预训练图像识别模型701f，其中，至少两个目标图像集20b的含义请参见图2中的描述，此处不进行赘述。可以理解的是，至少两个目标图像集20b包括至少两个目标图像，预训练图像识别模型701f对每个目标图像的处理过程均是一致的，故本申请实施例仅叙述预训练图像识别模型701f对目标图像2011b的处理过程。[0231] 结合步骤S301‑步骤S306，可知预训练图像识别模型701f中的特征提取初始网络层已训练好(等同于特征提取网络层201e)，预训练图像识别模型701f还包括自相关聚类块连接初始网络层803e、第二线性初始网络层以及微调初始分类器；其中，特征提取网络层201e对目标图像2011b的处理过程，与图3所对应的实施例中特征提取网络层对查询图像的处理过程一致，故不进行赘述，请参考上文描述。业务服务器将目标图像2011b对应的目标图像初始特征输入至自相关聚类块连接初始网络层803e，其中，自相关聚类块连接初始网络层803e对目标图像2011b对应的目标图像初始特征的处理过程，与图3所对应的实施例中自相关聚类块连接网络层对查询图像初始特征的处理过程一致，故此处不进行赘述，请参见上文的描述，自相关聚类块连接初始网络层803e输出目标图像2011b对应的预测待处理目标特征。[0232] 进一步，业务服务器将预测待处理目标特征输入至第二线性初始网络层，其中，第二线性初始网络层对预测待处理目标特征的处理过程，等同于图3所对应的实施例中线性网络层对查询图像对应的待处理图像特征的处理过程，故此处不进行赘述，请参考上文描述。业务服务器获取第二线性初始网络层输出的预测目标优化特征801z，将预测目标优化特征801z输入至微调初始分类器，其中，微调初始网络层对预测目标优化特征801z的处理过程，等同于图3所对应的实施例中微调分类器对图像优化特征的处理过程，故此处不进行赘述，请参考上文描述，如图10所示，微调初始分类器输出目标图像2011b对应的预测微调分类概率向量802z，即向量(0.3、0.4、0.2、0.1)，已知目标图像2011b对应的第三图像类别信息是萝卜，故可以得到预训练图像识别模型701f针对目标图像2011b的误差。进一步，业务服务器可以根据至少两个目标图像集20b包含的每个目标图像分别对应的预测微调分类概率向量以及每个目标图像分别对应的第三图像类别信息，对自相关聚类块连接初始网络层803e、第二线性初始网络层以及微调初始分类器分别包括的参数进行调整，将调整后的预训练图像识别模型确定为图像识别模型702f，可以理解的是，此时，自相关聚类块连接初始网络层803e等同于图3所对应的实施例中的自相关聚类块连接网络层，第二线性初始网络层等同于图3所对应的实施例中的线性网络层，微调初始分类器等同于图3所对应的实施例中的微调分类器。[0233] 本申请实施例提出一种基于小样本相似块聚类学习的图像分类方法，在数据量非常少的情况下(每个类仅有几张图像)，仍能达到较高的分类准确率。本申请基于度量学习的思路，对样本间距离分布进行建模，使得属于同类样本靠近，异类样本远离；训练图像识别初始模型时，本申请增加辅助任务(包括下文图11所对应的实施例中的全局初始分类器以及角度初始分类器)，与小样本学习任务(包括微调初始分类器以及下文图11所对应的实施例中的度量初始分类器)共同训练，通过辅助任务来提高深度特征的表征能力，进而提升小样本学习任务性能；提出聚类块连接网络层，让深度网络在提取特征时更专注于主体对象特征区域，降低背景对象特征的干扰；提出自相关聚类块连接网络层，让图像识别模型在少量样本上进行学习，提升特征的辨别能力。[0234] 请参见图11，图11是本申请实施例提供的一种数据处理方法的流程示意图。该方法可以由业务服务器(例如，上述图1所示的业务服务器100)执行，也可以由终端设备(例如，上述图1所示的终端设备200a)执行，还可以由业务服务器和终端设备交互执行。为便于理解，本申请实施例以该方法由业务服务器执行为例进行说明。如图11所示，该方法至少可以包括以下步骤。[0235] 步骤S401，将预测图像度量特征输入至度量初始分类器，在度量初始分类器中，根据预测图像度量特征，确定查询样本图像对应的度量分类预测概率向量。[0236] 具体的，图像识别初始模型还包括度量初始分类器、角度初始分类器、全局初始分类器、用于生成至少两个预测初始特征对的特征提取初始网络层，以及用于生成至少两个预测特征对的聚类块连接初始网络层；[0237] 步骤S402，将预测图像辅助特征输入至全局初始分类器，在全局初始分类器中，根据预测图像辅助特征，确定查询样本图像对应的全局分类预测概率向量。[0238] 步骤S403，将预测图像辅助特征输入至角度初始分类器，在角度初始分类器中，根据预测图像辅助特征，确定查询样本图像对应的角度分类预测概率向量。[0239] 步骤S305的具体实现过程，请参见上文图3所对应的实施例中的步骤S101，此处不进行赘述。[0240] 步骤S404，根据度量分类预测概率向量、全局分类预测概率向量、角度分类预测概率向量、第二图像类别信息以及真实旋转角度，对特征提取初始网络层、聚类块连接初始网络层、第一线性初始网络层、度量初始分类器、角度初始分类器、全局初始分类器分别包括的参数进行调整，将调整后的图像识别初始模型确定为预训练图像识别模型。[0241] 具体的，根据度量分类预测概率向量以及第二图像类别信息之间的交叉熵，确定查询样本图像的度量损失值；根据全局分类预测概率向量以及第二图像类别信息之间的交叉熵，确定查询样本图像的全局损失值；根据角度分类预测概率向量以及真实旋转角度之间的交叉熵，确定查询样本图像的角度损失值；对度量损失值、全局损失值以及角度损失值进行加权求和处理，得到总损失值，根据总损失值，对特征提取初始网络层、聚类块连接初始网络层、第一线性初始网络层、度量初始分类器、角度初始分类器、全局初始分类器分别包括的参数进行调整，将调整后的图像识别初始模型确定为预训练图像识别模型。[0242] 结合步骤S401‑步骤S404、图8以及图9叙述，其中，度量初始分类器为一个4类分类器，即用于根据预测图像度量特征，确定查询样本图像7011e分别针对猫、玫瑰、人以及车的分类预测概率值，假设度量分类预测概率向量为向量(0.3、0.42、0.25、0.03)，则表明查询样本图像7011e被分类到猫的概率为0.3，被分类到玫瑰的概率为0.42，被分类到人的概率为0.25，被分类到车的概率为0.03。[0243] 其中，全局初始分类器是一个80类分类器(因为示例训练样本图像集中的样本图像集的总数量为80)，即用于根据预测图像辅助特征，确定查询样本图像7011e针对训练样本图像集中的第四图像类别信息的分类预测概率值。角度初始分类器为一个4类分类器，即用于根据预测图像辅助特征，确定查询样本图像7011e分别针对0°、90°、180°以及270°的分类预测概率值。[0244] 业务服务器确定查询样本图像7011e的第二图像类别信息(猫)，以及度量分类预测概率向量之间的交叉熵，作为查询样本图像7011e的度量损失值，确定查询样本图像7011e的第二图像类别信息(猫)，以及全局分类预测概率向量之间的交叉熵，作为查询样本图像7011e的全局损失值，确定查询样本图像7011e的真实旋转角度(90°)，以及角度分类预测概率向量之间的交叉熵，作为查询样本图像7011e的角度损失值；进一步，业务服务器对查询样本图像7011e的度量损失值、查询样本图像7011e的全局损失值以及查询样本图像7011e的角度损失值进行加权求和处理，得到查询样本图像7011e的对应的总损失值，其中，总损失值的计算过程可以通过公式(5)‑公式(6)表述。[0245][0246][0247] 其中，公式(5)中的[LM,LG,LR]可以分别表示度量损失值、全局损失值以及角度损失值，[wG,wR]为损失权重，[bG,bR]为损失偏置量，[σG,σR]为可学习权重,λ是权重偏置参数(可以根据经验设λ＝2.0)，通过可学习权重[wG,wR]的学习，可以平衡小样本学习任务和辅助任务，提高深度特征的表征能力，进而提升小样本分类准确率。[0248] 根据每个查询样本图像对应的总损失值，得到图像识别初始模型的总损失值，根据图像识别初始模型的总损失值，对特征提取初始网络层、聚类块连接初始网络层、第一线性初始网络层、度量初始分类器、角度初始分类器(Rotation classifier)、全局初始分类器(Globalclassifier)分别包括的参数进行调整，将调整后的图像识别初始模型确定为预训练图像识别模型，此时度量初始分类器等同于图3所对应的实施例中的度量分类器。其中，第一线性初始网络层、角度初始分类器和全局初始分类器仅在模型训练阶段起作用。[0249] 本申请实施例提出一种基于小样本相似块聚类学习的图像分类方法，在数据量非常少的情况下，仍能达到较高的分类准确率。本申请基于度量学习的思路，对样本间距离分布进行建模，使得属于同类样本靠近，异类样本远离；训练图像识别初始模型时，本申请增加辅助任务，与小样本学习任务共同训练，通过辅助任务来提高深度特征的表征能力，进而提升小样本学习任务性能；提出聚类块连接网络层，让深度网络在提取特征时更专注于主体对象特征区域，降低背景对象特征的干扰；提出自相关聚类块连接网络层，让图像识别模型在少量样本上进行学习，提升特征的辨别能力。[0250] 进一步地，请参见图12，图12是本申请实施例提供的一种数据处理装置的结构示意图。上述数据处理装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如该数据处理装置为一个应用软件；该装置可以用于执行本申请实施例提供的方法中的相应步骤。如图12所示，该数据处理装置1可以包括：获取模块11、第一增强模块12、生成模块13、第二增强模块14以及确定模块15。[0251] 获取模块11，用于获取查询图像对应的查询图像初始特征，获取至少两个目标图像集分别对应的目标图像初始特征；至少两个目标图像集分别对应的图像类别信息互不相同；[0252] 第一增强模块12，用于对至少两个目标图像初始特征分别对应的图像初始特征对进行特征增强，得到每个图像初始特征对分别对应的图像特征对；一个图像初始特征对包括查询图像初始特征以及一个目标图像初始特征；[0253] 生成模块13，用于根据至少两个图像特征对，生成用于表征至少两个目标图像集分别与查询图像之间的相似度的图像度量特征；[0254] 第二增强模块14，用于对查询图像初始特征进行自注意力增强，得到查询图像对应的图像优化特征；[0255] 确定模块15，用于根据图像度量特征以及图像优化特征，在至少两个图像类别信息中，确定查询图像对应的图像类别信息。[0256] 其中，获取模块11、第一增强模块12、生成模块13、第二增强模块14以及确定模块15的具体功能实现方式可以参见上述图3对应实施例中的步骤S101‑步骤S105，这里不再进行赘述。[0257] 再请参见图12，第一增强模块12可以包括：第一获取单元121、第一组成单元122、第一增强单元123以及第二组成单元124。[0258] 第一获取单元121，用于获取图像识别模型；图像识别模型包括聚类块连接网络层；至少两个目标图像集包括目标图像集Ne，至少两个目标图像初始特征包括目标图像集Ne对应的目标图像初始特征De，e为正整数，且e小于或等于至少两个目标图像集对应的总数量；[0259] 第一组成单元122，用于将由目标图像初始特征De以及查询图像初始特征所组成的图像初始特征对Fe，输入至聚类块连接网络层；[0260] 第一增强单元123，用于通过聚类块连接网络层，对图像初始特征对Fe进行特征增强，得到目标图像集Ne对应的目标图像特征，以及查询图像对应的查询图像特征Le；目标图像集Ne对应的目标图像特征且与查询图像相关联；查询图像特征Le且与目标图像集Ne相关联；[0261] 第二组成单元124，用于将目标图像集Ne对应的目标图像特征，以及查询图像特征Le，组成图像初始特征对Fe对应的图像特征对。[0262] 其中，第一获取单元121、第一组成单元122、第一增强单元123以及第二组成单元124的具体功能实现方式可以参见上述图3对应实施例中的步骤S102，这里不再进行赘述。[0263] 再请参见图12，聚类块连接网络层包括第一聚类块连接组件以及第二聚类块连接组件；[0264] 第一增强单元123可以包括：第一增强子单元1231以及第二增强子单元1232。[0265] 第一增强子单元1231，用于在第一聚类块连接组件中，通过目标图像初始特征De，增强查询图像初始特征中的主体对象特征，得到查询图像对应的查询图像特征Le；[0266] 第二增强子单元1232，用于在第二聚类块连接组件中，通过查询图像初始特征，增强目标图像初始特征De中的主体对象特征，得到目标图像集Ne对应的目标图像特征。[0267] 其中，第一增强子单元1231以及第二增强子单元1232的具体功能实现方式可以参见上述图3对应实施例中的步骤S102，这里不再进行赘述。[0268] 再请参见图12，第一聚类块连接组件包括块聚类子组件以及元连接子组件；目标图像初始特征De包括至少两个目标元素特征；至少两个目标元素特征包括目标元素特征Hc；查询图像初始特征包括至少两个查询元素特征；至少两个查询元素特征包括查询元素特征Gc，c为正整数，且c小于或等于至少两个查询元素特征对应的总数量；[0269] 第一增强子单元1231可以包括：第一确定子单元12311、加权求和子单元12312、第二确定子单元12313、第一生成子单元12314以及第二生成子单元12315。[0270] 第一确定子单元12311，用于在块聚类子组件中，确定查询元素特征Gc以及目标元素特征Hc之间的第一特征距离，将第一特征距离确定为目标元素特征Hc对应的增强权重；[0271] 加权求和子单元12312，用于根据至少两个目标元素特征分别对应的增强权重，对至少两个目标元素特征进行加权求和处理，得到查询元素特征Gc对应的相似块聚类特征Ic；[0272] 第二确定子单元12313，用于在元连接子组件中，确定相似块聚类特征Ic以及查询元素特征Gc之间的第二特征距离；[0273] 第一生成子单元12314，用于通过查询元素特征Gc对应的第二特征距离，对查询元素特征Gc进行特征增强，得到查询特征；[0274] 第二生成子单元12315，用于根据至少两个查询元素特征分别对应的查询特征，生成与目标图像集Ne相关联的查询图像特征Le。[0275] 其中，第一确定子单元12311、加权求和子单元12312、第二确定子单元12313、第一生成子单元12314以及第二生成子单元12315的具体功能实现方式可以参见上述图5对应实施例中的步骤S201‑步骤S205，这里不再进行赘述。[0276] 再请参见图12，生成模块13可以包括：第一确定单元131、第一生成单元132以及第二生成单元133。[0277] 第一确定单元131，用于对目标图像集Ne对应的目标图像特征进行池化处理，将池化处理后的目标图像特征确定为查询图像特征Le对应的卷积核；[0278] 第一生成单元132，用于根据查询图像特征Le对应的卷积核，对查询图像特征Le进行特征卷积，得到目标图像集Ne与查询图像之间的相似度；[0279] 第二生成单元133，用于根据至少两个目标图像集分别与查询图像之间的相似度，生成图像度量特征。[0280] 其中，第一确定单元131、第一生成单元132以及第二生成单元133的具体功能实现方式可以参见上述图3对应实施例中的步骤S103，这里不再进行赘述。[0281] 再请参见图12，第二增强模块14可以包括：第二获取单元141、第二增强单元142以及第一输入单元143。[0282] 第二获取单元141，用于获取图像识别模型；图像识别模型包括自相关聚类块连接网络层以及线性网络层；[0283] 第二增强单元142，用于将查询图像初始特征输入至自相关聚类块连接网络层，通过自相关聚类块连接网络层，对查询图像初始特征进行特征增强，得到查询图像对应的待处理图像特征；[0284] 第一输入单元143，用于将查询图像对应的待处理图像特征输入至线性网络层，通过线性网络层，对查询图像对应的待处理图像特征进行线性处理，得到查询图像对应的图像优化特征。[0285] 其中，第二获取单元141、第二增强单元142以及第一输入单元143的具体功能实现方式可以参见上述图3对应实施例中的步骤S104，这里不再进行赘述。[0286] 再请参见图12，确定模块15可以包括：第三获取单元151、第二确定单元152、第三确定单元153、第三生成单元154以及第四确定单元155。[0287] 第三获取单元151，用于获取图像识别模型；图像识别模型包括度量分类器以及微调分类器；[0288] 第二确定单元152，用于将图像度量特征输入至度量分类器，在度量分类器中，根据图像度量特征确定查询图像对应的度量分类概率向量；[0289] 第三确定单元153，用于将图像优化特征输入至微调分类器，在微调分类器中，根据图像优化特征确定查询图像对应的微调分类概率向量；[0290] 第三生成单元154，用于对度量分类概率向量以及微调分类概率向量进行向量求和，得到查询图像对应的分类概率向量；[0291] 第四确定单元155，用于根据分类概率向量，在至少两个图像类别信息中，确定查询图像对应的图像类别信息。[0292] 其中，第三获取单元151、第二确定单元152、第三确定单元153、第三生成单元154以及第四确定单元155的具体功能实现方式可以参见上述图3对应实施例中的步骤S105，这里不再进行赘述。[0293] 再请参见图12，获取模块11可以包括：第四获取单元111、第二输入单元112、第一提取单元113、第二提取单元114以及第四生成单元115。[0294] 第四获取单元111，用于获取图像识别模型；图像识别模型包括特征提取网络层；[0295] 第二输入单元112，用于将查询图像以及与查询图像相关联的至少两个目标图像集，均输入至特征提取网络层；至少两个目标图像集包括目标图像集Ab，目标图像集Ab包括图像类别信息均相同的K个目标图像，b为正整数，且b小于或等于至少两个目标图像集对应的总数量；K为正整数；[0296] 第一提取单元113，用于通过特征提取网络层，对查询图像进行特征提取，得到查询图像对应的查询图像初始特征；[0297] 第二提取单元114，用于对目标图像集Ab进行特征提取，得到K个目标图像分别对应的待处理初始特征；[0298] 第四生成单元115，用于对K个待处理初始特征进行均值处理，得到目标图像集Ab对应的目标图像初始特征。[0299] 其中，第四获取单元111、第二输入单元112、第一提取单元113、第二提取单元114以及第四生成单元115的具体功能实现方式可以参见上述图3对应实施例中的步骤S101，这里不再进行赘述。[0300] 在本申请实施例中，计算机设备可以对至少两个图像初始特征对分别进行特征增强，以提高查询图像以及至少两个目标图像集分别对应的特征表征能力，得到至少两个图像特征对，故根据至少两个图像特征对所生成的图像度量特征，可以准确表征至少两个目标图像集分别与查询图像之间的相似度；同时，计算机设备可以对查询图像初始特征进行自注意力增强，以提高查询图像的特征表征能力，得到图像优化特征；上述可知，图像度量特征可以准确表征查询图像与至少两个目标图像集分别对应的相似度，图像优化特征可以提高查询图像的特征表征能力，进而可以提高查询图像的识别准确度，因此根据图像度量特征以及图像优化特征，可以在至少两个图像类别信息中，准确确定查询图像对应的图像类别信息，即可以提高查询图像对应的图像类别信息的识别准确度。[0301] 进一步地，请参见图13，图13是本申请实施例提供的一种数据处理装置的结构示意图。上述数据处理装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如该数据处理装置为一个应用软件；该装置可以用于执行本申请实施例提供的方法中的相应步骤。如图13所示，该数据处理装置2可以包括：第一获取模块21、第二获取模块22、第一生成模块23、第二生成模块24、第一调整模块25、第三获取模块26以及第二调整模块27。[0302] 第一获取模块21，用于从训练样本图像集中，获取至少两个目标样本图像集以及查询样本图像；每个目标样本图像集分别对应的第一图像类别信息互不相同；至少两个第一图像类别信息包括查询样本图像对应的第二图像类别信息；[0303] 第一获取模块21，还用于将查询样本图像以及至少两个目标样本图像集分别输入至图像识别初始模型；[0304] 第二获取模块22，用于通过图像识别初始模型，获取查询样本图像对应的预测查询初始特征，获取至少两个目标样本图像集分别对应的预测目标初始特征；[0305] 第一生成模块23，用于对至少两个预测目标初始特征分别对应的预测初始特征对进行特征增强，得到每个预测初始特征对分别对应的预测特征对；一个预测初始特征对包括预测查询初始特征以及一个预测目标初始特征；[0306] 第二生成模块24，用于根据至少两个预测特征对，生成用于表征至少两个目标样本图像集分别与查询样本图像之间的预测相似度的预测图像度量特征；[0307] 第一调整模块25，用于根据预测图像度量特征以及第二图像类别信息，对图像识别初始模型中的参数进行调整，得到预训练图像识别模型；[0308] 第三获取模块26，用于获取至少两个目标图像集；每个目标图像集分别对应的第三图像类别信息互不相同；[0309] 第二调整模块27，用于根据至少两个目标图像集以及至少两个第三图像类别信息，对预训练图像识别模型中的参数进行调整，得到图像识别模型；图像识别模型用于识别查询图像对应的图像类别信息；查询图像对应的图像类别信息属于至少两个第三图像类别信息。[0310] 其中，第一获取模块21、第二获取模块22、第一生成模块23、第二生成模块24、第一调整模块25、第三获取模块26以及第二调整模块27的具体功能实现方式可以参见上述图7对应实施例中的步骤S301‑308，这里不再进行赘述。[0311] 再请参见图13，第一获取模块21可以包括：第一获取单元211、第二获取单元212、第三获取单元213、第四获取单元214以及第一处理单元215。[0312] 第一获取单元211，用于获取P个样本图像集；P为正整数；每个样本图像集分别对应的第四图像类别信息互不相同；P个第四图像类别信息包括至少两个第一图像类别信息；[0313] 第二获取单元212，用于从P个样本图像集中获取Q个样本图像集，将Q个样本图像集确定为训练样本图像集；Q为小于P的正整数；[0314] 第三获取单元213，用于统计图像识别初始模型的训练迭代次数，若训练迭代次数小于迭代次数阈值，则从训练样本图像集中获取至少两个样本图像集，将获取到的至少两个样本图像集确定为至少两个目标样本图像集；[0315] 第四获取单元214，用于根据至少两个第一图像类别信息，从剩余训练样本图像集中获取样本图像集，作为初始查询样本图像；剩余训练样本图像集是指训练样本图像集中，除了至少两个目标样本图像集之外的训练样本图像集；[0316] 第一处理单元215，用于对初始查询样本图像进行角度旋转处理，得到查询样本图像。[0317] 其中，第一获取单元211、第二获取单元212、第三获取单元213、第四获取单元214以及第一处理单元215的具体功能实现方式可以参见上述图7对应实施例中的步骤S301，这里不再进行赘述。[0318] 再请参见图13，每个预测特征对分别包括不同的预测查询特征，一个预测查询特征与一个预测目标初始特征相关联；查询样本图像携带真实旋转角度；图像识别初始模型包括第一线性初始网络层；[0319] 第一调整模块25可以包括：第五获取单元251、第二处理单元252以及第一调整单元253。[0320] 第五获取单元251，用于根据第二图像类别信息，从至少两个预测特征对分别对应的预测查询特征中，获取预测查询特征Uv；v为正整数，且v小于或等于至少两个预测特征对对应的总数量；预测查询特征Uv所表征的目标样本图像集的第一图像类别信息，与第二图像类别信息相同；[0321] 第二处理单元252，用于通过第一线性初始网络层，对预测查询特征Uv进行线性处理，得到查询样本图像对应的预测图像辅助特征；[0322] 第一调整单元253，用于根据预测图像度量特征、预测图像辅助特征、第二图像类别信息以及真实旋转角度，对图像识别初始模型中的参数进行调整，得到预训练图像识别模型。[0323] 其中，第五获取单元251、第二处理单元252以及第一调整单元253的具体功能实现方式可以参见上述图7对应实施例中的步骤S306，这里不再进行赘述。[0324] 再请参见图13，图像识别初始模型还包括度量初始分类器、角度初始分类器、全局初始分类器、用于生成至少两个预测初始特征对的特征提取初始网络层，以及用于生成至少两个预测特征对的聚类块连接初始网络层；[0325] 第一调整单元253可以包括：第一输入子单元2531、第二输入子单元2532、第三输入子单元2533以及参数调整子单元2534。[0326] 第一输入子单元2531，用于将预测图像度量特征输入至度量初始分类器，在度量初始分类器中，根据预测图像度量特征，确定查询样本图像对应的度量分类预测概率向量；[0327] 第二输入子单元2532，用于将预测图像辅助特征输入至全局初始分类器，在全局初始分类器中，根据预测图像辅助特征，确定查询样本图像对应的全局分类预测概率向量；[0328] 第三输入子单元2533，用于将预测图像辅助特征输入至角度初始分类器，在角度初始分类器中，根据预测图像辅助特征，确定查询样本图像对应的角度分类预测概率向量；[0329] 参数调整子单元2534，用于根据度量分类预测概率向量、全局分类预测概率向量、角度分类预测概率向量、第二图像类别信息以及真实旋转角度，对特征提取初始网络层、聚类块连接初始网络层、第一线性初始网络层、度量初始分类器、角度初始分类器、全局初始分类器分别包括的参数进行调整，将调整后的图像识别初始模型确定为预训练图像识别模型。[0330] 其中，第一输入子单元2531、第二输入子单元2532、第三输入子单元2533以及参数调整子单元2534的具体功能实现方式可以参见上述图11对应实施例中的步骤S401‑步骤S404，这里不再进行赘述。[0331] 再请参见图13，参数调整子单元2534可以包括：第一确定子单元25341、第二确定子单元25342、第三确定子单元25343以及第四确定子单元25344。[0332] 第一确定子单元25341，用于根据度量分类预测概率向量以及第二图像类别信息之间的交叉熵，确定查询样本图像的度量损失值；[0333] 第二确定子单元25342，用于根据全局分类预测概率向量以及第二图像类别信息之间的交叉熵，确定查询样本图像的全局损失值；[0334] 第三确定子单元25343，用于根据角度分类预测概率向量以及真实旋转角度之间的交叉熵，确定查询样本图像的角度损失值；[0335] 第四确定子单元25344，用于对度量损失值、全局损失值以及角度损失值进行加权求和处理，得到总损失值，根据总损失值，对特征提取初始网络层、聚类块连接初始网络层、第一线性初始网络层、度量初始分类器、角度初始分类器、全局初始分类器分别包括的参数进行调整，将调整后的图像识别初始模型确定为预训练图像识别模型。[0336] 其中，第一确定子单元25341、第二确定子单元25342、第三确定子单元25343以及第四确定子单元25344的具体功能实现方式可以参见上述图11对应实施例中的步骤S404，这里不再进行赘述。[0337] 再请参见图13，第二调整模块27可以包括：第一输入单元271、第二输入单元272、第三输入单元273、第四输入单元274以及第二调整单元275。[0338] 第一输入单元271，用于将至少两个目标图像集分别输入至预训练图像识别模型；预训练图像识别模型包括特征提取网络层、自相关聚类块连接初始网络层、第二线性初始网络层以及微调初始分类器；至少两个目标图像集包括目标图像Xy，y为正整数，且y小于或等于至少两个目标图像集包含的目标图像对应的总数量；[0339] 第二输入单元272，用于通过特征提取网络层，对目标图像Xy进行特征提取，得到目标图像Xy对应的目标图像初始特征，将目标图像Xy对应的目标图像初始特征输入至自相关聚类块连接初始网络层；[0340] 第三输入单元273，用于通过自相关聚类块连接初始网络层，对目标图像Xy对应的目标图像初始特征进行自注意力增强，得到目标图像Xy对应的预测待处理目标特征，将预测待处理目标特征输入至第二线性初始网络层；[0341] 第四输入单元274，用于通过第二线性初始网络层，对预测待处理目标特征进行线性处理，得到目标图像Xy对应的预测目标优化特征，将预测目标优化特征输入至微调初始分类器；[0342] 第四输入单元274，还用于在微调初始分类器中，根据预测目标优化特征确定目标图像Xy对应的预测微调分类概率向量；[0343] 第二调整单元275，用于根据至少两个目标图像集包含的每个目标图像分别对应的预测微调分类概率向量以及每个目标图像分别对应的第三图像类别信息，对自相关聚类块连接初始网络层、第二线性初始网络层以及微调初始分类器分别包括的参数进行调整，将调整后的预训练图像识别模型确定为图像识别模型。[0344] 其中，第一输入单元271、第二输入单元272、第三输入单元273、第四输入单元274以及第二调整单元275的具体功能实现方式可以参见上述图7对应实施例中的步骤S308，这里不再进行赘述。[0345] 本申请实施例提出一种基于小样本相似块聚类学习的图像分类方法，在数据量非常少的情况下，仍能达到较高的分类准确率。本申请基于度量学习的思路，对样本间距离分布进行建模，使得属于同类样本靠近，异类样本远离；训练图像识别初始模型时，本申请增加辅助任务，与小样本学习任务共同训练，通过辅助任务来提高深度特征的表征能力，进而提升小样本学习任务性能；提出聚类块连接网络层，让深度网络在提取特征时更专注于主体对象特征区域，降低背景对象特征的干扰；提出自相关聚类块连接网络层，让图像识别模型在少量样本上进行学习，提升特征的辨别能力。[0346] 进一步地，请参见图14，图14是本申请实施例提供的一种计算机设备的结构示意图。如图14所示，该计算机设备1000可以包括：至少一个处理器1001，例如CPU，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏(Display)、键盘(Keyboard)，网络接口1004可选地可以包括标准的有线接口、无线接口(如WI‑FI接口)。存储器1005可以是高速RAM存储器，也可以是非不稳定的存储器(non‑volatilememory)，例如至少一个磁盘存储器。存储器1005可选地还可以是至少一个位于远离前述处理器1001的存储装置。如图14所示，作为一种计算机存储介质的存储器1005可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。[0347] 在图14所示的计算机设备1000中，网络接口1004可提供网络通讯功能；而用户接口1003主要用于为用户提供输入的接口；而处理器1001可以用于调用存储器1005中存储的设备控制应用程序，以实现：[0348] 获取查询图像对应的查询图像初始特征，获取至少两个目标图像集分别对应的目标图像初始特征；至少两个目标图像集分别对应的图像类别信息互不相同；[0349] 对至少两个目标图像初始特征分别对应的图像初始特征对进行特征增强，得到每个图像初始特征对分别对应的图像特征对；一个图像初始特征对包括查询图像初始特征以及一个目标图像初始特征；[0350] 根据至少两个图像特征对，生成用于表征至少两个目标图像集分别与查询图像之间的相似度的图像度量特征；[0351] 对查询图像初始特征进行自注意力增强，得到查询图像对应的图像优化特征；[0352] 根据图像度量特征以及图像优化特征，在至少两个图像类别信息中，确定查询图像对应的图像类别信息。[0353] 应当理解，本申请实施例中所描述的计算机设备1000可执行前文图3、图5、图7以及图11所对应实施例中对数据处理方法的描述，也可执行前文图12所对应实施例中对数据处理装置1的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。[0354] 进一步地，请参见图15，图15是本申请实施例提供的一种计算机设备的结构示意图。如图15所示，上述计算机设备2000可以包括：处理器2001，网络接口2004和存储器2005，此外，上述计算机设备2000还可以包括：用户接口2003，和至少一个通信总线2002。其中，通信总线2002用于实现这些组件之间的连接通信。其中，用户接口2003可以包括显示屏(Display)、键盘(Keyboard)，可选用户接口2003还可以包括标准的有线接口、无线接口。网络接口2004可选的可以包括标准的有线接口、无线接口(如WI‑FI接口)。存储器2005可以是高速RAM存储器，也可以是非易失性的存储器(non‑volatile memory)，例如至少一个磁盘存储器。存储器2005可选的还可以是至少一个位于远离前述处理器2001的存储装置。如图15所示，作为一种计算机可读存储介质的存储器2005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。[0355] 在图15所示的计算机设备2000中，网络接口2004可提供网络通讯功能；而用户接口2003主要用于为用户提供输入的接口；而处理器2001可以用于调用存储器2005中存储的设备控制应用程序，以实现：[0356] 从训练样本图像集中，获取至少两个目标样本图像集以及查询样本图像；每个目标样本图像集分别对应的第一图像类别信息互不相同；至少两个第一图像类别信息包括查询样本图像对应的第二图像类别信息；[0357] 将查询样本图像以及至少两个目标样本图像集分别输入至图像识别初始模型；[0358] 通过图像识别初始模型，获取查询样本图像对应的预测查询初始特征，获取至少两个目标样本图像集分别对应的预测目标初始特征；[0359] 对至少两个预测目标初始特征分别对应的预测初始特征对进行特征增强，得到每个预测初始特征对分别对应的预测特征对；一个预测初始特征对包括预测查询初始特征以及一个预测目标初始特征；[0360] 根据至少两个预测特征对，生成用于表征至少两个目标样本图像集分别与查询样本图像之间的预测相似度的预测图像度量特征；[0361] 根据预测图像度量特征以及第二图像类别信息，对图像识别初始模型中的参数进行调整，得到预训练图像识别模型；[0362] 获取至少两个目标图像集；每个目标图像集分别对应的第三图像类别信息互不相同；[0363] 根据至少两个目标图像集以及至少两个第三图像类别信息，对预训练图像识别模型中的参数进行调整，得到图像识别模型；图像识别模型用于识别查询图像对应的图像类别信息；查询图像对应的图像类别信息属于至少两个第三图像类别信息。[0364] 应当理解，本申请实施例中所描述的计算机设备2000可执行前文图3、图5、图7以及图11所对应实施例中对数据处理方法的描述，也可执行前文图13所对应实施例中对数据处理装置2的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。[0365] 本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令被处理器执行时实现图3、图5、图7以及图11中各个步骤所提供的数据处理方法，具体可参见上述图3、图5、图7以及图11各个步骤所提供的实现方式，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。[0366] 上述计算机可读存储介质可以是前述任一实施例提供的数据处理装置或者上述计算机设备的内部存储单元，例如计算机设备的硬盘或内存。该计算机可读存储介质也可以是该计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(smartmediacard，SMC)，安全数字(securedigital，SD)卡，闪存卡(flashcard)等。进一步地，该计算机可读存储介质还可以既包括该计算机设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该计算机设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。[0367] 本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备可执行前文图3、图5、图7以及图11所对应实施例中对数据处理方法的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。[0368] 本申请实施例的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、装置、产品或设备固有的其他步骤单元。[0369] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。[0370] 本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的，具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、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流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。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，该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。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流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。[0371] 以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

专利地区：广东

专利申请日期：2022-02-16

专利公开日期：2024-07-26

专利公告号：CN114529765B