(19)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 202211193482.8 (22)申请日 2022.09.28 (71)申请人 中国农业银行股份有限公司 地址 100005 北京市东城区建国门内大街 69号 (72)发明人 冯聪　 (74)专利代理 机构 北京同立钧成知识产权代理 有限公司 1 1205 专利代理师 石明　黄健 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/77(2022.01) G06V 10/80(2022.01) (54)发明名称 多视图数据处 理方法、 装置和服 务器 (57)摘要 本申请提供一种多视图数据处理方法、 装置 和服务器， 涉及数据处理领域。 该方法包括： 服务 器可以获取待处理数据。 每一待处理数据中可以 包括一个目标事物的预设数量个视图数据。 服务 器可以在得到待处理数据后， 将该待处理输入到 融合模型中。 该融合模型为训练好的典型相关分 析算法和线型判别分析算法融合后得到的融合 模型。 该融合模型可以对该待处理数据进行分 类， 确定该待处理数据对应的事物类型。 本申请 的方法， 提高了多视图数据的特征提取效率和识 别准确率。 权利要求书1页 说明书14页 附图3页 CN 115496968 A 2022.12.20 CN 115496968 A 1.一种多视图数据处 理方法， 其特 征在于， 所述方法， 包括： 获取待处 理数据， 所述待处 理数据中包括目标事物的预设数量个视图数据； 使用训练好的典型相关分析算法和线型判别分析算法的融合模型， 对所述待处理数据 进行预测， 确定所述待处 理数据对应的事物类型。 2.根据权利要求1所述的方法， 其特 征在于， 获取待处 理数据之后， 所述方法， 还 包括： 将所述待处理数据的每一视图数据输入所述融合模型进行数据预处理， 得到输入数 据， 所述输入数据中， 每一所述视图数据对应于一个特 征向量。 3.根据权利要求1或2所述的方法， 其特 征在于， 所述方法， 还 包括： 根据典型相关 分析算法模型和线型判别分析算法模型构建融合模型对应的目标函数； 将训练数据集合输入所述融合模型的所述目标函数， 计算得到所述融合模型的模型参 数； 使用所述模型参数构建所述融合模型。 4.根据权利要求3所述的方法， 其特征在于， 所述将训练数据集合输入所述融合模型的 所述目标函数， 计算得到所述融合模型的模型参数， 具体包括： 将训练数据集 合输入所述融合模型的所述目标函数， 迭代计算得到第一矩阵； 根据所述第一矩阵和典型相关 分析算法模型， 计算得到每一视图的转换矩阵； 根据所述第一矩阵和线型判别分析算法模型， 计算得到投影矩阵； 根据所述融合模型对应的所述目标函数和所述投影矩阵， 计算得到偏置参数。 5.根据权利要求3所述的方法， 其特征在于， 将训练数据集合输入所述融合模型的所述 目标函数之前， 所述方法， 还 包括： 获取训练数据集合， 所述训练数据集合中的一训练数据包括一事物的预设数量个视图 数据和所述事物的分类标签； 其中， 所述训练数据集合中每一所述训练数据所包括的视 图类别相同， 所述待处理数 据中包括的所述视图类别与所述训练数据中包括的所述视图类别相同。 6.根据权利要求3所述的方法， 其特征在于， 所述融合模型为根据 所述模型参数构建的 K近邻分类算法的线型函数。 7.一种多视图数据处 理装置， 其特 征在于， 所述装置， 包括： 获取模块， 用于获取待处理数据， 所述待处理数据中包括目标事物的预设数量个视 图 数据； 处理模块， 用于使用训练好的典型相关分析算法和线型判别分析算法的融合模型， 对 所述待处 理数据进行 预测， 确定所述待处 理数据对应的事物类型。 8.一种服务器， 其特征在于， 所述服务器， 包括： 存储器， 处理器； 所述存储器用于存储 计算机程序； 所述处理器用于根据所述存储器存储的计算机程序， 实现如权利要求1至6中 任意一项所述的多视图数据处 理方法。 9.一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， 所述计算机程序被处理器执行时用于实现如权利要求 1至6任一项 所述的多视图数据 处理方法。 10.一种计算机程序产品， 其特征在于， 所述计算机程序产品包括计算机程序， 所述计 算机程序被处 理器执行时实现权利要求1至 6任一项所述的多视图数据处 理方法。权　利　要　求　书 1/1 页 2 CN 115496968 A 2多视图数据处理 方法、 装置和服务器 技术领域 [0001]本申请涉及数据处 理领域， 尤其涉及一种多视图数据处 理方法、 装置和服 务器。 背景技术 [0002]随着数据采集技术的发展， 同一目标事物的信息可以用不同的方式或者从不同的 角度获取， 从而得到该目标事物的多视图数据。 多视图数据能更全面的描述该目标事物， 但 是同样也带来了大量的信息 冗余。 [0003]现有技术中， 服务器可以通过使用无监督的方法， 通过特征提取， 将该多视图数据 转换单视图数据。 服务器可以对这些单视图数据进行进一步特征提取， 得到视图特征。 其 后， 服务器可以对特征提取得到的各个视图的视图特征进行处理， 从而实现对目标事物的 分类。 [0004]然而， 上述方法将特征提取的过程分为独立的两个步骤， 忽 略了两个步骤之间的 相互影响， 容 易导致特征提取效果变差， 进 而导致对目标事物的分类准确率低的问题。 发明内容 [0005]本申请提供一种多视图数据处理方法、 装置和服务器， 用以解决目标事物的分类 准确率低的问题。 [0006]第一方面， 本申请提供一种多视图数据处 理方法， 包括： [0007]获取待处 理数据， 所述待处 理数据中包括目标事物的预设数量个视图数据； [0008]使用训练好的典型相关分析算法和线型判别分析算法的融合模型， 对所述待处理 数据进行 预测， 确定所述待处 理数据对应的事物类型。 [0009]可选地， 获取待处 理数据之后， 所述方法， 还 包括： [0010]将所述待处理数据的每一视图数据输入所述融合模型进行数据预处理， 得到输入 数据， 所述输入数据中， 每一所述视图数据对应于一个特 征向量。 [0011]可选地， 所述方法， 还 包括： [0012]根据典型相关分析算法模型和线型判别分析算法模型构建融合模型对应的目标 函数； [0013]将训练数据集合输入所述融合模型的所述目标函数， 计算得到所述融合模型的模 型参数； [0014]使用所述模型参数构建所述融合模型。 [0015]可选地， 所述将训练数据集合输入所述融合模型的所述目标函数， 计算得到所述 融合模型的模型参数， 具体包括： [0016]将训练数据集 合输入所述融合模型的所述目标函数， 迭代计算得到第一矩阵； [0017]根据所述第一矩阵和典型相关 分析算法模型， 计算得到每一视图的转换矩阵； [0018]根据所述第一矩阵和线型判别分析算法模型， 计算得到投影矩阵； [0019]根据所述融合模型对应的所述目标函数和所述投影矩阵， 计算得到偏置参数。说　明　书 1/14 页 3 CN 115496968 A 3