CN107729946A - 图片分类方法、装置、终端及存储介质 - Google Patents
图片分类方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN107729946A CN107729946A CN201711020781.0A CN201711020781A CN107729946A CN 107729946 A CN107729946 A CN 107729946A CN 201711020781 A CN201711020781 A CN 201711020781A CN 107729946 A CN107729946 A CN 107729946A
- Authority
- CN
- China
- Prior art keywords
- picture
- classification
- pending
- character relation
- pictures
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Abstract
本申请实施例公开了一种图片分类方法、装置、终端及存储介质。该方法包括:获取待处理图片;将所述待处理图片输入图片归类模型,以标记所述待处理图片的人物关系类别,其中,所述图片归类模型包括根据图片样本集训练的模型;根据所述人物关系类别对所述待处理图片进行分类处理。本申请实施例通过采用上述技术方案,能够准确得到图片中的人物关系,并通过人物关系进行分类,本申请实施例改善了相关技术图片分类功能单一的现象,从人物关系这一维度进行分类,提供了特定的分类方法,便于用户查找图片。
Description
技术领域
本申请实施例涉及图像处理技术领域,尤其涉及一种图片分类方法、装置、终端及存储介质。
背景技术
随着信息技术的迅速发展,人们对移动终端的依赖程度越来越高。
用户不仅可以通过移动终端进行拍照,还可以获取各类社交应用以及网页浏览的各种各样的照片以及图片,导致移动终端中会存储大量不同类型以及内容的图片。
但是现有移动终端只能按照拍摄顺序或图片获取日期进行浏览,无法满足用户方便的浏览特定图片的需求,图片分类功能较单一,且浪费用户查找特定图片的时间。
发明内容
本申请实施例提供一种图片分类方法、装置、终端及存储介质,可以优化移动终端对图片分类的功能。
第一方面,本申请实施例提供了一种图片分类方法,该方法包括:
获取待处理图片;
将所述待处理图片输入图片归类模型,以标记所述待处理图片的人物关系类别,其中,所述图片归类模型包括根据图片样本集训练的模型;
根据所述人物关系类别对所述待处理图片进行分类处理。
第二方面,本申请实施例还提供了一种图片分类装置,该装置包括:
图片获取模块,用于获取待处理图片;
类别标记模块,用于将所述待处理图片输入图片归类模型,以标记所述待处理图片的人物关系类别,其中,所述图片归类模型包括根据图片样本集训练的模型;
图片处理模块,用于根据所述人物关系类别对所述待处理图片进行分类处理。
第三方面,本申请实施例还提供了一种终端,包括第一存储器、第一处理器及存储在所述第一存储器上并可在所述第一处理器上运行的计算机程序,所述第一处理器执行所述计算机程序时实现本申请实施例所述的图片分类方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的图片分类方法。
本申请实施例中提供的图片分类方案,通过获取待处理图片将所述待处理图片输入图片归类模型,以标记所述待处理图片的人物关系类别,并根据所述人物关系类别对所述待处理图片进行分类处理。通过采用上述技术方案,使用图片归类模型对待处理图片中的人物关系进行分类,能够准确得到图片中的人物关系,并通过人物关系进行分类,本申请实施例改善了相关技术图片分类功能单一的现象,从人物关系这一维度进行分类,提供了特定的分类方法,便于用户查找图片。
附图说明
图1为本申请实施例提供的一种图片分类方法的流程示意图;
图2是本申请实施例提供的又一种图片分类方法的流程示意图;
图3是本申请实施例提供的又一种图片分类方法的流程示意图;
图4是本申请实施例提供的又一种图片分类方法的流程示意图;
图5是本申请实施例提供的又一种图片分类方法的流程示意图;
图6是本申请实施例提供的一种图片分类装置的结构示意图;
图7A是本申请实施例中的一种终端的结构示意图;
图7B是本申请实施例中的又一种终端的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
相关技术中,移动终端图片库里的图片以时间进行排序,且最先呈现最新拍摄的图片。用户在使用移动终端期间,经常会发生如下情况:用户主动与朋友分享一些图片,或者应朋友要求查找某些图片时,打开移动终端的图片库后,各种类型的图片杂乱无章的呈现在朋友面前,从而用户需要在众多杂乱无章的图片中查找将要分享的图片。
本申请实施例提供了一种图片分类方法,可用于对终端设备图片库中的图片进行分类整理,使得用户可快速在分类后的图片库中找到图片,具体方法如下:
图1为本申请实施例提供的一种图片分类的流程图,本实施例可适用于通过终端设备对图片进行分类的情况,所述方法由图片分类的装置来执行,所述装置由软件和/或硬件来执行,所述装置配置在诸如手机、平板电脑等终端设备中。如图1所示,本实施例提供的技术方案具体如下:
步骤110、获取待处理图片。
其中,待处理图片包括用户需要进行分类的图片,可包括含有人物的图片。本申请实施例对待处理图片的获取途径不做限定,例如可以是用户在终端设备的图片库中存储的拍摄照片,也可以是从网络平台或服务器下载的兴趣图片,还可以是应用软件中收藏的各种图片。并且,待处理图片的格式可以为BMP(Bitmap)格式、JPG(JPEG,Joint PhotographicExperts Group)格式、TIFF(TagImage File Format)格式、PSD(Photoshop Document)格式、PNG(Portable Network Graphics)格式以及SWF(Shockwave Format)格式等,本申请实施例对待处理图片的格式不作限定。
具体的,终端设备对待处理图片的分类操作可以由终端设备的系统执行,或者由终端设备中的图片处理软件执行,获取待处理图片的操作可以在用户的操作指示下由系统或图片处理软件执行。当用户有需求对图片进行分类操作时,通常可以打开图片处理的操作界面,将待处理图片添加至该操作界面中进行操作;或者用户在终端设备中的图片库、应用软件或者网络中浏览图片时,可以随时将心仪的图片选定为待处理图片,并触发打开图片处理的操作界面的指令,用以对待处理照片进行识别以分类;或者还可以当用户终端设备中的图片库有新添图片时,可自动对新添图片进行分类操作。并且,终端在用户的操作指示下可以获取一张待处理图片,或者获取多张待处理图片,对待处理图片的张数不作限定。
步骤120、将所述待处理图片输入图片归类模型,以标记所述待处理图片的人物关系类别。
其中,所述图片归类模型包括根据图片样本集训练的模型。
其中,图片归类模型为用于在输入待处理图片后快速标记出待处理图片人物关系类别的学习模型。图片归类模型可以是神经网络模型,其中,该神经网络模型可以是卷积神经网络模型,也可以是非卷积神经网络,且本申请实施例中对该神经网络模型的层数、层、不同卷积核和/或权重等网络参数不作限定。如,本申请实施例中的图片归类模型可以为包含五个卷积层与两个池化层的神经网络模型。
其中,人物关系类别包括下述至少一个:同学类别、同事类别、家人类别、亲戚类别、爱人类别、好友类别以及自拍类别等。需要说明的是,本申请实施例中的图片归类模型输出的人物关系类别可以为一个或多个。例如,用户的同学也可同时是用户的同事,用户的家人也可同时是用户的同事等。当用户对待处理图片的人物关系类别标记为多个时,可以同时将该待处理图片归类至多个类别。具体例如,若待处理图片人物同时为用户的同学与同事,那么则可将该待处理图片归类至同事类别与同学类别,用户在同事类别与同学类别包含的图片中均可找到该待处理图片。或者,为了节省移动终端的存储空间,当待处理图片的标记为多个时,移动终端可以向用户发出人物关系类别确定的请求,接收用户选择的人物关系类别作为该待处理图片的人物关系类别。
其中,图片样本集为包含了大量包含人物图片的样本集,可存储于终端设备本地,也可存储于对应的服务器中。图片样本集可以包含已标记人物关系类别的样本图片,也可包含未标记人物关系类别的样本图片。本申请实施例可以根据图片样本集中样本图片包含的人物特征、图片环境特征等训练图片归类模型。其中,人物特征可以包括服装特征、行为特征、数量特征、人物成员结构特征以及年龄特征。例如,同学类别的服装特征可包括校服、校徽,同事类别的服装特征可包括工服、工牌;又例如,行为特征可以包含肢体接触程度,如爱人类别与家人类别的的肢体接触程度大于同学类别与同事类别;还例如,家人类别的人物成员结构特征经常包括父亲、母亲与孩子;亲戚类别的人物构成特征经常包括年龄层次多,数量多,以及包含老人与孩子等。
本申请实施例中,利用图片样本集训练图片归类模型以调整图片归类模型的权重等网络参数,最后能够达到对各种类型图片标注人物关系类别的效果。且经大量的迭代训练得到的图片归类模型具有对输入的待处理图片进行加权计算的能力,从而能够快速对待处理图片内包含的内容进行人物关系类别的判断。
步骤130、根据所述人物关系类别对所述待处理图片进行分类处理。
在图片归类模型输出待处理图片的人物关系类别后,可通过待处理图片标记的人物关系类别进行分类。具体的,如果待处理图片为一张,那么可对该张待处理图片归类为标记的人物关系类别;如果待处理图片为多张,那么可根据人物关系类别对待处理图片进行分类。具体例如,将多张待处理图片输入图片归类模型,统计多张待处理图片的分类类别,若存在两种人物关系类别,则将待处理图片分为两类,并将具有相同人物关系类别的待处理图片归为一类,若存在三种人物关系类别,则将待处理图片分为三类,并将具有相同人物关系类别的待处理图片归为一类。
需要说明的是,本申请实施例对包含人物的待处理图片进行分类。若待处理图片为非人物类图片,若输入图片归类模型后,则可提示用户该待处理图片不符合规格,等待接收用户移除该待处理图片的操作;或者,也可将该待处理图片标记为“无人物关系类别”进行分类。需要说明的是,当图片归类模型可以将待处理图片归类为“无人物关系类别”时,可以进一步针对可输出“无人物关系类别”的图片归类模型进行进一步训练,具体例如,可根据图片环境特征、图片拍摄地点、图片拍摄时间或者图片来源等对不包含人物的待处理图片进行分类处理。
本申请实施例中提供的图片分类方法,通过获取待处理图片将所述待处理图片输入图片归类模型,以标记所述待处理图片的人物关系类别,并根据所述人物关系类别对所述待处理图片进行分类处理,能够准确得到图片中的人物关系,并通过人物关系进行分类,本申请实施例改善了相关技术图片分类功能单一的现象,从人物关系这一维度进行分类,提供了特定的分类方法,便于用户查找图片。
示例性的,在根据所述人物关系类别对所述待处理图片进行分类处理之前,还可包括:若检测到所述移动终端图片库中存在新添图片,则将所述新添图片作为待处理图片输入所述图片归类模型进行学习,以对所述新添图片标记预设人物关系类别;在预设时间为当前用户显示所述新添图片以及相对应的预设人物关系类别;基于所述预设人物关系类别,获取所述当前用户的反馈信息;将所述反馈信息发送至所述图片归类模型进行训练。
其中,新添图片包括移动终端图片库内部添加的新照片,可以包括一张或多张。预设时间可以包括移动终端默认的固定值,也可以包括根据人为需求而设定的动态值。预设人物关系类别可以包括为通过图片归类模型为新添图片标记的人物关系类别。反馈信息可包括当前用户对图片归类模型输出的人物关系类别的操作。
具体的,随着用户使用移动终端的时间增长,用户经常会使用移动终端进行拍照或者是保存网络平台/社交软件中出现的图片。因此,移动终端内的图片库将会随时更新新添图片。需要说明的是,移动终端的相册每更新一张新添图片时,可将该新添图片作为待处理图片输入图片归类模型,以对新添图片添加预设人物关系类别进行分类。移动终端可选择在图片归类模型输出新添图片的预设人物关系时,为当前用户显示结果,也可将该新添图片与相对应的预设人物关系存在临时存储器中,从而方便在预设时间统一为用户显示当天新添图片的输出结果。或者,移动终端还可以在预设时间统一将当天的新添图片作为待处理图片输入图片归类模型,以对新添图片添加预设人物关系类别进行分类,而后为当前用户显示新添图片以及相对应的预设人物关系类别并接收反馈信息。
需要说明的是,反馈信息可以是终端设备在操作界面上为用户提供的评判选项。其中,评判选择可以包括“正确”以及“不正确”的评判选项,当接收到用户的反馈信息为“不正确”时,可提供其他多种人物关系类别的选项,以接收正确的选项。或者,评判选择可以包括“通过”以及“切换”两种评判选项,从而确定正确的人物关系类别,本申请实施例设定的评判选项用于收集用户的反馈信息,因此本申请实施例对该评判选项的设定与方式不作限定。终端设备通过检测用户对当前显示屏的触摸操作,确定该用户的反馈信息,并发送至图片归类模型中进行训练,以对图片归类模型的网络参数进行适应性调整。此外,用户还可手动确定新添图片的人物关系类别,并将其作为反馈信息反馈至图片归类模型中进行训练。
本申请实施例通过检测用户对预设人物关系类别的反馈信息,更有利于图片归类模型输出正确的人物关系类别,并且随时根据用户的反馈信息调整图片归类模型的网络参数,能够及时降低误判断情况发生的概率。
示例性的,在根据所述人物关系类别对所述待处理图片进行分类处理之后,还可包括:确定分类处理后的所述待处理图片的记录时间;根据所述记录时间对所述待处理图片进行子分类处理;或者确定分类处理后的所述待处理图片的地域特征;根据所述地域特征对所述待处理图片进行子分类处理。
具体的,本申请实施例为根据人物关系类别对待处理图片进行分类。但是,当随着用户使用移动终端的时间增长,或者待处理图片数量较多时,虽然能够根据人物关系类别对待处理图片进行分类,但是在同一类别内包含的待处理图片还是较为混乱的。例如,同学类别的待处理图片为80张,其中20张为元旦游玩的照片,20张为中秋聚会的照片,20张为十一聚会的照片以及20张为校园拍摄照片。如果不对该80张图片进行子分类,那么该80张图片则会非常混乱的存储在图片库。因此,为了增加待处理图片的可观性以及提高待处理图片的查找效率,可以在对待处理图片分类后,再对各个类别的图片进行进一步的子分类处理。
具体的,本申请实施例可以确定分类处理后的待处理图片的记录时间;根据记录时间对待处理图片进行子分类处理。
其中,记录时间可以包括待处理图片的拍摄时间或者待处理图片的获取时间。移动终端可以根据待处理图片的图片信息获取记录时间。根据记录时间对待处理图片进行子分类处理,可以确定记录时间的时间连续性,根据时间连续性对待处理图片进行子分类处理。例如,若上述同学类别的待处理图片中,有20张图片都是同一天拍摄的,那么可以将该20张图片归为同一子分类;还可例如,若同学类别的待处理图片中含有50张图片为毕业旅游拍摄图片,且为连续天数拍摄的,因此,可以将该50张图片归为同一子分类。
根据记录时间对待处理图片进行子分类处理,还可根据图片记录时间的时间段进行子分类处理。例如,家人类别的待处理图片记录了用户家庭生活的点点滴滴,因此该类别的记录时间可能并不集中,因此,对于该类图片,可以根据记录时间的时间段进行子分类处理,具体例如,根据月份或者年份对家人类别下的待处理图片进行进一步子分类。
或者,本申请实施例还可以确定分类处理后的待处理图片的地域特征;根据地域特征对待处理图片进行子分类处理。
其中,地域特征包括待处理图片的拍摄地点,移动终端可以根据待处理图片的图片信息获取地域特征,然后根据待处理图片的地域特征进行分类。例如,爱人类别的待处理图片中记录了用户大量旅游的图片,因此,对于该类图片,可以根据地域特征(即旅游地点)进行子分类处理。
本申请实施例通过对待处理图片进行人物关系类别的分类后,再对各个类别分别进行子分类处理,使得移动终端图片库内的图片存储更加规整,有规律,还可以有效提高图片的查找效率。
图2为本申请实施例提供的另一种图片分类方法的流程示意图,该方法包括如下步骤:
步骤210、获取待处理图片。
步骤220、确定与人物关系类别相对应的第一关键字。
其中,第一关键字可以为人物关系类别中的任意一种类别的名称,或者可以为与人物关系类别中的任意一种类别相关的关键字。以人物关系类别中的家人类别为例,第一关键字可以为家人,也可以为与家人相关的关键字,如爸爸、妈妈、父亲、母亲、儿子以及女儿等。需要说明的是,在本申请实施例中,第一关键字用于在网络平台图片库中搜索第一样本图片,由于本申请实施例中图片归类模型为标记人物关系类别的学习模型,因此用于训练该模型的图片样本集可包含各种人物关系类别的第一样本图片。
本申请实施例中的图片归类模型的初步训练可基于公共网络平台图片库中的图片进行训练。具体例如,可将标记了相同类别的第一关键字的图片归为同一人物关系类别的第一样本图片,由于图片归类模型的图片样本集可包含多种人物关系类别,因此,第一关键字也分为多种人物关系类别。并且,属于同一人物关系类别的第一关键字可包含多个。
步骤230、根据所述第一关键字,在网络平台图片库中将与所述第一关键字相匹配的图片作为第一样本图片。
其中,网络平台图片库为包含了大量图片的图片库,同时也包含了各种人类关系类别的图片,因此,可以将网络平台图片库作为图片样本集的素材库。需要说明的是,网络平台图片库可以为在可联网移动终端或者可联网固定终端上的任意网络平台上搜索的图片库。第一样本图片可为通过公共网络平台共享的图片库中获取的图片,具体可为与第一关键字相对应的图片。需要说明的是,本申请实施例不对第一样本图片的数量进行限定。
具体的,移动终端可以根据接收到的用户指示,在网络平台图片库中搜索第一关键字,并将搜索结果的图片作为第一样本图片。具体例如,第一关键字可设定为朋友聚餐图片,那么,将搜索的图片作为第一样本图片。需要说明的是,移动终端可将搜索结果的所有图片作为第一样本图片,或者也可以将部分图片作为第一样本图片。
步骤240、标记所述第一关键字至所述第一样本图片,并存储至所述图片样本集。
具体的,在确定第一样本图片之后,可将所有第一样本图片标记第一关键字,并存储至图片样本集中作为训练素材。或者,也可将所有第一样本图片作为一个子样本集整体标记第一关键字,并存储至图片样本集中作为训练素材。
步骤250、根据所述图片样本集,基于设定机器学习算法对图片归类模型进行训练。
其中,机器学习主要研究对象是人工智能,可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。机器学习算法可包括计算机如何实现人工智能或者在经验学习中如何自动改进的一种算法。本申请实施例中的设定的机器学习算法用于训练图片归类模型,可以是神经网络模型。需要说明的是,本申请实施例对机器学习算法的种类不作限定。
通过设定图片样本集与机器学习算法,能够对图片归类模型进行训练以对待处理图片做出正确的判断。
步骤260、将所述待处理图片输入图片归类模型,以标记所述待处理图片的人物关系类别。
步骤270、根据所述人物关系类别对所述待处理图片进行分类处理。
本申请实施例通过在网络平台图片库中搜索与人物关系类别相对应的第一关键字,将搜索结果的图片作为第一样本图片,并标记第一关键词作为图片样本集,为图片归类模型提供了大量的训练素材,有助于提高图片归类模型判断的准确性。
图3为本申请实施例提供的另一种图片分类方法的流程示意图,该方法包括如下步骤:
步骤310、获取待处理图片。
步骤320、获取移动终端图片库中拍摄图片的拍摄时间与图片环境特征。
由于从网络平台图片库收集的第一样本图片作为图片样本集并非针对用户本人,缺乏针对性,因此将第一样本图片作为图片样本集训练图片归类模型以标记用户的待处理图片的人物关系类别可能会存在误差。为了降低图片归类模型的判断误差,本申请实施例可获取移动终端图片库中的拍摄图片作为图片样本集的素材。
其中,移动终端图片库可包括用户的拍摄图片以及用户从各种渠道获取的其他图片。由于拍摄图片所拍摄的内容与用户息息相关,包含了与用户接触的家人、朋友或者同事等,因此,可将移动终端图片库中的拍摄图片作为图片样本集的素材。具体的,移动终端可获取拍摄图片的拍摄时间与图片环境特征。其中,拍摄时间可分类为工作时间、夜晚休息时间以及节假日;图片环境特征可以分类为家庭环境、工作环境、餐厅环境以及旅游环境等。通过获取拍摄图片的拍摄时间与图片环境特征有助于判断该拍摄图片的人物关系类别。例如,家人类别拍摄图片的拍摄时间可为晚上、六日休息时间,图片环境特征可为家庭环境;同事类别拍摄图片的拍摄时间可为工作时间,图片环境特征可为工作环境等。
步骤330、基于所述拍摄时间与所述图片环境特征,确定与所述人物关系类别相对应的第二关键字。
其中,第二关键字为根据拍摄图片的拍摄时间与图片环境特征所确定的关键字,第二关键字与第一关键字性质相同,第二关键字也可包括至少一个,且属于同一人物关系类别的第二关键字可包含多个。
具体的,由于拍摄图片的拍摄时间与图片环境特征体现了与用户相关联的各种关系的人,因此可以通过拍摄图片的拍摄时间与图片环境特征,确定与人物关系类别相对应的第二关键字。其中,第二关键字确定的执行主体可以由移动终端自主确定,或者根据接收用户的指令进行确定。例如,可以将第二关键字定义为“晚上”与“家庭环境”,且与家人类别相对应。当拍摄图片的拍摄信息与“晚上”以及“家庭环境”相对应时,确定该拍摄图片的人物关系类别为家人类别。
步骤340、根据所述第二关键字,在移动终端图片库中将与所述第二关键字相匹配的拍摄图片作为第二样本图片。
具体的,根据移动终端图片库中拍摄图片的特征确定第二关键字后,在移动图片库中查找与第二关键字相匹配的所有拍摄图片,并作为第二样本图片。具体例如,将拍摄图片的拍摄信息与“晚上”以及“家庭环境”相对应的所有拍摄图片作为第二样本图片。
步骤350、标记所述第二关键字至所述第二样本图片,并存储至所述图片样本集。
具体的,根据第二关键字在移动终端图片库中筛选出与其对应的第二样本图片后,对第二样本图片进行标记,具体第二样本图片的标记方法与第一样本图片的标记方法一致,不再赘述。
步骤360、根据所述图片样本集,基于设定机器学习算法对图片归类模型进行训练。
步骤370、将所述待处理图片输入图片归类模型,以标记所述待处理图片的人物关系类别。
步骤380、根据所述人物关系类别对所述待处理图片进行分类处理。
本申请实施例基于移动终端图片库中拍摄图片的拍摄时间与图片环境特征确定与人物关系类别相对应的第二关键字,并根据第二关键字,在移动终端图片库中筛选与其匹配的拍摄图片作为第二样本图片存储至图片样本集,通过结合用户个人的拍摄照片筛选出第二样本图片作为图片样本集以训练图片归类模型,使得图片归类模型的训练更贴近用户的实际情况,进一步提高了图片归类模型对待处理图片的人物关系判断的准确性。
图4为本申请实施例提供的另一种图片分类方法的流程示意图,该方法包括如下步骤:
步骤410、获取待处理图片。
步骤420、获取用户在移动终端社交平台中发布的公开图片与文字。
在日常生活中,用户经常在社交平台中分享自己生活的点点滴滴,如用户可在朋友圈分享同学聚餐,同事聚会或者旅游的相关图片。因此,移动终端可以从用户发布的公开图片与文字中获取精准的与用户相关的人物关系。
步骤430、基于所述公开图片与文字,确定与所述人物关系类别相对应的第三关键字。
其中,第三关键字为根据移动终端社交平台中发布的公开图片与文字所确定的关键字,第三关键字与第二关键字以及第一关键字性质相同,第三关键字也可包括至少一个,且属于同一人物关系类别的第三关键字可包含多个。
例如,用户在朋友圈发布了与朋友聚餐的照片,并发布了与“朋友聚餐”等相关的文字,如“今天与好久未见的朋友见面,好开心”。通过公开的图片与文字,例如可以定义“朋友见面”为第三关键字,并对应于人物关系类别中的朋友类别。
步骤440、标记所述第三关键字至所述公开图片,并作为第三样本图片存储至所述图片样本集。
具体的,将第三关键字标记至对应的公开图片,并作为第三样本图片存储至图片样本集。具体第二样本图片的标记方法与第一样本图片的标记方法一致,不再赘述。
需要说明的是,移动终端可以采用人脸识别的功能对图片中的人脸进行识别,并与人物关系类别中的朋友类别进行关联。而后,可在移动终端图片库中查找所有与图片中识别的人脸相同的照片归类为朋友类别的第三样本图片,存储至图片样本集,用于完善用户的朋友类别的图片,收集更全面的第三样本图片。
步骤450、根据所述图片样本集,基于设定机器学习算法对图片归类模型进行训练。
步骤460、将所述待处理图片输入图片归类模型,以标记所述待处理图片的人物关系类别。
步骤470、根据所述人物关系类别对所述待处理图片进行分类处理。
本申请实施例基于移动终端社交平台中发布的公开图片与文字确定与人物关系类别相对应的第三关键字,并标记第三关键字至公开图片,并作为第三样本图片存储至图片样本集,通过结合用户的公开图片与文字,能够直接确定公开图片的人物关系类别,通过将该类确定的人物关系类别的图片作为第三样本图片作为图片样本集以训练图片归类模型,进一步提高了图片归类模型对待处理图片的人物关系判断的准确性。
图5为本申请实施例提供的另一种图片分类方法的流程示意图,该方法包括如下步骤:
步骤510、获取待处理图片。
步骤520、将所述待处理图片输入图片归类模型,以标记所述待处理图片的人物关系类别。
步骤530、根据所述人物关系类别对所述待处理图片进行分类处理。
步骤540、根据所述人物关系类别,将所述待处理图片存储至各个图片集,其中所述图片集标记为对应的人物关系类别。
若终端设备中的图片库第一次根据人物关系类别进行分类,则可在图片库中提前预设多个图片集,其中,每个图片集可预设一个人物关系类别。在将图片库中的图片进行分类时,将图片库中的图片作为待处理图片输入图片归类模型,根据图片归类模型对图片库中所有图片标记的人物关系类别,将具有相同人物关系类别的待处理图片归为一类,并对应存储至图片库中的预设的图片集。其中,一个图片集中可包含多张图片。
或者,若终端设备中的图片库第一次根据人物关系类别进行分类,则可直接将图片库中的图片作为待处理图片,输入图片归类模型。根据图片归类模型对图片库中所有图片标记的人物关系类别,在图片库中建立各个人物关系类别的图片集,使得图片库中的每张图片均有与其相对应的图片集,并将具有相同人物关系类别的待处理图片归为一类,对应存储至图片库中新建的图片集。
若终端设备多次处理过对待处理图片进行分类的操作,则可直接将后续待处理图片根据标记的人物关系类别存储至各个图片集。
步骤550、在同一图片集内,根据所述待处理图片的记录时间,将所述待处理图片存储至各个子图片集。
其中,所述子图片集标记为对应的时间信息。一个子图片集可包含多张待处理图片,一个图片集可包括多个子图片集。
本申请实施例可适用于待处理图片较多的情况,可根据记录时间对待处理图片进行子分类处理,将属于同一子分类的待处理图片存储至一个子图片集中,并将该子图片集根据时间信息进行分类。例如,家庭类别的图片集中可以按照月份分为12个子分类集,其中每个子分类集标记了不同的月份信息。
示例性的,还可包括:在同一图片集内,根据所述待处理图片的地域特征,将所述待处理图片存储至各个子图片集,其中所述子图片集标记为对应的地域信息。
本申请实施例可适用于用户经常旅游或出差,大多数待处理图片为不同地方拍摄图片的情况。本申请实施例中的子图片集除了可以标记时间信息之外,还可以标记地域信息,将属于同一地域特征的子分类的待处理图片存储至一个子图片集中。例如,爱人类别的图片集中可以包含多个以地域信息标记的子图片集,如北京、天津以及河北等。
本申请实施例通过将待处理图片存储至图片集,以及将同一图片集中的待处理图片进行子分类,存储至子图片集中,完成了图片库中待处理图片的整理操作,便于用户查看。
图6是本申请实施例提供的一种图片分类装置的结构框图,本申请实施例可适用于通过终端设备对图片进行分类的情况,该装置可有软件和/或硬件实现,所述装置配置在诸如手机、平板电脑等终端设备中。如图6所示,该装置可以包括:图片获取模块61、类别标记模块62和图片处理模块63。
图片获取模块61,用于获取待处理图片;
类别标记模块62,用于将所述待处理图片输入图片归类模型,以标记所述待处理图片的人物关系类别,其中,所述图片归类模型包括根据图片样本集训练的模型;
图片处理模块63,用于根据所述人物关系类别对所述待处理图片进行分类处理。
本申请实施例中提供的图片分类装置,通过获取待处理图片将所述待处理图片输入图片归类模型,以标记所述待处理图片的人物关系类别,并根据所述人物关系类别对所述待处理图片进行分类处理。通过采用上述技术方案,使用图片归类模型对待处理图片中的人物关系进行分类,能够准确得到图片中的人物关系,并通过人物关系进行分类,本申请实施例改善了相关技术图片分类功能单一的现象,从人物关系这一维度进行分类,提供了特定的分类方法,便于用户查找图片。
可选的,所述装置还包括:第一训练模块。
第一训练模块,用于在将所述待处理图片输入图片归类模型之前,确定与所述人物关系类别相对应的第一关键字;根据所述第一关键字,在网络平台图片库中将与所述第一关键字相匹配的图片作为第一样本图片;标记所述第一关键字至所述第一样本图片,并存储至所述图片样本集;根据所述图片样本集,基于设定机器学习算法对图片归类模型进行训练。
可选的,所述装置还包括:第二训练模块。
第二训练模块,用于在将所述待处理图片输入图片归类模型之前,获取移动终端图片库中拍摄图片的拍摄时间与图片环境特征;基于所述拍摄时间与所述图片环境特征,确定与所述人物关系类别相对应的第二关键字;根据所述第二关键字,在移动终端图片库中将与所述第二关键字相匹配的拍摄图片作为第二样本图片;标记所述第二关键字至所述第二样本图片,并存储至所述图片样本集;根据所述图片样本集,基于设定机器学习算法对图片归类模型进行训练。
可选的,所述装置还包括:第三训练模块。
第三训练模块,用于在将所述待处理图片输入图片归类模型之前,获取用户在移动终端社交平台中发布的公开图片与文字;基于所述公开图片与文字,确定与所述人物关系类别相对应的第三关键字;标记所述第三关键字至所述公开图片,并作为第三样本图片存储至所述图片样本集;根据所述图片样本集,基于设定机器学习算法对图片归类模型进行训练。
可选的,所述装置还包括:反馈训练模块。
反馈训练模块,用于在根据所述人物关系类别对所述待处理图片进行分类处理之前,若检测到所述移动终端图片库中存在新添图片,则将所述新添图片作为待处理图片输入所述图片归类模型进行学习,以对所述新添图片标记预设人物关系类别;在预设时间为当前用户显示所述新添图片以及相对应的预设人物关系类别;基于所述预设人物关系类别,获取所述当前用户的反馈信息;将所述反馈信息发送至所述图片归类模型进行训练。
可选的,所述装置还包括:子分类处理模块。
子分类处理模块,用于在根据所述人物关系类别对所述待处理图片进行分类处理之后,确定分类处理后的所述待处理图片的记录时间;根据所述记录时间对所述待处理图片进行子分类处理;或者确定分类处理后的所述待处理图片的地域特征;根据所述地域特征对所述待处理图片进行子分类处理。
可选的,所述装置还包括:存储模块。
存储模块,用于在所述根据所述人物关系类别对所述待处理图片进行分类处理之后,根据所述人物关系类别,将所述待处理图片存储至各个图片集,其中所述图片集标记为对应的人物关系类别;
相应的,根据所述记录时间对所述待处理图片进行子分类处理,包括:在同一图片集内,根据所述待处理图片的记录时间,将所述待处理图片存储至各个子图片集,其中所述子图片集标记为对应的时间信息;
或者,相应的,根据所述地域特征对所述待处理图片进行子分类处理,包括:在同一图片集内,根据所述待处理图片的地域特征,将所述待处理图片存储至各个子图片集,其中所述子图片集标记为对应的地域信息。
可选的,所述人物关系类别包括下述至少一个:同学类别、同事类别、家人类别、亲戚类别、爱人类别、好友类别以及自拍类别。
本申请实施例提供了一种终端,该终端中可集成本申请实施例提供的图片分类的装置,如图7A所示,终端1000包含存储器1001与处理器1002。其中,存储器1001存储待处理图片,处理器1002用于获取待处理图片,将所述待处理图片输入图片归类模型,以标记所述待处理图片的人物关系类别,其中,所述图片归类模型包括根据图片样本集训练的模型;根据所述人物关系类别对所述待处理图片进行分类处理。
本申请实施例中提供的终端,通过获取待处理图片将所述待处理图片输入图片归类模型,以标记所述待处理图片的人物关系类别,并根据所述人物关系类别对所述待处理图片进行分类处理。通过采用上述技术方案,使用图片归类模型对待处理图片中的人物关系进行分类,能够准确得到图片中的人物关系,并通过人物关系进行分类,本申请实施例改善了相关技术图片分类功能单一的现象,从人物关系这一维度进行分类,提供了特定的分类方法,便于用户查找图片。
本申请实施例提供了一种终端的结构示意图。如图7B所示,该移动终端可以包括:壳体(图中未示出)、存储器701、中央处理器(Central Processing Unit,CPU)702(又称处理器,以下简称CPU)、电路板(图中未示出)、触控显示屏712和电源电路(图中未示出)。所述触控显示屏712,用于将用户操作转换成电信号输入至所述处理器,并显示可视输出信号;所述触控显示屏包括触摸芯片,所述触摸芯片,用于输出触摸感测控制信号至触控显示屏;所述电路板安置在所述触控显示屏712与所述壳体围成的空间内部;所述CPU702和所述存储器701设置在所述电路板上;所述电源电路,用于为所述移动终端的各个电路或器件供电;所述存储器701,用于存储计算机程序;所述CPU702读取并执行所述存储器701中存储的计算机程序。所述CPU702在执行所述计算机程序时实现以下步骤:获取待处理图片;将所述待处理图片输入图片归类模型,以标记所述待处理图片的人物关系类别,其中,所述图片归类模型包括根据图片样本集训练的模型;根据所述人物关系类别对所述待处理图片进行分类处理。
所述移动终端还包括:外设接口703、RF(Radio Frequency,射频)电路705、音频电路706、扬声器711、电源管理芯片708、输入/输出(I/O)子系统709、其他输入/控制设备710以及外部端口704,这些部件通过一个或多个通信总线或信号线707来通信。
应该理解的是,图示移动终端700仅仅是移动终端的一个范例,并且移动终端700可以具有比图中所示出的更多的或者更少的部件,可以组合两个或更多的部件,或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
下面就本实施例提供的集成有图片分类装置的终端进行详细的描述,该终端以手机为例。
存储器701,所述存储器701可以被CPU702、外设接口703等访问,所述存储器701可以包括高速随机存取存储器,还可以包括非易失性存储器,例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
外设接口703,所述外设接口703可以将设备的输入和输出外设连接到CPU702和存储器701。
I/O子系统709,所述I/O子系统709可以将设备上的输入输出外设,例如触控显示屏712和其他输入/控制设备710,连接到外设接口703。I/O子系统709可以包括显示控制器7091和用于控制其他输入/控制设备710的一个或多个输入控制器7092。其中,一个或多个输入控制器7092从其他输入/控制设备710接收电信号或者向其他输入/控制设备710发送电信号,其他输入/控制设备710可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是,输入控制器7092可以与以下任一个连接:键盘、红外端口、USB接口以及诸如鼠标的指示设备。
触控显示屏712,所述触控显示屏712是用户终端与用户之间的输入接口和输出接口,将可视输出显示给用户,可视输出可以包括图形、文本、图标、视频等。
I/O子系统709中的显示控制器7091从触控显示屏712接收电信号或者向触控显示屏712发送电信号。触控显示屏712检测触控显示屏上的接触,显示控制器7091将检测到的接触转换为与显示在触控显示屏712上的用户界面对象的交互,即实现人机交互,显示在触控显示屏712上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是,设备还可以包括光鼠,光鼠是不显示可视输出的触摸敏感表面,或者是由触控显示屏形成的触摸敏感表面的延伸。
RF电路705,主要用于建立手机与无线网络(即网络侧)的通信,实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地,RF电路705接收并发送RF信号,RF信号也称为电磁信号,RF电路705将电信号转换为电磁信号或将电磁信号转换为电信号,并且通过该电磁信号与通信网络以及其他设备进行通信。RF电路705可以包括用于执行这些功能的已知电路,其包括但不限于天线系统、RF收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、CODEC(COder-DECoder,编译码器)芯片组、用户标识模块(Subscriber Identity Module,SIM)等等。
音频电路706,主要用于从外设接口703接收音频数据,将该音频数据转换为电信号,并且将该电信号发送给扬声器711。
扬声器711,用于将手机通过RF电路705从无线网络接收的语音信号,还原为声音并向用户播放该声音。
电源管理芯片708,用于为CPU702、I/O子系统及外设接口所连接的硬件进行供电及电源管理。
本实施例中提供的终端,通过获取待处理图片将所述待处理图片输入图片归类模型,以标记所述待处理图片的人物关系类别,并根据所述人物关系类别对所述待处理图片进行分类处理。通过采用上述技术方案,使用图片归类模型对待处理图片中的人物关系进行分类,能够准确得到图片中的人物关系,并通过人物关系进行分类,本申请实施例改善了相关技术图片分类功能单一的现象,从人物关系这一维度进行分类,提供了特定的分类方法,便于用户查找图片。
上述装置可执行本申请前述所有实施例所提供的图片分类装置、存储介质及移动终端,具备执行上述图片分类方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请前述所有实施例所提供的图片分类方法。
本申请实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、步骤malltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
上述装置可执行本申请前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请前述所有实施例所提供的方法。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (11)
1.一种图片分类方法,其特征在于,包括:
获取待处理图片;
将所述待处理图片输入图片归类模型,以标记所述待处理图片的人物关系类别,其中,所述图片归类模型包括根据图片样本集训练的模型;
根据所述人物关系类别对所述待处理图片进行分类处理。
2.根据权利要求1所述的方法,其特征在于,将所述待处理图片输入图片归类模型之前,还包括:
确定与所述人物关系类别相对应的第一关键字;
根据所述第一关键字,在网络平台图片库中将与所述第一关键字相匹配的图片作为第一样本图片;
标记所述第一关键字至所述第一样本图片,并存储至所述图片样本集;
根据所述图片样本集,基于设定机器学习算法对图片归类模型进行训练。
3.根据权利要求1所述的方法,其特征在于,将所述待处理图片输入图片归类模型之前,还包括:
获取移动终端图片库中拍摄图片的拍摄时间与图片环境特征;
基于所述拍摄时间与所述图片环境特征,确定与所述人物关系类别相对应的第二关键字;
根据所述第二关键字,在移动终端图片库中将与所述第二关键字相匹配的拍摄图片作为第二样本图片;
标记所述第二关键字至所述第二样本图片,并存储至所述图片样本集;
根据所述图片样本集,基于设定机器学习算法对图片归类模型进行训练。
4.根据权利要求1所述的方法,其特征在于,将所述待处理图片输入图片归类模型之前,还包括:
获取用户在移动终端社交平台中发布的公开图片与文字;
基于所述公开图片与文字,确定与所述人物关系类别相对应的第三关键字;
标记所述第三关键字至所述公开图片,并作为第三样本图片存储至所述图片样本集;
根据所述图片样本集,基于设定机器学习算法对图片归类模型进行训练。
5.根据权利要求1-4中任一所述的方法,其特征在于,在根据所述人物关系类别对所述待处理图片进行分类处理之前,还包括:
若检测到所述移动终端图片库中存在新添图片,则将所述新添图片作为待处理图片输入所述图片归类模型进行学习,以对所述新添图片标记预设人物关系类别;
在预设时间为当前用户显示所述新添图片以及相对应的预设人物关系类别;
基于所述预设人物关系类别,获取所述当前用户的反馈信息;
将所述反馈信息发送至所述图片归类模型进行训练。
6.根据权利要求1-4中任一所述的方法,其特征在于,在根据所述人物关系类别对所述待处理图片进行分类处理之后,还包括:
确定分类处理后的所述待处理图片的记录时间;根据所述记录时间对所述待处理图片进行子分类处理;或者
确定分类处理后的所述待处理图片的地域特征;根据所述地域特征对所述待处理图片进行子分类处理。
7.根据权利要求6所述的方法,其特征在于,在所述根据所述人物关系类别对所述待处理图片进行分类处理之后,还包括:
根据所述人物关系类别,将所述待处理图片存储至各个图片集,其中所述图片集标记为对应的人物关系类别;
相应的,根据所述记录时间对所述待处理图片进行子分类处理,包括:
在同一图片集内,根据所述待处理图片的记录时间,将所述待处理图片存储至各个子图片集,其中所述子图片集标记为对应的时间信息;
或者,相应的,根据所述地域特征对所述待处理图片进行子分类处理,包括:
在同一图片集内,根据所述待处理图片的地域特征,将所述待处理图片存储至各个子图片集,其中所述子图片集标记为对应的地域信息。
8.根据权利要求1-4中任一所述的方法,其特征在于,所述人物关系类别包括下述至少一个:同学类别、同事类别、家人类别、亲戚类别、爱人类别、好友类别以及自拍类别。
9.一种图片分类装置,其特征在于,包括:
图片获取模块,用于获取待处理图片;
类别标记模块,用于将所述待处理图片输入图片归类模型,以标记所述待处理图片的人物关系类别,其中,所述图片归类模型包括根据图片样本集训练的模型;
图片处理模块,用于根据所述人物关系类别对所述待处理图片进行分类处理。
10.一种终端,包括第一存储器、第一处理器及存储在所述第一存储器上并可在所述第一处理器上运行的计算机程序,其特征在于,所述第一处理器执行所述计算机程序时实现如权利要求1-8中任一所述的图片分类的方法。
11.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一所述的图片分类的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711020781.0A CN107729946B (zh) | 2017-10-26 | 2017-10-26 | 图片分类方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711020781.0A CN107729946B (zh) | 2017-10-26 | 2017-10-26 | 图片分类方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107729946A true CN107729946A (zh) | 2018-02-23 |
CN107729946B CN107729946B (zh) | 2021-01-01 |
Family
ID=61202661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711020781.0A Active CN107729946B (zh) | 2017-10-26 | 2017-10-26 | 图片分类方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107729946B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108494949A (zh) * | 2018-02-28 | 2018-09-04 | 维沃移动通信有限公司 | 一种图像分类方法及移动终端 |
CN108734227A (zh) * | 2018-06-13 | 2018-11-02 | 北京宏岸图升网络技术有限公司 | 一种图片的分类方法及装置 |
CN109255045A (zh) * | 2018-08-15 | 2019-01-22 | 阿里巴巴集团控股有限公司 | 图片分享方法和装置、电子设备 |
CN109597912A (zh) * | 2018-12-05 | 2019-04-09 | 上海碳蓝网络科技有限公司 | 用于处理图片的方法 |
CN110189308A (zh) * | 2019-05-17 | 2019-08-30 | 山东财经大学 | 一种基于bm3d和稠密卷积网络融合的肿瘤检测方法和装置 |
CN110704880A (zh) * | 2018-06-19 | 2020-01-17 | 中国石化工程建设有限公司 | 一种工程图纸的关联方法 |
CN113408632A (zh) * | 2021-06-28 | 2021-09-17 | 北京百度网讯科技有限公司 | 提高图像分类准确性的方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024157A (zh) * | 2009-09-09 | 2011-04-20 | 索尼公司 | 信息处理装置、信息处理方法和信息处理程序 |
CN103177051A (zh) * | 2011-12-23 | 2013-06-26 | 致伸科技股份有限公司 | 相片管理系统 |
CN104778168A (zh) * | 2014-01-09 | 2015-07-15 | 联想(北京)有限公司 | 一种数据处理方法和装置 |
CN105955995A (zh) * | 2016-04-19 | 2016-09-21 | 乐视控股(北京)有限公司 | 图片的分组方法和装置 |
-
2017
- 2017-10-26 CN CN201711020781.0A patent/CN107729946B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024157A (zh) * | 2009-09-09 | 2011-04-20 | 索尼公司 | 信息处理装置、信息处理方法和信息处理程序 |
CN103177051A (zh) * | 2011-12-23 | 2013-06-26 | 致伸科技股份有限公司 | 相片管理系统 |
CN104778168A (zh) * | 2014-01-09 | 2015-07-15 | 联想(北京)有限公司 | 一种数据处理方法和装置 |
CN105955995A (zh) * | 2016-04-19 | 2016-09-21 | 乐视控股(北京)有限公司 | 图片的分组方法和装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108494949A (zh) * | 2018-02-28 | 2018-09-04 | 维沃移动通信有限公司 | 一种图像分类方法及移动终端 |
CN108734227A (zh) * | 2018-06-13 | 2018-11-02 | 北京宏岸图升网络技术有限公司 | 一种图片的分类方法及装置 |
CN110704880A (zh) * | 2018-06-19 | 2020-01-17 | 中国石化工程建设有限公司 | 一种工程图纸的关联方法 |
CN110704880B (zh) * | 2018-06-19 | 2022-12-02 | 中国石化工程建设有限公司 | 一种工程图纸的关联方法 |
CN109255045A (zh) * | 2018-08-15 | 2019-01-22 | 阿里巴巴集团控股有限公司 | 图片分享方法和装置、电子设备 |
CN109597912A (zh) * | 2018-12-05 | 2019-04-09 | 上海碳蓝网络科技有限公司 | 用于处理图片的方法 |
CN110189308A (zh) * | 2019-05-17 | 2019-08-30 | 山东财经大学 | 一种基于bm3d和稠密卷积网络融合的肿瘤检测方法和装置 |
CN110189308B (zh) * | 2019-05-17 | 2020-10-23 | 山东财经大学 | 一种基于bm3d和稠密卷积网络融合的肿瘤检测方法和装置 |
CN113408632A (zh) * | 2021-06-28 | 2021-09-17 | 北京百度网讯科技有限公司 | 提高图像分类准确性的方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107729946B (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729946A (zh) | 图片分类方法、装置、终端及存储介质 | |
CN103412951B (zh) | 基于人物照片的人脉关联分析管理系统与方法 | |
CN102292722B (zh) | 基于多模元数据和结构化语义描述符来产生注释标签 | |
CN109002490A (zh) | 用户画像生成方法、装置、服务器及存储介质 | |
CN113536793A (zh) | 一种实体识别方法、装置、设备以及存储介质 | |
CN107977928A (zh) | 表情生成方法、装置、终端及存储介质 | |
CN110286976A (zh) | 界面显示方法、装置、终端及存储介质 | |
CN110209450A (zh) | 页面生成方法、装置、存储介质及服务器 | |
CN109983455A (zh) | 在在线社交网络上多样化媒体搜索结果 | |
WO2019061443A1 (zh) | 一种通知显示方法及终端 | |
CN104182488A (zh) | 搜索方法、服务器及客户端 | |
CN108959394A (zh) | 聚类的搜索结果 | |
CN112088370A (zh) | 数字资产搜索用户界面 | |
US10380256B2 (en) | Technologies for automated context-aware media curation | |
CN107356261B (zh) | 导航方法及相关产品 | |
CN105868267B (zh) | 一种移动社交网络用户兴趣的建模方法 | |
CN107977431A (zh) | 图像处理方法、装置、计算机设备和计算机可读存储介质 | |
CN107291962A (zh) | 搜索方法、装置、存储介质及电子设备 | |
EP3559930A1 (en) | Conversion of static images into interactive maps | |
CN106233282A (zh) | 使用设备能力的应用搜索 | |
WO2018152822A1 (zh) | 一种生成相册的方法、装置和移动终端 | |
CN105378728A (zh) | 用于表示和操纵元数据的装置和方法 | |
CN108228720B (zh) | 识别目标文字内容和原图相关性的方法、系统、装置、终端、及存储介质 | |
CN110209810A (zh) | 相似文本识别方法以及装置 | |
CN107844765A (zh) | 拍照方法、装置、终端及存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant after: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. Address before: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant before: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |