CN107273859B - 一种照片自动标记方法及其系统 - Google Patents

一种照片自动标记方法及其系统 Download PDF

Info

Publication number
CN107273859B
CN107273859B CN201710466888.1A CN201710466888A CN107273859B CN 107273859 B CN107273859 B CN 107273859B CN 201710466888 A CN201710466888 A CN 201710466888A CN 107273859 B CN107273859 B CN 107273859B
Authority
CN
China
Prior art keywords
marked
photo
face
identity
person
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
CN201710466888.1A
Other languages
English (en)
Other versions
CN107273859A (zh
Inventor
周源
夏思宇
何寻
李钢
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.)
Nanjing Moshao Information Technology Co ltd
Original Assignee
Nanjing Moshao Information 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 Nanjing Moshao Information Technology Co ltd filed Critical Nanjing Moshao Information Technology Co ltd
Priority to CN201710466888.1A priority Critical patent/CN107273859B/zh
Publication of CN107273859A publication Critical patent/CN107273859A/zh
Application granted granted Critical
Publication of CN107273859B publication Critical patent/CN107273859B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种照片自动标记方法及其系统。所述方法包括：构建包含若干样本照片的训练集合；所述样本照片中包含至少一个已知人脸及其对应的人物身份；在所述训练集合中比对待标记照片，计算所述待标记照片包含所述人物身份的置信度；基于协同过滤的方法，根据所述置信度建立待标记照片与人物身份的分数矩阵并基于所述分数矩阵建立预测模型；根据所述预测模型，填充所述待标记照片与剩余人物身份的分数；根据所述待标记照片与人物身份的分数，为所述待标记照片标记至少一个人物身份。

Description

一种照片自动标记方法及其系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种照片自动标记方法及其系统。
背景技术
人脸识别是计算机视觉领域一个重要的研究方向。近年来，这方面的研究取得了很大发展，并且在很多应用领域开始运用。然而，随着在线社交网络服务的快速普及和发展，这些真实场景下中的人脸识别任务面临更多挑战：
例如，在大型网站上每天有大量的照片被上传和分享，其中大部分是来自家庭、朋友、同事等的人物照。对这些社交网络分享照片中的身份进行识别和确认，有助于社交平台挖掘理解用户的社会关系来提供更优质、更个性化的服务。
然而，这些日常生活中拍摄的照片在面部表情、姿态以及光照、拍摄距离和角度等方面有巨大差异，一般视觉识别算法难以取得满意的效果，比如传统的低层人脸特征在不可控环境的表达能力不佳；在图像处理领域取得突破性进展的深度学习技术的识别性能在很大程度上受之前环节——人脸检测和对齐效果的影响。
已有的人脸识别方法难以在实际应用中取得满意的性能，因此，现有技术还有待发展。
发明内容
鉴于上述现有技术的不足之处，本发明的目的在于提供一种照片自动标记方法及其系统，旨在解决现有技术中人脸识别方法难以在实际应用中取得满意性能，识别效果不佳的问题。
为了达到上述目的，本发明采取了以下技术方案：
一种照片自动标记方法，其中，包括：
构建包含若干样本照片的训练集合；所述样本照片中包含至少一个已知人脸及其对应的人物身份；
在所述训练集合中比对待标记照片，计算所述待标记照片包含所述人物身份的置信度；
基于协同过滤的方法，根据所述置信度建立待标记照片与人物身份的分数矩阵并基于所述分数矩阵建立预测模型；
根据所述预测模型，填充所述待标记照片与剩余人物身份的分数；
根据所述待标记照片与人物身份的分数，为所述待标记照片标记至少一个人物身份。
所述的方法，其中，所述在所述训练集合中比对待标记照片，计算所述待标记照片包含所述人物身份的置信度，具体包括：
将待标记照片与所述训练集合进行比对，计算待标记照片中的待标记人脸与所述样本照片中已知人脸之间的人脸相似度；
当所述人脸相似度大于或等于预定阈值时，确定所述待标记人脸与匹配的人物身份之间为一级信赖结果；
当所述人脸相似度小于预定阈值时，将所述待标记照片中所有的待标记人脸与所述训练集合中的人物身份遍历匹配，计算相似度；
取所述待标记人脸与每个人物身份的相似度最大值作为待标记照片的图片相似度向量；
通过比较待标记图片的图片相似度向量和样本照片的图片相似度向量，确定与所述待标记人脸匹配的人物身份；其中，所述待标记人脸与匹配的人物身份之间为二级信赖结果。
所述的方法，其中，当所述待标记人脸与匹配的人物身份之间为一级信赖结果时，所述置信度为人脸相似度乘以0.9；
当待标记人脸与匹配的人物身份之间为二级信赖结果时，所述置信度为图片相似度乘以0.6。
所述的方法，其中，所述方法还包括：
获取待标记照片中的评论者的人物身份；
将所述评论者的人物身份作为隐式信息，加入到所述预测模型中。
所述的方法，其中，所述分数矩阵通过如下算式表示：
Figure GDA0002580090010000031
其中，矩阵元素值S(i,j)代表了人物身份j出现在待标记照片i中的可能性，a，b为常数，表示最高和最低得分；c(i,j)是待标记照片i存在人物身份j的置信度。
一种照片自动标记系统，其中，包括：
训练数据库，用于构建包含若干样本照片的训练集合；所述样本照片中包含至少一个已知人脸及其对应的人物身份；
置信度计算模块，用于在所述训练集合中比对待标记照片，计算所述待标记照片包含所述人物身份的置信度；
评分模块，用于基于协同过滤的方法，根据所述置信度建立待标记照片与人物身份的分数矩阵并基于所述分数矩阵建立预测模型；以及根据所述预测模型，填充所述待标记照片与剩余人物身份的分数；
标记模块，用于根据所述待标记照片与人物身份的分数，为所述待标记照片标记至少一个人物身份。
所述的系统，其中，所述置信度计算模块具体用于：将待标记照片与所述训练集合进行比对，计算待标记照片中的待标记人脸与所述样本照片中已知人脸之间的人脸相似度；
当所述人脸相似度大于或等于预定阈值时，确定所述待标记人脸与匹配的人物身份之间为一级信赖结果；
当所述人脸相似度小于预定阈值时，将所述待标记照片中所有的待标记人脸与所述训练集合中的人物身份遍历匹配，计算相似度；
取所述待标记人脸与每个人物身份的相似度最大值作为待标记照片的图片相似度向量；
通过比较待标记图片的图片相似度向量和样本照片的图片相似度向量，确定与所述待标记人脸匹配的人物身份；其中，所述待标记人脸与匹配的人物身份之间为二级信赖结果。
所述的系统，其中，所述置信度计算模块具体用于：当所述待标记人脸与匹配的人物身份之间为一级信赖结果时，所述置信度为人脸相似度乘以0.9；
当待标记人脸与匹配的人物身份之间为二级信赖结果时，所述置信度为图片相似度乘以0.6。
所述的系统，其中，所述评分模块还用于：获取待标记照片中的评论者的人物身份；并且将所述评论者的人物身份作为隐式信息，加入到所述预测模型中。
所述的系统，其中，所述分数矩阵通过如下算式表示：
Figure GDA0002580090010000051
其中，矩阵元素值S(i,j)代表了人物身份j出现在待标记照片i中的可能性，a，b为常数，表示最高和最低得分；c(i,j)是待标记照片i存在人物身份j的置信度。
有益效果：本发明提供的一种照片自动标记方法及其系统，可以基于视觉人脸识别的基础上，基于协同过滤的思想，通过发掘照片中人物身份之间的内在关系，充分利用这些额外的上下文信息，建立模型对不同类型的资源进行融合，可以在额外花费代价不大的情况下获得整体识别效果的提升。
附图说明
图1为本发明具体实施例的照片自动标记方法的方法流程图；
图2为本发明具体实施例的照片自动标记系统的功能框图。
具体实施方式
本发明提供一种照片自动标记方法及其系统。为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
图1为本发明具体实施例的一种照片自动标记方法。在进行照片自动标记前，可以对样本照片和待标记照片进行一些预处理步骤，例如进行人脸检测、人脸对齐处理。或者进一步使用预训练好的深度卷积神经网络(DCNN)对处理好的人脸图像进行特征提取，得到的对应的特征向量，作为视觉处理结果应用于以下的方法步骤中。
如图1所示，所述方法可以包括如下步骤：
100、构建包含若干样本照片的训练集合；所述样本照片中包含至少一个已知人脸及其对应的人物身份。
200、在所述训练集合中比对待标记照片，计算所述待标记照片包含所述人物身份的置信度。
具体的，在本发明实施例中，所述置信度的计算可以分为两种不同的情况进行计算。
一方面，将待标记照片与所述训练集合进行比对，计算待标记照片中的待标记人脸与所述样本照片中已知人脸之间的人脸相似度。当所述人脸相似度大于或等于预定阈值时，确定所述待标记人脸与匹配的人物身份之间为一级信赖结果。
另一方面，当所述人脸相似度小于预定阈值时，将所述待标记照片中所有的待标记人脸与所述训练集合中的人物身份遍历匹配，计算相似度。
取所述待标记人脸与每个人物身份的相似度最大值作为待标记照片的图片相似度向量；最后通过比较待标记图片的图片相似度向量和样本照片的图片相似度向量，确定最匹配的样本照片中的包含的人物身份作为二级信赖结果。
在本实施例中，可以使用余弦距离来表示两个人脸特征之间的相似度以及图片相似度。对于一级信赖结果，所述置信度为人脸相似度乘以0.9。而对于二级信赖结果，所述置信度为图片相似度乘以0.6。
通过上述两级挑选的过程，对于人物身份j在待标记照片i中出现的可信赖程度可以用上述计算获得的置信度c(i,j)表示。
300、基于协同过滤的方法，根据所述置信度建立待标记照片与人物身份的分数矩阵并基于所述分数矩阵建立预测模型。
在本实施例中，所述分数矩阵具体可以通过如下算式表示：
Figure GDA0002580090010000071
其中，矩阵元素值S(i,j)代表了人物身份j出现在待标记照片i中的可能性，a，b为常数，表示最高和最低得分；c(i,j)是待标记照片i存在人物身份j的置信度。
可以理解的是，由于待标记照片的数量庞大而涉及人物身份的数量较少。因此，对应的分数矩阵是一个非常稀疏的矩阵。为了更好的建立所述预测模型，可以使用矩阵分解技术对该矩阵进行降维处理，将待标记照片和人物身份映射到一个联合的f维隐因子空间中。
将照片矩阵由P∈Rf×m表示，人物身份矩阵由Q∈Rf×n表示。内积结果Pi TQj将提取出照片i和j的关联并将被用于后续预测中。
最终的预测得分
Figure GDA0002580090010000081
由全局平均得分值(μ)、照片i的偏差值(bi)、人物身份j的偏差值(bj)以及照片i和人物身份j的内积(Pi TQj)组成。即
Figure GDA0002580090010000082
然后利用SVD算法对该所述预测模型进行参数求解。目标函数为最小化正则平方误差，即
Figure GDA0002580090010000083
上式中的正则化参数λ通常用交叉验证法确定。
最后，模型中参数的求解可利用随机梯度下降法。经过若干轮迭代，直到评分的均方根误差收敛到可接受范围内。
400、根据所述预测模型，填充所述待标记照片与剩余人物身份的分数。
500、根据所述待标记照片与人物身份的分数，为所述待标记照片标记至少一个人物身份。
在另一些实施例中，若待标记照片是实名制社交网站上，用户发布的照片用户通常将一些有关联的照片放在某个已命名的相册集中。根据调查数据，通常出现在照片中的人物身份也会出现在该照片评论者列表中。
由此，可以将这样的信息(即照片评论者列表中的评论者身份)作为一种额外的隐式信息加入到模型中。亦即，在构建所述预测模型前，获取待标记照片中的评论者的人物身份。然后，将所述评论者的人物身份作为隐式信息，加入到所述预测模型中。
在本实施例中，与社交网络照片对应的预测模型构建方法具体如下：
设与每个人物身份j相关的向量yj∈Rf，根据获取的参与照片评论者的人物身份，这些新的身份因子向量来表示该照片。因此，照片i被表示为
Figure GDA0002580090010000091
最终的预测得分
Figure GDA0002580090010000092
变为：
Figure GDA0002580090010000093
上式中的
Figure GDA0002580090010000094
即为隐式反馈项，C(i)为照片i下评论者的人物身份集合。相似地，利用SVD++算法可求得上述模型建立求解的目标函数：
Figure GDA0002580090010000095
最后，模型中参数的求解可利用随机梯度下降法。经过若干轮迭代，直到评分的均方根误差收敛到可接受范围内。
图2为本发明实施例提供的照片自动标记系统的功能框图。如图2所示，所述系统可以包括：训练数据库100、置信度计算模块200、评分模块300以及标记模块400。
其中，所述训练数据库100用于构建包含若干样本照片的训练集合；所述样本照片中包含至少一个已知人脸及其对应的人物身份。置信度计算模块200用于在所述训练集合中比对待标记照片，计算所述待标记照片包含所述人物身份的置信度。评分模块300用于基于协同过滤的方法，根据所述置信度建立待标记照片与人物身份的分数矩阵并基于所述分数矩阵建立预测模型；以及根据所述预测模型，填充所述待标记照片与剩余人物身份的分数。标记模块400用于根据所述待标记照片与人物身份的分数，为所述待标记照片标记至少一个人物身份。
具体的，所述置信度计算模块200具体用于：将待标记照片与所述训练集合进行比对，计算待标记照片中的待标记人脸与所述样本照片中已知人脸之间的人脸相似度；当所述人脸相似度大于或等于预定阈值时，确定所述待标记人脸与匹配的人物身份之间为一级信赖结果。
当所述人脸相似度小于预定阈值时，将所述待标记照片中所有的待标记人脸与所述训练集合中的人物身份遍历匹配，计算相似度；取所述待标记人脸与每个人物身份的相似度最大值作为待标记照片的图片相似度向量；通过比较待标记图片的图片相似度向量和样本照片的图片相似度向量，确定与所述待标记人脸匹配的人物身份；其中，所述待标记人脸与匹配的人物身份之间为二级信赖结果。
更具体的，所述置信度计算模块具体用于：当所述待标记人脸与匹配的人物身份之间为一级信赖结果时，所述置信度为人脸相似度乘以0.9；当待标记人脸与匹配的人物身份之间为二级信赖结果时，所述置信度为图片相似度乘以0.6。
在一些实施例中，所述评分模块还用于：获取待标记照片中的评论者的人物身份；并且将所述评论者的人物身份作为隐式信息，加入到所述预测模型中。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及本发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (6)

1.一种照片自动标记方法，其特征在于，包括：
构建包含若干样本照片的训练集合；所述样本照片中包含至少一个已知人脸及其对应的人物身份；
在所述训练集合中比对待标记照片，计算所述待标记照片包含所述人物身份的置信度，包括以下步骤：
将待标记照片与所述训练集合进行比对，计算待标记照片中的待标记人脸与所述样本照片中已知人脸之间的人脸相似度；
当所述人脸相似度大于或等于预定阈值时，确定所述待标记人脸与匹配的人物身份之间为一级信赖结果；
当所述人脸相似度小于预定阈值时，将所述待标记照片中所有的待标记人脸与所述训练集合中的人物身份遍历匹配，计算相似度；
取所述待标记人脸与每个人物身份的相似度最大值作为待标记照片的图片相似度向量；
通过比较待标记图片的图片相似度向量和样本照片的图片相似度向量，确定与所述待标记人脸匹配的人物身份；其中，所述待标记人脸与匹配的人物身份之间为二级信赖结果；
当所述待标记人脸与匹配的人物身份之间为一级信赖结果时，所述置信度为人脸相似度乘以0.9；
当待标记人脸与匹配的人物身份之间为二级信赖结果时，所述置信度为图片相似度乘以0.6；
基于协同过滤的方法，根据所述置信度建立待标记照片与人物身份的分数矩阵并基于所述分数矩阵建立预测模型；
根据所述预测模型，填充所述待标记照片与剩余人物身份的分数；
根据所述待标记照片与人物身份的分数，为所述待标记照片标记至少一个人物身份。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取待标记照片中的评论者的人物身份；
将所述评论者的人物身份作为隐式信息，加入到所述预测模型中。
3.根据权利要求1所述的方法，其特征在于，所述分数矩阵通过如下算式表示：
Figure FDA0002594949770000021
其中，矩阵元素值S(i,j)代表了人物身份j出现在待标记照片i中的可能性，a，b为常数，表示最高和最低得分；c(i,j)是待标记照片i存在人物身份j的置信度。
4.一种照片自动标记系统，其特征在于，包括：
训练数据库，用于构建包含若干样本照片的训练集合；所述样本照片中包含至少一个已知人脸及其对应的人物身份；
置信度计算模块，用于在所述训练集合中比对待标记照片，计算所述待标记照片包含所述人物身份的置信度；
将待标记照片与所述训练集合进行比对，计算待标记照片中的待标记人脸与所述样本照片中已知人脸之间的人脸相似度；
当所述人脸相似度大于或等于预定阈值时，确定所述待标记人脸与匹配的人物身份之间为一级信赖结果；
当所述人脸相似度小于预定阈值时，将所述待标记照片中所有的待标记人脸与所述训练集合中的人物身份遍历匹配，计算相似度；
取所述待标记人脸与每个人物身份的相似度最大值作为待标记照片的图片相似度向量；
通过比较待标记图片的图片相似度向量和样本照片的图片相似度向量，确定与所述待标记人脸匹配的人物身份；其中，所述待标记人脸与匹配的人物身份之间为二级信赖结果；
当所述待标记人脸与匹配的人物身份之间为一级信赖结果时，所述置信度为人脸相似度乘以0.9；
当待标记人脸与匹配的人物身份之间为二级信赖结果时，所述置信度为图片相似度乘以0.6；
评分模块，用于基于协同过滤的方法，根据所述置信度建立待标记照片与人物身份的分数矩阵并基于所述分数矩阵建立预测模型；以及根据所述预测模型，填充所述待标记照片与剩余人物身份的分数；
标记模块，用于根据所述待标记照片与人物身份的分数，为所述待标记照片标记至少一个人物身份。
5.根据权利要求4所述的系统，其特征在于，所述评分模块还用于：获取待标记照片中的评论者的人物身份；并且将所述评论者的人物身份作为隐式信息，加入到所述预测模型中。
6.根据权利要求4所述的系统，其特征在于，所述分数矩阵通过如下算式表示：
Figure FDA0002594949770000031
其中，矩阵元素值S(i,j)代表了人物身份j出现在待标记照片i中的可能性，a，b为常数，表示最高和最低得分；c(i,j)是待标记照片i存在人物身份j的置信度。
CN201710466888.1A 2017-06-20 2017-06-20 一种照片自动标记方法及其系统 Active CN107273859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710466888.1A CN107273859B (zh) 2017-06-20 2017-06-20 一种照片自动标记方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710466888.1A CN107273859B (zh) 2017-06-20 2017-06-20 一种照片自动标记方法及其系统

Publications (2)

Publication Number Publication Date
CN107273859A CN107273859A (zh) 2017-10-20
CN107273859B true CN107273859B (zh) 2020-10-02

Family

ID=60067780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710466888.1A Active CN107273859B (zh) 2017-06-20 2017-06-20 一种照片自动标记方法及其系统

Country Status (1)

Country Link
CN (1) CN107273859B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555124B (zh) * 2018-06-01 2024-07-19 北京京东尚科信息技术有限公司 图片选择方法、系统、介质和电子设备
CN108985899B (zh) * 2018-07-13 2022-04-22 合肥工业大学 基于cnn-lfm模型的推荐方法、系统及存储介质
CN110530863B (zh) * 2019-08-27 2022-04-05 南京末梢信息技术有限公司 一种汽车轮毂混包检测装置及方法
CN111626248B (zh) * 2020-06-01 2022-05-06 北京世纪好未来教育科技有限公司 颜值打分模型训练方法、颜值打分方法及相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984738A (zh) * 2014-05-22 2014-08-13 中国科学院自动化研究所 一种基于搜索匹配的角色标注方法
CN104700410A (zh) * 2015-03-14 2015-06-10 西安电子科技大学 基于协同过滤的教学视频标注方法
CN105335726A (zh) * 2015-11-06 2016-02-17 广州视源电子科技股份有限公司 人脸识别置信度获取方法和系统
CN106022317A (zh) * 2016-06-27 2016-10-12 北京小米移动软件有限公司 人脸识别方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100235313A1 (en) * 2009-03-16 2010-09-16 Tim Rea Media information analysis and recommendation platform
US9626552B2 (en) * 2012-03-12 2017-04-18 Hewlett-Packard Development Company, L.P. Calculating facial image similarity

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984738A (zh) * 2014-05-22 2014-08-13 中国科学院自动化研究所 一种基于搜索匹配的角色标注方法
CN104700410A (zh) * 2015-03-14 2015-06-10 西安电子科技大学 基于协同过滤的教学视频标注方法
CN105335726A (zh) * 2015-11-06 2016-02-17 广州视源电子科技股份有限公司 人脸识别置信度获取方法和系统
CN106022317A (zh) * 2016-06-27 2016-10-12 北京小米移动软件有限公司 人脸识别方法及装置

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
"A high-efficiency and high-accuracy fully automatic collaborative face annotation system for distributed online social networks";Huang S C et al;《IEEE Transactions on Circuits and Systems for Video Technology》;20141231;第24卷(第10期);全文 *
"Aiding face recognition with social context association rule based re-ranking";Bharadwaj S et al;《IEEE International Joint Conference on Biometrics》;20141231;第2014年卷;全文 *
"Collaborative and content-based image labeling";Zhou N et al;《2008 19th International Conference on Pattern Recognition》;20081231;全文 *
"Towards context-aware face recognition";Davis M et al;《Proceedings of the 13th annual ACM international conference on Multimedia》;20051231;全文 *
"协同过滤推荐算法综述";马宏伟等;《小型微型计算机系统》;20090731;第30卷(第7期);全文 *
"结合用户背景信息的协同过滤推荐算法";吴一帆等;《计算机应用》;20081130;第28卷(第11期);全文 *
"融合标注词相关性信息的图像语义标注研究";周宁;《中国优秀硕士学位论文全文数据库·信息科技辑》;20091215;第2009年卷(第12期);第五章 *

Also Published As

Publication number Publication date
CN107273859A (zh) 2017-10-20

Similar Documents

Publication Publication Date Title
US10832437B2 (en) Method and apparatus for assigning image location and direction to a floorplan diagram based on artificial intelligence
CN106980868B (zh) 用于具有多个文本标签的图像的嵌入空间
CN109101602B (zh) 图像检索模型训练方法、图像检索方法、设备及存储介质
US11556581B2 (en) Sketch-based image retrieval techniques using generative domain migration hashing
US10176196B2 (en) System, method and apparatus for scene recognition
CN113283551B (zh) 多模态预训练模型的训练方法、训练装置及电子设备
CN107102989B (zh) 一种基于词向量、卷积神经网络的实体消歧方法
CN107273859B (zh) 一种照片自动标记方法及其系统
CN106203242B (zh) 一种相似图像识别方法及设备
AU2015280393B2 (en) System, method and apparatus for organizing photographs stored on a mobile computing device
US20150317511A1 (en) System, method and apparatus for performing facial recognition
EP3084682B1 (en) System and method for identifying faces in unconstrained media
US20190332849A1 (en) Detection of near-duplicate images in profiles for detection of fake-profile accounts
Wang et al. Expression of Concern: Facial feature discovery for ethnicity recognition
CN114241459B (zh) 一种驾驶员身份验证方法、装置、计算机设备及存储介质
CN106355210B (zh) 基于深度神经元响应模式的绝缘子红外图像特征表达方法
CN112966685A (zh) 用于场景文本识别的攻击网络训练方法、装置及相关设备
CN113343981A (zh) 一种视觉特征增强的字符识别方法、装置和设备
Soimart Ingredients estimation and recommendation of Thai-foods
US20190347474A1 (en) Hybrid deep learning method for gender classification
CN112633224A (zh) 一种社交关系识别方法、装置、电子设备及存储介质
Miyazato et al. Development of a free viewpoint pedestrian recognition system using deep learning for multipurpose flying drone
Xu et al. Learning to generalize aerial person re‐identification using the meta‐transfer method
Gupta et al. Design and Analysis of an Expert System for the Detection and Recognition of Criminal Faces
Zhou et al. Collaborative filtering motivated automatic photo tagging

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant