CN105701230B - 一种基于图像内容的用户兴趣细分方法及系统 - Google Patents

一种基于图像内容的用户兴趣细分方法及系统 Download PDF

Info

Publication number
CN105701230B
CN105701230B CN201610035278.1A CN201610035278A CN105701230B CN 105701230 B CN105701230 B CN 105701230B CN 201610035278 A CN201610035278 A CN 201610035278A CN 105701230 B CN105701230 B CN 105701230B
Authority
CN
China
Prior art keywords
user
label
training
model
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610035278.1A
Other languages
English (en)
Other versions
CN105701230A (zh
Inventor
张一文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Pinguo Technology Co Ltd
Original Assignee
Chengdu Pinguo Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Pinguo Technology Co Ltd filed Critical Chengdu Pinguo Technology Co Ltd
Priority to CN201610035278.1A priority Critical patent/CN105701230B/zh
Publication of CN105701230A publication Critical patent/CN105701230A/zh
Application granted granted Critical
Publication of CN105701230B publication Critical patent/CN105701230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于图像内容的用户兴趣细分方法及系统，包括训练用户标签模型和预测细分用户群组；所述训练用户标签模型，基于大量用户照片集的标签信息，利用LDA算法对用户的标签信息进行训练获得用户标签模型；预测细分新用户群组，运用所述用户标签模型预测并且细分新用户的个性化群组。本发明将用户贴上富有实际性的标签，并且用户不但可以继承多个标签，而且用户的兴趣会随着照片内容的更改而改变；不再将客户看成简单的数字，而是有不同偏好的个体，是提供个性化服务的基础。

Description

一种基于图像内容的用户兴趣细分方法及系统
技术领域
本发明属于图像处理技术领域，特别是涉及一种基于图像内容的用户兴趣细分方法及系统。
背景技术
数据挖掘可以提供客户洞察力，这对建立有效的市场营销、销售以及个性化策略是至关重要的。它会导致客户之间的个性化交流，因此通过数据分析来提升满意度以及有益的客户关系。通过客户生活周期的各个阶段，即从获取和建立一种强大的关系到预防摩擦和赢回失去的客户，它可支持一种“个性化”且优化的客户管理。营销人员努力获得更大的市场份额以及更大比例的客户。简单来讲，他们负责获取、开发并维持顾客。
为了能够提供个性化的市场营销战略，用户细分的主要流程是根据用户的一些特征，把用户群划分为不同的群体。基于数据挖掘的方法可以创建数据驱动的行为细分。细分算法可以分析行为数据，确认不同群组的客户并且提出基于数据格式的方法。在手动或者传统用户细分中，客户们按行为和使用特点进行细分。尽管行为分类可以由业务规则创建，这项方法拥有很多基础性的缺点。它只能有效地处理少数分类领域，而且其客观性是受到质疑的，因为它是基于业务专家的个人感知。
提取照片的标签信息，不像文档中的信息以相对标准的词和句子传输，图像在另一方面可通过极具表现性的二维像素点传达信息。形象地说，一个图像堪比一千个文字。在大数据和大信息量的当代，文档相对而言更易识别、分类和检索。然而，尽管图像数量不断增长，因图像数据复杂的图像表现结构，仍不得不说破译图像信息依旧是人类的一大任务。
LatentDirichletAllocation(潜在主题抽取)或者LDA算法，是一种被应用在文本挖掘方面的机器学习方法，通常目的在于从一个文档集合中自动发现专题论题。简而言之，LDA模型从一大堆文档集合中抽取一个预先确定数量的主题，而且该训练模式可以被用来推断其后任何文档的主题。
发明内容
为了解决上述问题，本发明提出了一种基于图像内容的用户兴趣细分方法及系统，将用户贴上富有实际性的标签，并且用户不但可以继承多个标签，而且用户的兴趣会随着照片内容的更改而改变；不再将客户看成简单的数字，而是有不同偏好的个体，是提供个性化服务的基础。
为达到上述目的，本发明采用的技术方案是：
一种基于图像内容的用户兴趣细分方法，包括训练用户标签模型和预测细分用户群组；
所述训练用户标签模型，基于大量用户照片集的标签信息，利用LDA算法对用户的标签信息进行训练获得用户标签模型；
所述预测细分新用户群组，运用所述用户标签模型预测并且细分新用户的个性化群组。
进一步的是，所述训练用户标签模型包括步骤：
(1.1)收集大量的用户和每个用户的用户照片集；
(1.2)对所述用户照片集进行标签处理，获取用户照片集的标签信息；
(1.3)将所述用户的标签信息转换成文本模式，形成文本文档；
(1.4)利用LDA算法训练所述文本文档，形成用户标签模型。
进一步的是，所述步骤(1.3)中，用户的标签信息将记录入文本文档，而他们的去向通过他们的POI信息反应出来，形成文本文档的内容。
进一步的是，利用用户经常入出的场所信息预测用户特征或行为习惯作为标签信息。
进一步的是，所述步骤(1.4)中，利用LDA算法进行模型训练生成预定数量的主要兴趣话题。
进一步的是，所述用户标签模型中所有标签信息的主要兴趣话题将划分为N个相关主题性的话题。
进一步的是，所述步骤(1.4)包括步骤：
(1.4.1)构建用户属性字典：结合所有训练用户文本文档形成字典，而且所述字典记录每一个标签出现的次数；移除文本文档中标签属性发生数少于5次的标签信息，因为出现频率太低的标签属性对降低模型的准确度；移除在文本文档中出现超过90％的标签信息，因为出现频率太高的标签属性会降低模型的准确度；在剩下的标签信息中，保留最前列的200个标签信息，200个标签信息是足够能满足用户偏好的维度，太多的标签信息会影响计算速度；
(1.4.2)用户标签模型：基于用户属性字典，创建代表整个训练数据集的词袋；利用所述词袋，把所有训练用户的标签信息从文本格式转换成BOW数据；利用BOW数据和相关参数训练用户标签模型。
进一步的是，预测细分新用户群组包括步骤：
(2.1)收集新用户照片集；
(2.2)对所述新用户照片集进行标签处理，获取新用户照片集的标签信息；
(2.3)将所述新用户的标签信息转换成文本模式，形成新用户的文本文档；
(2.4)把新用户的文本文档填充到已经训练好的用户标签模型中；
(2.5)所述用户标签模型输出新用户的各个主题可能性并与所有可能主题相对立，从而预测并且细分出新用户的个性化群组。
进一步的是，所述预测细分新用户群组，包括步骤：基于所述字典，构建新用户标签信息的BOW数据；将新用户的BOW数据填入所述用户标签模型；用户标签模型将输出新用户可能性主题，从而预测并且细分出新用户的个性化群组。
另一方面，本发明还提供了一种基于图像内容的用户兴趣细分系统，包括训练用户标签模型模块和预测细分用户群组模块，所述训练用户标签模型模块和预测细分用户群组模块设置在服务器中，所述训练用户标签模型模块连接所述预测细分用户群组模块，所述预测细分用户群组模块与客户端相互通信；
所述训练用户标签模型模块，基于大量用户照片集的标签信息，利用LDA算法对用户的标签信息进行训练获得用户标签模型；
所述预测细分新用户群组模块，运用所述用户标签模型预测并且细分新用户的个性化群组。
采用本技术方案的有益效果：通过建立在偏好属性的基础上对用户细分为个性化的群组；利用LDA算法，群组主题上类似的数据一起构成用户的个性化的群组；利用LDA算法能够预测或者细分新的或者未预见的用户为各种主题；将用户贴上富有实际性的标签，并且用户不但可以继承多个标签，而且用户的兴趣会随着照片内容的更改而改变；不再将客户看成简单的数字，而是有不同偏好的个体，是提供个性化服务的基础。
附图说明
图1为本发明的一种基于图像内容的用户兴趣细分方法流程示意图；
图2为本发明实施例中训练用户标签模型方法流程图；
图3为本发明实施例中训练用户标签模型方法流程示意图；
图4为本发明实施例中BOW数据转换示意图；
图5为本发明实施例中预测细分新用户群组方法的流程图；
图6为本发明实施例中新用户文本文档的示意图；
图7为本发明实施例中一种基于图像内容的用户兴趣细分系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在实施例一中，参见图1所示，本发明提出了一种基于图像内容的用户兴趣细分方法，一种基于图像内容的用户兴趣细分方法，包括训练用户标签模型和预测细分用户群组；
所述训练用户标签模型，基于大量用户照片集的标签信息，利用LDA算法对用户的标签信息进行训练获得用户标签模型；
所述预测细分新用户群组，运用所述用户标签模型预测并且细分新用户的个性化群组。
在实施例二中，在实施例一的基础上，如图2和图3所示，所述训练用户标签模型包括步骤：
(1.1)收集大量的用户和每个用户的用户照片集；
(1.2)对所述用户照片集进行标签处理，获取用户照片集的标签信息；
(1.3)将所述用户的标签信息转换成文本模式，形成文本文档；
(1.4)利用LDA算法训练所述文本文档，形成用户标签模型。
其中，所述步骤(1.3)中，用户的标签信息将记录入文本文档，而他们的去向通过他们的POI信息反应出来，形成文本文档的内容。
其中，利用用户经常入出的场所信息预测用户特征或行为习惯作为标签信息。
其中，所述步骤(1.4)中，利用LDA算法进行模型训练生成预定数量的主要兴趣话题，例如：
风景/美景；旅游；温泉；有人/群照；热带雨林；寺庙；天空；广场；游乐场；咖啡店；饮品/甜点；表演/舞台表演/舞台；塔/佛塔。
其中，所述用户标签模型中所有标签信息的主要兴趣话题将划分为N个相关主题性的话题；以下是用户标签模型生成的一部分的话题的名称和主要内容，分别是花园相关，美食相关，夜生活相关和旅游主题：
花园相关主题:花；花园/园林；植物/盆景；果园；野外；风景/美景；菜园；热带雨林；森林。
美食主题：美食/小吃；餐厅；美食广场；店/食品店；咖啡店；糖果店；饮品/甜点；甜点/蛋糕；餐馆厨房。
夜生活主题:音乐室；表演/舞台；仪器；舞厅/表演；演播室；健身房；舞台；礼堂；酒吧；拳击台/比赛。
旅游主题:风景/美景；城市建筑；旅游；天空；池塘/河水；江流/江河；河口/河湾；森林；热带雨林；林场。
在实施例三中，所述训练用户标签模型包括步骤：
(1.1)收集大量的用户和每个用户的用户照片集；
随机挑选一组数百万级用户构成用户照片集。
(1.2)对所述用户照片集进行标签处理，获取用户照片集的标签信息；
根据每一个用户的最近的50张照片来提取标签信息，范围条件是识别系统认定最可靠的三个标签。
(1.3)将所述用户的标签信息转换成文本模式，形成文本文档；
把标签信息变成文字的格式，把所有标签信息合拼起来，每一个用户就是一个文本文档。
(1.4)利用LDA算法训练所述文本文档，形成用户标签模型：
(1.4.1)构建用户属性字典：
(a)结合所有训练用户文本文档形成字典，而且所述字典记录每一个标签出现的次数；比如，“美食”在5000个训练用户图片里出现过，那么这个标签的频率就是5000。
(b)移除文本文档中标签属性发生数少于5次的标签信息，因为出现频率太低的标签属性对降低模型的准确度。
(c)移除在文本文档中出现超过90％的标签信息，因为出现频率太高的标签属性会降低模型的准确度。
(d)在剩下的标签信息中，保留最前列的200个标签信息，200个标签信息是足够能满足用户偏好的维度，太多的标签信息会影响计算速度。
(1.4.2)用户标签模型：
(a)基于用户属性字典，创建代表整个训练数据集的词袋；
(b)利用所述词袋，把所有训练用户的标签信息从文本格式转换成BOW数据；如图4所示，所有的训练用户都会1或0来代替他们的偏好，1代表这个用户拥有某个标签，0代表用户没有这个标签。
(c)利用BOW数据和相关参数训练用户标签模型；
相关参数包括：
信息组块大小(Chunksize)：2000；
次数(Passes)：1；
α(Alpha)＝对称；
η(Eta)＝默认值；
衰减系数(Decay)＝0.5；
迭代(Iteration)＝50；
γ(Gamma)＝0.001。
所述预测细分新用户群组，包括步骤：
基于所述字典，构建新用户标签信息的BOW数据；
将新用户的BOW数据填入所述用户标签模型；
用户标签模型将输出新用户可能性主题，从而预测并且细分出新用户的个性化群组。
在实施例四中，在实施例一的基础上，如图5所示，预测细分新用户群组包括步骤：
(2.1)收集新用户照片集；
(2.2)对所述新用户照片集进行标签处理，获取新用户照片集的标签信息；
(2.3)将所述新用户的标签信息转换成文本模式，形成新用户的文本文档；
以文本格式形成新用户照片集标签信息，用户标签模型则能够判断用户所属话题，相当于根据所有照片标签信息细分用户，如图6所示。
(2.4)把新用户的文本文档填充到已经训练好的用户标签模型中；
(2.5)所述用户标签模型输出新用户的各个主题可能性并与所有可能主题相对立，从而预测并且细分出新用户的个性化群组。
为配合本发明方法的实现，基于相同的发明构思，如图7所示，本发明还提供了一种基于图像内容的用户兴趣细分系统，包括训练用户标签模型模块和预测细分用户群组模块，所述训练用户标签模型模块和预测细分用户群组模块设置在服务器中，所述训练用户标签模型模块连接所述预测细分用户群组模块，所述预测细分用户群组模块与客户端相互通信；
所述训练用户标签模型模块，基于大量用户照片集的标签信息，利用LDA算法对用户的标签信息进行训练获得用户标签模型；
所述预测细分新用户群组模块，运用所述用户标签模型预测并且细分新用户的个性化群组。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本实发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于图像内容的用户兴趣细分方法，其特征在于，包括训练用户标签模型和预测细分新用户群组；
所述训练用户标签模型，基于大量用户照片集的标签信息，利用LDA算法对用户的标签信息进行训练获得用户标签模型；
所述预测细分新用户群组，运用所述用户标签模型预测并且细分新用户的个性化群组；
所述训练用户标签模型包括步骤：
1.1收集大量的用户和每个用户的用户照片集；
1.2对所述用户照片集进行标签处理，获取用户照片集的标签信息；
1.3将所述用户的标签信息转换成文本模式，形成文本文档；
1.4利用LDA算法训练所述文本文档，形成用户标签模型；
所述步骤1.4包括步骤：
1.4.1构建用户属性字典：结合所有训练用户文本文档形成用户属性字典，而且所述字典记录每一个标签出现的次数；移除文本文档中标签属性发生数少于5次的标签信息；移除在文本文档中出现超过90％的标签信息；在剩下的标签信息中，保留最前列的200个标签信息；
1.4.2构建用户标签模型：基于步骤1.4.1用户属性字典，创建代表整个训练数据集的词袋；利用所述词袋，把所有训练用户的标签信息从文本格式转换成BOW数据；利用BOW数据和相关参数训练用户标签模型。
2.根据权利要求1所述的一种基于图像内容的用户兴趣细分方法，其特征在于，所述步骤1.3中，用户的标签信息将记录入文本文档，而他们的去向通过他们的POI信息反应出来，形成文本文档的内容。
3.根据权利要求1所述的一种基于图像内容的用户兴趣细分方法，其特征在于，利用用户经常出入的场所信息预测用户特征或行为习惯作为标签信息。
4.根据权利要求1所述的一种基于图像内容的用户兴趣细分方法，其特征在于，所述步骤1.4中，利用LDA算法进行模型训练生成预定数量的主要兴趣话题。
5.根据权利要求3所述的一种基于图像内容的用户兴趣细分方法，其特征在于，所述用户标签模型中所有标签信息的主要兴趣话题将划分为N个相关主题性的话题。
6.根据权利要求1所述的一种基于图像内容的用户兴趣细分方法，其特征在于，预测细分新用户群组包括步骤：
2.1收集新用户照片集；
2.2对所述新用户照片集进行标签处理，获取新用户照片集的标签信息；
2.3将所述新用户的标签信息转换成文本模式，形成新用户的文本文档；
2.4把新用户的文本文档填充到已经训练好的用户标签模型中；
2.5所述用户标签模型输出新用户的各个主题可能性并与所有可能主题相对立，从而预测并且细分出新用户的个性化群组。
7.根据权利要求3所述的一种基于图像内容的用户兴趣细分方法，其特征在于，所述预测细分新用户群组，包括步骤：基于所述字典，构建新用户标签信息的BOW数据；将新用户的BOW数据填入所述用户标签模型；用户标签模型将输出新用户可能性主题，从而预测并且细分出新用户的个性化群组。
8.一种基于图像内容的用户兴趣细分系统，其特征在于，包括训练用户标签模型模块和预测细分新用户群组模块，所述训练用户标签模型模块和预测细分新用户群组模块设置在服务器中，所述训练用户标签模型模块连接所述预测细分新用户群组模块，所述预测细分新用户群组模块与客户端相互通信；
所述训练用户标签模型模块，基于大量用户照片集的标签信息，利用LDA算法对用户的标签信息进行训练获得用户标签模型；
所述预测细分新用户群组模块，运用所述用户标签模型预测并且细分新用户的个性化群组；
所述训练用户标签模型模块用于执行以下步骤：
1.1收集大量的用户和每个用户的用户照片集；
1.2对所述用户照片集进行标签处理，获取用户照片集的标签信息；
1.3将所述用户的标签信息转换成文本模式，形成文本文档；
1.4利用LDA算法训练所述文本文档，形成用户标签模型；
所述步骤1.4包括步骤：
1.4.1构建用户属性字典：结合所有训练用户文本文档形成用户属性字典，而且所述字典记录每一个标签出现的次数；移除文本文档中标签属性发生数少于5次的标签信息；移除在文本文档中出现超过90％的标签信息；在剩下的标签信息中，保留最前列的200个标签信息；
1.4.2构建用户标签模型：基于步骤1.4.1用户属性字典，创建代表整个训练数据集的词袋；利用所述词袋，把所有训练用户的标签信息从文本格式转换成BOW数据；利用BOW数据和相关参数训练用户标签模型。
CN201610035278.1A 2016-01-19 2016-01-19 一种基于图像内容的用户兴趣细分方法及系统 Active CN105701230B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610035278.1A CN105701230B (zh) 2016-01-19 2016-01-19 一种基于图像内容的用户兴趣细分方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610035278.1A CN105701230B (zh) 2016-01-19 2016-01-19 一种基于图像内容的用户兴趣细分方法及系统

Publications (2)

Publication Number Publication Date
CN105701230A CN105701230A (zh) 2016-06-22
CN105701230B true CN105701230B (zh) 2020-01-17

Family

ID=56226660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610035278.1A Active CN105701230B (zh) 2016-01-19 2016-01-19 一种基于图像内容的用户兴趣细分方法及系统

Country Status (1)

Country Link
CN (1) CN105701230B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108984555B (zh) * 2017-06-01 2021-09-28 腾讯科技（深圳）有限公司 用户状态挖掘和信息推荐方法、装置以及设备
CN111506617B (zh) * 2019-01-31 2023-10-20 华为技术有限公司 一种基于用户数据生成标签的方法及装置
CN109933678B (zh) * 2019-03-07 2021-04-06 合肥工业大学 艺术品推荐方法、装置、可读介质及电子设备
CN110070148B (zh) * 2019-03-15 2021-06-29 北京木业邦科技有限公司 一种林业产品特征分析方法、装置及计算机可读介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050298A (zh) * 2014-07-04 2014-09-17 成都品果科技有限公司 一种基于lda主题模型算法的用户细分方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050298A (zh) * 2014-07-04 2014-09-17 成都品果科技有限公司 一种基于lda主题模型算法的用户细分方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于Dropout深度网络的两步图像标注算法;杨阳 等;《计算机科学与探索》;20150610;第1494-1505页 *
基于图像内容的用户兴趣模型研究;杨海涛 等;《计算机工程与应用》;20101121;第208-211页 *

Also Published As

Publication number Publication date
CN105701230A (zh) 2016-06-22

Similar Documents

Publication Publication Date Title
Arefieva et al. A machine learning approach to cluster destination image on Instagram
Ledin et al. Doing visual analysis: From theory to practice
Kim et al. Understanding destination personality through visitors' experience: A cross-cultural perspective
Stepchenkova et al. Visual destination images of Peru: Comparative content analysis of DMO and user-generated photography
CN105701230B (zh) 一种基于图像内容的用户兴趣细分方法及系统
CN108280233A (zh) 一种基于深度学习的视频gis数据检索方法
Deng et al. Where did you take those photos? Tourists’ preference clustering based on facial and background recognition
CN104142995B (zh) 基于视觉属性的社会事件识别方法
CN102708164B (zh) 电影期望值的计算方法及系统
WO2018119593A1 (zh) 一种语句推荐方法及装置
Zhao et al. Jdnet: A joint-learning distilled network for mobile visual food recognition
Madan et al. Synthetically trained icon proposals for parsing and summarizing infographics
Gomez et al. Learning from barcelona instagram data what locals and tourists post about its neighbourhoods
Fiallos et al. Detecting topics and locations on Instagram photos
Yim et al. Is a picture worth a thousand views? Measuring the effects of travel photos on user engagement using deep learning algorithms
Siyamiyan Gorji et al. Analysis of the projected image of tourism destinations on photographs: The case of Iran on Instagram
Fälton The romantic tourist gaze on Swedish national parks: Tracing ways of seeing the non-human world through representations in tourists’ Instagram posts
Ruta et al. Stylebabel: Artistic style tagging and captioning
Pan et al. Gender, framing, and travelogues
You et al. Automatic synthesis of advertising images according to a specified style
Vu et al. Abroad-at-Home: Identifying domestic tourism locations for overseas-like travel experiences by leveraging concept modeling
Intasuwan et al. Text and object detection on billboards
CN109657043A (zh) 自动生成文章的方法、装置、设备及存储介质
Hagen et al. Image memorability prediction with vision transformers
Santos et al. Uncovering the perception of urban outdoor areas expressed in social media

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 610041 the 13 floor of No. 1 middle Tianfu Avenue, No. 1268, high-tech zone, Chengdu, Sichuan.

Applicant after: Chengdu PinGuo Digital Entertainment Ltd.

Address before: 610000 No. 216 South City Road, Chengdu hi tech Zone, Sichuan

Applicant before: Chengdu PinGuo Digital Entertainment Ltd.

GR01 Patent grant
GR01 Patent grant