CN108062377A - 标签图片集的建立、标签的确定方法、装置、设备及介质 - Google Patents
标签图片集的建立、标签的确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN108062377A CN108062377A CN201711321907.8A CN201711321907A CN108062377A CN 108062377 A CN108062377 A CN 108062377A CN 201711321907 A CN201711321907 A CN 201711321907A CN 108062377 A CN108062377 A CN 108062377A
- Authority
- CN
- China
- Prior art keywords
- picture
- pictures
- label
- visual tag
- candidate
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明实施例公开了一种标签图片集的建立、标签的确定方法、装置、设备及介质。所述标签图片集的建立方法包括:根据用户的点击图片日志,获取第一图片集,并根据所述第一图片集生成聚类图片簇;在所述聚类图片簇中获取设定数量的图片,构成与所述聚类图片簇对应的第二图片集;如果所述第二图片集中各图片的图片内容信息满足内容集中条件,则将所述第二图片集作为候选图片集,并建立与所述候选图片集匹配的视觉标签;筛除所述候选图片集中的无效图片后生成视觉标签图片集,其中,所述视觉标签图片集中的各视觉标签图片对应所述视觉标签图片集的视觉标签。本发明实施例在大大降低人工成本的基础上,提高确定图片的视觉标签的准确性。
Description
技术领域
本发明实施例涉及图像领域,尤其涉及一种标签图片集的建立、标签的确定方法、装置、设备以及存储介质。
背景技术
在互联网个性化新闻推荐中,有大量的信息载体是图像,图像数据相对文本而言,具有信息量丰富、排版美观等优势,是互联网用户消费内容的重要组成部分。
为了能够更好的向用户推荐图片,需要挖掘用户的喜好,确定用户的看图兴趣,识别兴趣图像的内容,并描述兴趣图像,而描述图像的方式可以通过提取图像的视觉标签实现。图像视觉标签,指的是图像中吸引用户看图的视觉内容标签,如多肉植物、汽车和动漫等。目前识别图像内容(或者说在图像中加入视觉内容标签)的常用方案是基于深度学习模型,对图像的内容进行预测。图1a是现有技术中基于深度学习模型预测图像内容的流程图。如图1a所示,对样本图像进行标注,采用深度模型学习大量的标注图像样本,将未知图像或者新图像输入到训练好的深度模型中,输出对未知图像或者新图像的预测结果,也即,输出与未知图像或者新图像对应的视觉内容标签。
一般来说,一个大型的视觉标签确定模型通常需要数百万到几千万的标注数据,而这些标注数据在标注过程中需要耗费大量的人力物力。例如,计算机视觉系统识别项目ImageNet训练数据集有一千多万人工标注数据,这些标注样本如果采用外包给专门的人工众测标注平台,需要消耗大量的资金和时间。此外,目前的视觉标签确定模型,准确率最高能勉强达到80%,离真正可靠使用还有一定差距。
发明内容
本发明实施例提供了一种标签图片集的建立、标签的确定方法、装置、设备以及存储介质标签图片集的建立标签的确定,在大大降低人工成本的基础上,提高确定图片的视觉标签的准确性。
第一方面,本发明实施例提供了一种标签图片集的建立方法,包括:
根据用户的点击图片日志,获取第一图片集,并根据所述第一图片集生成聚类图片簇;
在所述聚类图片簇中获取设定数量的图片,构成与所述聚类图片簇对应的第二图片集;
如果所述第二图片集中各图片的图片内容信息满足内容集中条件,则将所述第二图片集作为候选图片集,并建立与所述候选图片集匹配的视觉标签;
筛除所述候选图片集中的无效图片后生成视觉标签图片集,其中,所述视觉标签图片集中的各视觉标签图片对应所述视觉标签图片集的视觉标签。
第二方面,本发明实施例还提供了一种标签的确定方法,包括:
获取待添加标签图片;
将所述待添加标签图片分别与至少两个视觉标签图片集中的各视觉标签图片进行相似度计算;
获取与所述待添加标签图片满足相似度条件的至少两个目标视觉标签图片,并根据与所述至少两个目标视觉标签图片分别对应的视觉标签,确定所述待添加标签图片的视觉标签。
第三方面,本发明实施例还提供了一种标签图片集的建立装置,包括:
第一图片集生成模块,用于根据用户的点击图片日志,获取第一图片集,并根据所述第一图片集生成聚类图片簇;
第二图片集生成模块,用于在所述聚类图片簇中获取设定数量的图片,构成与所述聚类图片簇对应的第二图片集;
视觉标签建立模块,用于如果所述第二图片集中各图片的图片内容信息满足内容集中条件,则将所述第二图片集作为候选图片集,并建立与所述候选图片集匹配的视觉标签;
视觉标签图片集生成模块,用于筛除所述候选图片集中的无效图片后生成视觉标签图片集,其中,所述视觉标签图片集中的各视觉标签图片对应所述视觉标签图片集的视觉标签。
第四方面,本发明实施例还提供了一种标签的确定装置,包括:
待添加标签图片获取模块,用于获取待添加标签图片;
相似度计算模块,用于将所述待添加标签图片分别与至少两个视觉标签图片集中的各视觉标签图片进行相似度计算;
视觉标签确定模块,用于获取与所述待添加标签图片满足相似度条件的至少两个目标视觉标签图片,并根据与所述至少两个目标视觉标签图片分别对应的视觉标签,确定所述待添加标签图片的视觉标签。
第五方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本发明实施例中任一所述的标签图片集的建立方法。
第六方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本发明实施例中任一所述的标签的确定方法。
第七方面,本发明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本发明实施例中任一所述的标签图片集的建立方法。
第八方面,本发明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本发明实施例中任一所述的标签的确定方法。
本实施例的技术方案,通过确定出与不同视觉标签对应的视觉标签图片集后,比对待添加标签图片与各视觉标签图片集中的各图片的相似度,筛选出与该待添加标签图片匹配的视觉标签图片集,并使用匹配的视觉标签图片集的视觉标签作为所述待添加标签图片的视觉标签的技术手段,能够在最小化时间以及人工成本的基础上,构建与视觉标签匹配度高的视觉标签图片集,同时,优化了现有的视觉标签的建立方法,能够准确建立待添加标签图片的视觉标签。
附图说明
图1a为现有技术中的一种深度学习模型的功能框图;
图1b为本发明实施例一中的一种标签图片集的建立方法的流程图;
图1c为本发明实施例一中的一种标签图片集的建立方法的流程图;
图2为本发明实施例二中的一种标签的确定方法的流程图;
图3为本发明实施例三中的一种标签图片集的建立装置的示意图;
图4为本发明实施例四中的一种标签的确定装置的示意图;
图5为本发明实施例五中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1b为本发明实施例一提供的一种标签图片集的建立方法的流程图,本实施例可适用于建立用于确定待添加图片视觉标签的视觉标签图片集的情况,该方法可以由标签图片集的建立装置来执行,该装置可采用软件和/或硬件的方式实现,并一般可集成在服务器中。具体包括如下操作:
S110,根据用户的点击图片日志,获取第一图片集,并根据所述第一图片集生成聚类图片簇。
在本实施例中,所述点击图片日志,可以是用户点击浏览某一张图片所对应生成的点击日志。其中,所述点击日志中一般记录有用户所点击图片的图标标识信息(例如,图片的存储地址)以及用户的点击时间等信息。
为了使得最终得到的视觉标签图片集中的图片更具有代表性,在本实施例中考虑到选取用户在设定图片展示产品中点击次数比较多的图片作为数据源以最终生成所述视觉标签图片集。
相应的,根据用户的点击图片日志,获取第一图片集,可以包括:获取用户针对设定图片展示产品生成的点击图片日志;根据所述点击图片日志,获取点击次数超过点击数量阈值的图片加入所述第一图片集中。
其中,所述图片展示产品可以包括:基于移动终端的FEED流图集推荐产品。
可以理解的是,所述图片展示产品还可以包括:设定搜索引擎的图片搜索垂直类产品或者设定图片搜索引擎产品等,本实施例对此并不进行限制。
进一步的,为了保证最终得到的视觉标签图片集中的图片的时效性,所述获取用户针对设定图片展示产品生成的点击图片日志可以进一步包括:获取设定时间区间内(例如,半年内、一月内、或者一周内),用户针对设定图片展示产品生成的点击图片。
相应的,所述第一图片集中包括有在设定图片展示产品中获取的,用户点击频度较高的,时效性较好的多张图片作为最终生成所述视觉标签图片集的数据源。
进一步的,为了建立与不同视觉标签对应的视觉标签图片集,首先对所述第一图片集中包括的各个图片进行聚类处理,以实现对所述第一图片集进行粗分组,将第一图片集中相似的多张图片聚为一类。
典型的,可以首先对第一图片集中的所有图片均进行向量化处理,并采用设定聚类算法生成于所述第一图片集对应的一个或者多个聚类图片簇。其中,向量化可以指将一张图片用一个浮点数的向量来表示,一般来说,向量化用于图片的相似度计算。
例如,向量化处理可以采用深度学习模型对相似图片进行学习,向训练好的深度学习模型输入图片,取倒数第二层即全连接层的输出向量作为该输入图片的向量。
具体的,聚类算法可以是指将图片分为由多个相似的图片组成的多个类的算法。需要说明的是,聚类算法可以是划分方法、层次方法、基于密度的方法、基于网格的方法或基于模型的方法,在此,本实施例并不作具体限制。
在一个具体例子中,设定点击数量阈值为50次,从移动终端的FEED流图集推荐产品的点击图片日志中,获取6个月内,被用户点击次数超过50次的图片,统计共有800万张图片,由这800万张图片形成第一图片集。对该第一图片集中的所有图片均进行向量化处理,并采用聚类算法进行分类,生成1024个簇,即聚类图片簇。
实际上,由第一图片集所最终得到的聚类图片簇的数量可以根据实际需要或者实现效果进行预先设置,本实施例对此并不进行限制。
S120,在所述聚类图片簇中获取设定数量的图片,构成与所述聚类图片簇对应的第二图片集。
在本实施例中,由于每个聚类图片簇中的图片数目庞大,可以从一个聚类图片簇中抽取设定数量的图片,作为代表该聚类图片簇的样本,通过从每个聚类图片簇中均抽取设定数量的图片,形成与各个聚类图片簇分别对应的样本图片集,并将样本图片集作为第二图片集。
其中,抽取操作可以随机抽取也可以按照时间顺序倒序或者顺序抽取等,本实施例对此并不进行限制。可选的,为了保证抽取的图片样本具有代表性,可以采取随机抽取的方式获取聚类图片簇中设定数量的图片,构成所述第二图片集。
如前例,在生成的1024个聚类图片簇中,可以分别随机抽取每个聚类图片簇中2000张图片,将由该2000张图片形成的图片集作为一个第二图片集,共生成1024个第二图片集。
S130,如果所述第二图片集中各图片的图片内容信息满足内容集中条件,则将所述第二图片集作为候选图片集,并建立与所述候选图片集匹配的视觉标签。
在本实施例中,可以选取一个第二图片集,计算所选取的第二图片集中任意两个图片之间的向量距离,如果向量距离的计算值在预设范围内的数目超过预设数目,则确定该第二图片集满足内容集中条件,并将该第二图片集作为候选图片集。其中,计算两个图片之间的向量距离可以根据两个图片向量化之后的向量,计算两个向量之间的距离,即为两个图片之间的向量距离。
进一步的,还可以将各所述第二图片集发送至人工确定模块,由人工粗略确定所述第二图片集中的内容是否集中,并在人工确定模块判定所述第二图片集中的内容集中时,确定所述第二图片集中各图片的图片内容信息满足内容集中条件。
例如:人工确定模块获取所述第二图片集后,可以随机抽取所述第二图片集中的设定数量的图片,如果确定满足数量条件(例如,超过半数,或者超过2/3)的图片中的内容相一致,例如:图片中均包括一匹马,则直接确定所述第二图片集中的内容集中。
在本实施例的一个可选的实施方式中,建立与所述候选图片集匹配的视觉标签,可以包括:将所述候选图片集发送至人工处理模块,获取所述人工处理模块反馈的与所述候选图片集匹配的视觉标签。
具体的,可以通过人工方式建立与候选图片集匹配的视觉标签。人工处理模块可以是人工处理平台,用于以人工方式查看和分析图片,分析候选图片集中各个图片的主要内容,确定并反馈与候选图片集匹配的视觉标签。相应的,在接收到人工处理模块反馈的视觉标签后,将所述视觉标签作为与所述候选图片集匹配的视觉标签。
在本实施例的另一个可选的实施方式中,建立与所述候选图片集匹配的视觉标签,还可以包括:将所述候选图片集中包括的各个照片与已有标签的多张图片进行匹配,并根据匹配结果确定与所述候选图片集对应的多个候选标签,之后将该候选标签以及所述候选图片集共同发送至所述人工处理模块,由人工选择确定与所述候选图片集最匹配的候选标签作为所述候选图片集的视觉标签,以进一步减少人工操作量。
通过人工方式为候选图片建立匹配的视觉标签,提高为候选图片集建立视觉标签的准确率。
如前例,在1024个第二图片集中,获取满足内容集中条件的1200个候选图片集,并对应建立了1200个视觉标签。
S140,筛除所述候选图片集中的无效图片后生成视觉标签图片集,其中,所述视觉标签图片集中的各视觉标签图片对应所述视觉标签图片集的视觉标签。
在本实施例中,无效图片可以是与候选图片集中其他图片重复的图片,也可以是与视觉标签不匹配的图片。筛除候选图片集中的重复图片,精简候选图片集,提高后续数据处理效率;筛除候选图片集中与视觉标签不匹配的图片,可以保证候选图片集所建立的视觉标签的准确性。具体的,与候选图片集中其他图片重复的图片和与视觉标签不匹配的图片均可以通过计算与候选图片集中其他图片的相似度确定。
在本实施例的一个可选的实施方式中,筛除所述候选图片集中的无效图片后生成视觉标签图片集,可以包括:依次获取所述候选图片集中的一张候选图片,作为当前操作图片;分别计算所述当前操作图片与所述候选图片集中其他候选图片的相似度;如果确定所述当前操作图片与任一其他候选图片的相似度超过第一相似度阈值,或者所述当前操作图片与设定数量的其他候选图片的相似度均未超过第二相似度阈值,则确定所述当前操作图片为无效图片,并在所述候选图片集中筛除所述当前操作图片;返回执行所述依次获取所述候选图片集中的一张候选图片,作为当前操作图片的操作,直至完成对所述目标候选图片集中全部图片的处理,并在处理结束后的各所述候选图片中分别加入与所述候选图片集匹配的视觉标签;根据加入视觉标签后的所述候选图片集,得到所述视觉标签图片集。
具体的,逐一判断候选图片集中的图片是否为无效图片。如果确定当前操作图片与任一其他候选图片的相似度超过第一相似度阈值,则确定当前操作图片为重复的图片即无效图片,并筛除当前操作图片。如果当前操作图片与设定数量的其他候选图片的相似度均未超过第二相似度阈值,则确定当前操作图片为与该候选图片集的视觉标签不匹配的图片即无效图片,并筛除当前操作图片。当候选图片集中的所有图片均完成无效图片的检测操作时,为剩余的图片加入该候选图片集匹配的视觉标签,并将该候选图片集中加入视觉标签的图片形成的图片集作为视觉标签图片集。
在一个具体例子中,候选图片集中共有2000张图片,第一相似度阈值可以为0.98,第二相似度阈值可以为0.5,设定数量可以为1500。从2000张图片中任意选择一张图片作为当前操作图片,并计算当前操作图片与剩余1999张图片的相似度,如果存在一张图片与当前操作图片的相似度超过0.98,或者如果有超过1500张图片与当前操作图片的相似度低于0.5,确定当前操作图片为无效图片并删除。再从1999张图中任选一张图片进行判断。直至候选图片集中所有图片完成检测。
通过逐一检测候选图片集中的图片与剩余图片的相似度,确定并删除无效图片,精简候选图片集,并保留与视觉标签匹配的图片,形成视觉标签图片集,减少冗余数据,提高数据处理效率,提高图片集与视觉标签的匹配度。
在本实施例的一个可选的实施方式中,根据加入视觉标签后的所述候选图片集,得到所述视觉标签图片集,可以包括:将加入视觉标签后的所述候选图片集发送至人工校验平台,将所述人工校验平台校验后反馈的所述候选图片集作为所述视觉标签图片集。
具体的,通过人工校验候选图片集是否与加入视觉标签相匹配,进一步保证视觉标签建立的正确性。人工校验平台可以是人工处理系统。通过人工处理系统可以实现对图片的筛选和视觉标签的校验,为图片集建立精确的视觉标签。
需要说明的是,在建立视觉标签图片集的过程中,采用人工方式进行操作,但均是在以自动化精简图片数量之后执行人工复核操作,大大减少了人工处理的图片数量,减少了人工成本。
图1c为本发明实施例一中的一种标签图片集的建立方法的流程图。如图1c所示,S101根据用户的图片点击记录,获取图片;S102对获取的图片进行向量化处理,可以采用图片向量代表图片;S103基于图片向量进行聚类分析,形成聚类图片簇;S104选取任意一个聚类图片簇进行抽样操作,随机抽取设定数量的图片,将抽取的图片作为该聚类图片簇的代表样本;S105判断代表样本中内容信息是否满足内容集中条件;S107如果是,则为该聚类图片簇建立视觉标签,同时执行S108,从该代表样本中筛除无效图片;S106如果否,则删除该聚类图片簇;S109当对该聚类图片簇的处理操作完成时,判断所有聚类图片簇是否完成抽样处理;S111如果是,则将带有视觉标签的代表样本构成视觉标签图片集;S112如果否,则选择下一个聚类图片簇进行抽样处理,直至所有聚类图片簇完成抽样处理。
本实施例的技术方案,通过确定出与不同视觉标签对应的视觉标签图片集后,比对待添加标签图片与各视觉标签图片集中的各图片的相似度,筛选出与该待添加标签图片匹配的视觉标签图片集,并使用匹配的视觉标签图片集的视觉标签作为所述待添加标签图片的视觉标签的技术手段,能够在最小化时间以及人工成本的基础上,构建与视觉标签匹配度高的视觉标签图片集,同时,优化了现有的视觉标签的建立方法,能够准确建立待添加标签图片的视觉标签。
实施例二
图2为本发明实施例二提供的一种标签的确定方法的流程图,本实施例可适用于为待识别图片添加标签的情况,该方法可以由标签的确定装置来执行,该装置可采用软件和/或硬件的方式实现,并一般可集成在服务器中。相应的,本实施例的方法可以包括:
S210,获取待添加标签图片。
在本实施例中,待添加标签图片可以是任意一张未建立视觉标签的图片。
S220,将所述待添加标签图片分别与至少两个视觉标签图片集中的各视觉标签图片进行相似度计算,其中,所述视觉标签图片集中的各视觉标签图片对应所述视觉标签图片集的视觉标签。
在本实施例中,将待添加标签图片依次与至少两个视觉标签图片集中的图片进行相似度计算。视觉标签图片集中的图片逐一与待添加标签图片进行相似度计算,其中,计算相似度可以通过计算图片向量化后的向量之间的距离的方式实现。具体的,如果一个视觉标签图片集中有1000张图片,计算量较大,可以通过ANN服务进行加速计算,提高相似度计算的效率。
典型的,所述视觉标签图片集为通过本发明任意实施例所述的标签图片集的建立方法建立的。
S230,获取与所述待添加标签图片满足相似度条件的至少两个目标视觉标签图片,并根据与所述至少两个目标视觉标签图片分别对应的视觉标签,确定所述待添加标签图片的视觉标签。
在本实施例中,相似度条件可以是图片之间的相似度大于等于设定相似度阈值,目标视觉标签图片可以是视觉标签图片集中与待添加标签图片的相似度大于等于设定相似度阈值的图片。
具体的,获取与待添加标签图片的相似度大于等于设定相似度阈值的图片,作为目标视觉标签图片,可以统计满足相似度条件的目标视觉标签图片的对应的视觉标签的种类,以及每种视觉标签对应的目标视觉标签图片的数目,并将对应目标视觉标签图片数目最大的视觉标签作为待添加标签图片的视觉标签。
在本实施例的一个可选的实施方式中,获取与所述待添加标签图片满足相似度条件的至少两个目标视觉标签图片,并根据与所述至少两个目标视觉标签图片分别对应的视觉标签,确定所述待添加标签图片的视觉标签,可以包括:获取与所述待添加标签图片满足相似度条件的至少两个目标视觉标签图片,并根据各所述目标视觉标签图片的视觉标签,统计与同一视觉标签对应的目标视觉标签图片的数量;根据各所述目标视觉标签图片与所述待添加标签图片的相似度值以及各所述目标视觉标签图片的视觉标签,确定与所述同一视觉标签对应的相似度累加和;如果与目标视觉标签对应的所述目标视觉标签图片的数量超过图片数量阈值,且与所述目标视觉标签对应的相似度累加和超过相似度累加阈值,则将所述目标视觉标签确定为所述待添加标签图片的视觉标签。
具体的,根据各所述目标视觉标签图片的视觉标签、与同一视觉标签对应的目标视觉标签图片的数量、以及各所述目标视觉标签图片与所述待添加标签图片的相似度值,确定待添加标签图片的视觉标签。
在一个具体例子中,3个视觉标签图片集分别有100张图片,且对应的视觉标签分别为A、B、C,相似度条件为相似度大于等于0.8,图片数量阈值为75,相似度累加阈值为70,计算待添加标签图片与370张图片之间的相似度,将相似度大于等于0.8的图片作为目标视觉标签图片,并记作集合R,统计集合R中视觉标签A、B、C对应的目标视觉标签图片的数量,分别为75、60、80,相似度累加和分别为60、45、72,则确定视觉标签C为待添加标签图片的视觉标签。经过抽样检测,基于视觉标签图片集为待测图片建立视觉标签的方法的准确率可达92.7%。
在本实施例中,通过统计与待添加标签图片相似的目标视觉标签图片的相似度值、以及对应至少两种视觉标签的目标视觉标签的数量,确定待添加标签图片的视觉标签,能够准确建立待添加标签图片的视觉标签。
在本实施例的一个可选的实施方式中,在根据与所述至少两个目标视觉标签图片分别对应的视觉标签,确定所述待添加标签图片的视觉标签之后,还可以包括:将加入确定的所述视频标签后的所述待添加标签图片作为待推荐图片存储于推荐图片库中;
相应的,所述方法还包括:获取用户输入的图片搜索式,并将所述图片搜索式与所述推荐图片库中各待推荐图片的视觉标签进行匹配;根据匹配结果,在所述待推荐图片库中获取与所述图片搜索式匹配的至少一张待推荐图片提供给所述用户。
其中,推荐图片库中包括视觉标签图片集,并将待添加标签图片作为待推荐图片进行保存,由此不断扩充推荐图片库。
具体的,图片搜索式可以是以文字形式表述的搜索式,也可以直接是图片形式的搜索式,还可以是语音形式的搜索式。相应的,以文字形式表述的搜索式或语音形式的搜索式,可以获取搜索式中的内容,并直接判断该搜索式内容包含的文字是否与推荐图片库中任意一个待推荐图片的视觉标签匹配,确定与搜索式匹配的视觉标签,并从推荐图片库中获取该视觉标签的图片提供给用户。若搜索式是图片,则为该图片添加视觉标签,并从推荐图片库中获取与添加的视觉标签匹配的待推荐图片提供给用户。
通过构建推荐图片库,并通过用户输入的搜索式,确定至少一张待推荐图片,能够准确分析用户的图片兴趣,向用户推荐匹配度高的图片,提高用户体验。
在本实施例中,通过逐一计算待添加标签图片与视觉标签图片集中的图片,获取满足相似度条件的目标视觉标签图片对应的视觉标签,确定所述待添加标签图片的视觉标签的技术手段,能够提高图片标签提取的准确率。
实施例三
图3为本发明实施例三提供的一种标签图片集的建立装置的结构示意图。如图3所示,所述装置包括:第一图片集生成模块310、第一图片集生成模块320、视觉标签建立模块330以及视觉标签图片集生成模块340,其中:
第一图片集生成模块310,用于根据用户的点击图片日志,获取第一图片集,并根据所述第一图片集生成聚类图片簇;
第二图片集生成模块320,用于在所述聚类图片簇中获取设定数量的图片,构成与所述聚类图片簇对应的第二图片集;
视觉标签建立模块330,用于如果所述第二图片集中各图片的图片内容信息满足内容集中条件,则将所述第二图片集作为候选图片集,并建立与所述候选图片集匹配的视觉标签;
视觉标签图片集生成模块340,用于筛除所述候选图片集中的无效图片后生成视觉标签图片集,其中,所述视觉标签图片集中的各视觉标签图片对应所述视觉标签图片集的视觉标签。
本实施例的技术方案,通过确定出与不同视觉标签对应的视觉标签图片集后,比对待添加标签图片与各视觉标签图片集中的各图片的相似度,筛选出与该待添加标签图片匹配的视觉标签图片集,并使用匹配的视觉标签图片集的视觉标签作为所述待添加标签图片的视觉标签的技术手段,能够在最小化时间以及人工成本的基础上,构建与视觉标签匹配度高的视觉标签图片集,同时,优化了现有的视觉标签的建立方法,能够准确建立待添加标签图片的视觉标签。
进一步的,所述第一图片集生成模块310,用于:获取用户针对设定图片展示产品生成的点击图片日志;根据所述点击图片日志,获取点击次数超过点击数量阈值的图片加入所述第一图片集中。
进一步的,所述第一图片集生成模块310,用于:所述设定图片展示产品包括:基于移动终端的FEED流图集推荐产品。
进一步的,所述视觉标签建立模块330,用于:将所述候选图片集发送至人工处理模块,获取所述人工处理模块反馈的与所述候选图片集匹配的视觉标签。
进一步的,所述视觉标签图片集生成模块340,用于:依次获取所述候选图片集中的一张候选图片,作为当前操作图片;分别计算所述当前操作图片与所述候选图片集中其他候选图片的相似度;如果确定所述当前操作图片与任一其他候选图片的相似度超过第一相似度阈值,或者所述当前操作图片与设定数量的其他候选图片的相似度均未超过第二相似度阈值,则确定所述当前操作图片为无效图片,并在所述候选图片集中筛除所述当前操作图片;返回执行所述依次获取所述候选图片集中的一张候选图片,作为当前操作图片的操作,直至完成对所述目标候选图片集中全部图片的处理,并在处理结束后的各所述候选图片中分别加入与所述候选图片集匹配的视觉标签;根据加入视觉标签后的所述候选图片集,得到所述视觉标签图片集。
进一步的,所述视觉标签图片集生成模块340,用于:将加入视觉标签后的所述候选图片集发送至人工校验平台,将所述人工校验平台校验后反馈的所述候选图片集作为所述视觉标签图片集。
上述标签图片集的建立装置可执行本发明任意实施例所提供的标签图片集的建立方法,具备执行的标签图片集的建立方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种标签的确定装置的结构示意图。如图4所示,所述装置包括:待添加标签图片获取模块410、相似度计算模块420、以及视觉标签确定模块430,其中:
待添加标签图片获取模块410,用于获取待添加标签图片;
相似度计算模块420,用于将所述待添加标签图片分别与至少两个视觉标签图片集中的各视觉标签图片进行相似度计算;
视觉标签确定模块430,用于获取与所述待添加标签图片满足相似度条件的至少两个目标视觉标签图片,并根据与所述至少两个目标视觉标签图片分别对应的视觉标签,确定所述待添加标签图片的视觉标签。
在本发明实施例中,通过逐一计算待添加标签图片与视觉标签图片集中的图片,获取满足相似度条件的目标视觉标签图片对应的视觉标签,确定所述待添加标签图片的视觉标签的技术手段,能够提高图片标签提取的准确率。
进一步的,所述视觉标签确定模块430,用于:获取与所述待添加标签图片满足相似度条件的至少两个目标视觉标签图片,并根据各所述目标视觉标签图片的视觉标签,统计与同一视觉标签对应的目标视觉标签图片的数量;根据各所述目标视觉标签图片与所述待添加标签图片的相似度值以及各所述目标视觉标签图片的视觉标签,确定与所述同一视觉标签对应的相似度累加和;如果与目标视觉标签对应的所述目标视觉标签图片的数量超过图片数量阈值,且与所述目标视觉标签对应的相似度累加和超过相似度累加阈值,则将所述目标视觉标签确定为所述待添加标签图片的视觉标签。
进一步的,所述视觉标签确定模块430,用于:将加入确定的所述视频标签后的所述待添加标签图片作为待推荐图片存储于推荐图片库中。
进一步的,所述装置还包括:图片推荐模块440,用于:获取用户输入的图片搜索式,并将所述图片搜索式与所述推荐图片库中各待推荐图片的视觉标签进行匹配;根据匹配结果,在所述待推荐图片库中获取与所述图片搜索式匹配的至少一张待推荐图片提供给所述用户。
上述标签的确定装置可执行本发明任意实施例所提供的标签的确定方法,具备执行的标签的确定方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备512的框图。图5显示的计算机设备512仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机设备512以通用计算设备的形式表现。计算机设备512的组件可以包括但不限于:一个或者多个处理器或者处理单元516,系统存储器528,连接不同系统组件(包括系统存储器528和处理单元516)的总线518。
总线518表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备512访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器528可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)530和/或高速缓存存储器532。计算机设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统534可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储器528可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540,可以存储在例如存储器528中,这样的程序模块542包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信,还可与一个或者多个使得用户能与该计算机设备512交互的设备通信,和/或与使得该计算机设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且,计算机设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器520通过总线518与计算机设备512的其它模块通信。应当明白,尽管图5中未示出,可以结合计算机设备512使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元516通过运行存储在系统存储器528中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种标签图片集的建立方法。
也即,所述处理单元执行所述程序时实现:根据用户的点击图片日志,获取第一图片集,并根据所述第一图片集生成聚类图片簇;
在所述聚类图片簇中获取设定数量的图片,构成与所述聚类图片簇对应的第二图片集;
如果所述第二图片集中各图片的图片内容信息满足内容集中条件,则将所述第二图片集作为候选图片集,并建立与所述候选图片集匹配的视觉标签;
筛除所述候选图片集中的无效图片后生成视觉标签图片集,其中,所述视觉标签图片集中的各视觉标签图片对应所述视觉标签图片集的视觉标签。
又例如实现本发明实施例所提供的一种标签的确定方法。
也即,所述处理单元执行所述程序时实现:获取待添加标签图片;
将所述待添加标签图片分别与至少两个视觉标签图片集中的各视觉标签图片进行相似度计算,其中,所述视觉标签图片集中的各视觉标签图片对应所述视觉标签图片集的视觉标签;
获取与所述待添加标签图片满足相似度条件的至少两个目标视觉标签图片,并根据与所述至少两个目标视觉标签图片分别对应的视觉标签,确定所述待添加标签图片的视觉标签。
实施例六
本发明实施例六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,例如实现本发明实施例所提供的一种标签图片集的建立方法。
也即,所述处理单元执行所述程序时实现:根据用户的点击图片日志,获取第一图片集,并根据所述第一图片集生成聚类图片簇;
在所述聚类图片簇中获取设定数量的图片,构成与所述聚类图片簇对应的第二图片集;
如果所述第二图片集中各图片的图片内容信息满足内容集中条件,则将所述第二图片集作为候选图片集,并建立与所述候选图片集匹配的视觉标签;
筛除所述候选图片集中的无效图片后生成视觉标签图片集,其中,所述视觉标签图片集中的各视觉标签图片对应所述视觉标签图片集的视觉标签。
又例如实现本发明实施例所提供的一种标签的确定方法。
也即,所述处理单元执行所述程序时实现:获取待添加标签图片;
将所述待添加标签图片分别与至少两个视觉标签图片集中的各视觉标签图片进行相似度计算,其中,所述视觉标签图片集中的各视觉标签图片对应所述视觉标签图片集的视觉标签;
获取与所述待添加标签图片满足相似度条件的至少两个目标视觉标签图片,并根据与所述至少两个目标视觉标签图片分别对应的视觉标签,确定所述待添加标签图片的视觉标签。
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发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、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)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明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发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种标签图片集的建立方法,其特征在于,包括:
根据用户的点击图片日志,获取第一图片集,并根据所述第一图片集生成聚类图片簇;
在所述聚类图片簇中获取设定数量的图片,构成与所述聚类图片簇对应的第二图片集;
如果所述第二图片集中各图片的图片内容信息满足内容集中条件,则将所述第二图片集作为候选图片集,并建立与所述候选图片集匹配的视觉标签;
筛除所述候选图片集中的无效图片后生成视觉标签图片集,其中,所述视觉标签图片集中的各视觉标签图片对应所述视觉标签图片集的视觉标签。
2.根据权利要求1所述的方法,其特征在于,所述根据用户的点击图片日志,获取第一图片集,包括:
获取用户针对设定图片展示产品生成的点击图片日志;
根据所述点击图片日志,获取点击次数超过点击数量阈值的图片加入所述第一图片集中。
3.根据权利要求2所述的方法,其特征在于,所述设定图片展示产品包括:
基于移动终端的FEED流图集推荐产品。
4.根据权利要求1所述的方法,其特征在于,所述建立与所述候选图片集匹配的视觉标签,包括:
将所述候选图片集发送至人工处理模块,获取所述人工处理模块反馈的与所述候选图片集匹配的视觉标签。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述筛除所述候选图片集中的无效图片后生成视觉标签图片集,包括:
依次获取所述候选图片集中的一张候选图片,作为当前操作图片;
分别计算所述当前操作图片与所述候选图片集中其他候选图片的相似度;
如果确定所述当前操作图片与任一其他候选图片的相似度超过第一相似度阈值,或者所述当前操作图片与设定数量的其他候选图片的相似度均未超过第二相似度阈值,则确定所述当前操作图片为无效图片,并在所述候选图片集中筛除所述当前操作图片;
返回执行所述依次获取所述候选图片集中的一张候选图片,作为当前操作图片的操作,直至完成对所述目标候选图片集中全部图片的处理,并在处理结束后的各所述候选图片中分别加入与所述候选图片集匹配的视觉标签;
根据加入视觉标签后的所述候选图片集,得到所述视觉标签图片集。
6.根据权利要求5所述的方法,其特征在于,所述根据加入视觉标签后的所述候选图片集,得到所述视觉标签图片集,包括:
将加入视觉标签后的所述候选图片集发送至人工校验平台,将所述人工校验平台校验后反馈的所述候选图片集作为所述视觉标签图片集。
7.一种标签的确定方法,其特征在于,包括:
获取待添加标签图片;
将所述待添加标签图片分别与至少两个视觉标签图片集中的各视觉标签图片进行相似度计算,其中,所述视觉标签图片集中的各视觉标签图片对应所述视觉标签图片集的视觉标签;
获取与所述待添加标签图片满足相似度条件的至少两个目标视觉标签图片,并根据与所述至少两个目标视觉标签图片分别对应的视觉标签,确定所述待添加标签图片的视觉标签。
8.根据权利要求7所述的方法,其特征在于,所述获取与所述待添加标签图片满足相似度条件的至少两个目标视觉标签图片,并根据与所述至少两个目标视觉标签图片分别对应的视觉标签,确定所述待添加标签图片的视觉标签,包括:
获取与所述待添加标签图片满足相似度条件的至少两个目标视觉标签图片,并根据各所述目标视觉标签图片的视觉标签,统计与同一视觉标签对应的目标视觉标签图片的数量;
根据各所述目标视觉标签图片与所述待添加标签图片的相似度值以及各所述目标视觉标签图片的视觉标签,确定与所述同一视觉标签对应的相似度累加和;
如果与目标视觉标签对应的所述目标视觉标签图片的数量超过图片数量阈值,且与所述目标视觉标签对应的相似度累加和超过相似度累加阈值,则将所述目标视觉标签确定为所述待添加标签图片的视觉标签。
9.根据权利要求7或8所述的方法,其特征在于,在根据与所述至少两个目标视觉标签图片分别对应的视觉标签,确定所述待添加标签图片的视觉标签之后,还包括:
将加入确定的所述视频标签后的所述待添加标签图片作为待推荐图片存储于推荐图片库中;
所述方法还包括:获取用户输入的图片搜索式,并将所述图片搜索式与所述推荐图片库中各待推荐图片的视觉标签进行匹配;
根据匹配结果,在所述待推荐图片库中获取与所述图片搜索式匹配的至少一张待推荐图片提供给所述用户。
10.一种标签图片集的建立装置,其特征在于,包括:
第一图片集生成模块,用于根据用户的点击图片日志,获取第一图片集,并根据所述第一图片集生成聚类图片簇;
第二图片集生成模块,用于在所述聚类图片簇中获取设定数量的图片,构成与所述聚类图片簇对应的第二图片集;
视觉标签建立模块,用于如果所述第二图片集中各图片的图片内容信息满足内容集中条件,则将所述第二图片集作为候选图片集,并建立与所述候选图片集匹配的视觉标签;
视觉标签图片集生成模块,用于筛除所述候选图片集中的无效图片后生成视觉标签图片集,其中,所述视觉标签图片集中的各视觉标签图片对应所述视觉标签图片集的视觉标签。
11.一种标签的确定装置,其特征在于,包括:
待添加标签图片获取模块,用于获取待添加标签图片;
相似度计算模块,用于将所述待添加标签图片分别与至少两个视觉标签图片集中的各视觉标签图片进行相似度计算;
视觉标签确定模块,用于获取与所述待添加标签图片满足相似度条件的至少两个目标视觉标签图片,并根据与所述至少两个目标视觉标签图片分别对应的视觉标签,确定所述待添加标签图片的视觉标签。
12.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一所述的标签图片集的建立方法。
13.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求7-9中任一所述的标签的确定方法。
14.一种计算机可读存储介质,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1-6中任一所述的标签图片集的建立方法。
15.一种计算机可读存储介质,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7-9中任一所述的标签的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711321907.8A CN108062377A (zh) | 2017-12-12 | 2017-12-12 | 标签图片集的建立、标签的确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711321907.8A CN108062377A (zh) | 2017-12-12 | 2017-12-12 | 标签图片集的建立、标签的确定方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108062377A true CN108062377A (zh) | 2018-05-22 |
Family
ID=62138205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711321907.8A Pending CN108062377A (zh) | 2017-12-12 | 2017-12-12 | 标签图片集的建立、标签的确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108062377A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069595A (zh) * | 2019-03-07 | 2019-07-30 | 平安科技(深圳)有限公司 | 语料标签确定方法、装置、电子设备及存储介质 |
CN110083732A (zh) * | 2019-03-12 | 2019-08-02 | 浙江大华技术股份有限公司 | 图片检索方法、装置及计算机存储介质 |
CN110096607A (zh) * | 2019-04-17 | 2019-08-06 | 广州思德医疗科技有限公司 | 一种标签图片的获取方法及装置 |
CN110798736A (zh) * | 2019-11-28 | 2020-02-14 | 百度在线网络技术(北京)有限公司 | 视频播放方法、装置、设备和介质 |
CN111368866A (zh) * | 2019-03-13 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 图片分类方法、装置及系统 |
CN111897984A (zh) * | 2020-05-28 | 2020-11-06 | 广州市玄武无线科技股份有限公司 | 图片标注方法、装置、终端设备及存储介质 |
CN112100425A (zh) * | 2020-09-17 | 2020-12-18 | 广州图普网络科技有限公司 | 基于人工智能的标签标注方法、装置、电子设备及介质 |
CN112131417A (zh) * | 2019-06-25 | 2020-12-25 | 北京百度网讯科技有限公司 | 图像标签生成方法及装置 |
CN112328819A (zh) * | 2020-11-07 | 2021-02-05 | 嘉兴智设信息科技有限公司 | 一种基于图片集推荐相似图片的方法 |
CN112395447A (zh) * | 2020-11-27 | 2021-02-23 | 北京有竹居网络技术有限公司 | 基于图片的标签体系更新方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609450A (zh) * | 2009-04-10 | 2009-12-23 | 南京邮电大学 | 基于训练集的网页分类方法 |
CN102254006A (zh) * | 2011-07-15 | 2011-11-23 | 上海交通大学 | 基于内容的互联网视频检索方法 |
CN104392253A (zh) * | 2014-12-12 | 2015-03-04 | 南京大学 | 一种草图数据集的交互式类别标注方法 |
CN104572735A (zh) * | 2013-10-23 | 2015-04-29 | 华为技术有限公司 | 一种图片标注词推荐方法及装置 |
CN105512326A (zh) * | 2015-12-23 | 2016-04-20 | 成都品果科技有限公司 | 一种图片推荐的方法及系统 |
CN106021362A (zh) * | 2016-05-10 | 2016-10-12 | 百度在线网络技术(北京)有限公司 | 查询式的图片特征表示的生成、图片搜索方法和装置 |
CN107180075A (zh) * | 2017-04-17 | 2017-09-19 | 浙江工商大学 | 文本分类集成层次聚类分析的标签自动生成方法 |
-
2017
- 2017-12-12 CN CN201711321907.8A patent/CN108062377A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609450A (zh) * | 2009-04-10 | 2009-12-23 | 南京邮电大学 | 基于训练集的网页分类方法 |
CN102254006A (zh) * | 2011-07-15 | 2011-11-23 | 上海交通大学 | 基于内容的互联网视频检索方法 |
CN104572735A (zh) * | 2013-10-23 | 2015-04-29 | 华为技术有限公司 | 一种图片标注词推荐方法及装置 |
CN104392253A (zh) * | 2014-12-12 | 2015-03-04 | 南京大学 | 一种草图数据集的交互式类别标注方法 |
CN105512326A (zh) * | 2015-12-23 | 2016-04-20 | 成都品果科技有限公司 | 一种图片推荐的方法及系统 |
CN106021362A (zh) * | 2016-05-10 | 2016-10-12 | 百度在线网络技术(北京)有限公司 | 查询式的图片特征表示的生成、图片搜索方法和装置 |
CN107180075A (zh) * | 2017-04-17 | 2017-09-19 | 浙江工商大学 | 文本分类集成层次聚类分析的标签自动生成方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069595B (zh) * | 2019-03-07 | 2023-11-07 | 平安科技(深圳)有限公司 | 语料标签确定方法、装置、电子设备及存储介质 |
CN110069595A (zh) * | 2019-03-07 | 2019-07-30 | 平安科技(深圳)有限公司 | 语料标签确定方法、装置、电子设备及存储介质 |
CN110083732A (zh) * | 2019-03-12 | 2019-08-02 | 浙江大华技术股份有限公司 | 图片检索方法、装置及计算机存储介质 |
CN111368866A (zh) * | 2019-03-13 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 图片分类方法、装置及系统 |
CN110096607A (zh) * | 2019-04-17 | 2019-08-06 | 广州思德医疗科技有限公司 | 一种标签图片的获取方法及装置 |
CN112131417A (zh) * | 2019-06-25 | 2020-12-25 | 北京百度网讯科技有限公司 | 图像标签生成方法及装置 |
CN112131417B (zh) * | 2019-06-25 | 2024-04-02 | 北京百度网讯科技有限公司 | 图像标签生成方法及装置 |
CN110798736A (zh) * | 2019-11-28 | 2020-02-14 | 百度在线网络技术(北京)有限公司 | 视频播放方法、装置、设备和介质 |
CN111897984A (zh) * | 2020-05-28 | 2020-11-06 | 广州市玄武无线科技股份有限公司 | 图片标注方法、装置、终端设备及存储介质 |
CN112100425A (zh) * | 2020-09-17 | 2020-12-18 | 广州图普网络科技有限公司 | 基于人工智能的标签标注方法、装置、电子设备及介质 |
CN112100425B (zh) * | 2020-09-17 | 2024-03-26 | 广州图普网络科技有限公司 | 基于人工智能的标签标注方法、装置、电子设备及介质 |
CN112328819A (zh) * | 2020-11-07 | 2021-02-05 | 嘉兴智设信息科技有限公司 | 一种基于图片集推荐相似图片的方法 |
CN112395447A (zh) * | 2020-11-27 | 2021-02-23 | 北京有竹居网络技术有限公司 | 基于图片的标签体系更新方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108062377A (zh) | 标签图片集的建立、标签的确定方法、装置、设备及介质 | |
Pandey et al. | Towards understanding human similarity perception in the analysis of large sets of scatter plots | |
CN111339415B (zh) | 一种基于多交互式注意力网络的点击率预测方法与装置 | |
CN107832662B (zh) | 一种获取图片标注数据的方法和系统 | |
CN108921221A (zh) | 用户特征的生成方法、装置、设备及存储介质 | |
CN112395506A (zh) | 一种资讯推荐方法、装置、电子设备和存储介质 | |
CN110968695A (zh) | 基于弱监督技术主动学习的智能标注方法、装置及平台 | |
CN107908641B (zh) | 一种获取图片标注数据的方法和系统 | |
CN111666766A (zh) | 数据处理方法、装置和设备 | |
CN113051914A (zh) | 一种基于多特征动态画像的企业隐藏标签抽取方法及装置 | |
CN113761253A (zh) | 视频标签确定方法、装置、设备及存储介质 | |
CN110909768B (zh) | 一种标注数据获取方法及装置 | |
CN107944026A (zh) | 一种图集个性化推荐的方法、装置、服务器和存储介质 | |
Styliaras et al. | The MuseLearn platform: Personalized content for museum visitors assisted by vision-based recognition and 3D pose estimation of exhibits | |
CN109858024B (zh) | 一种基于word2vec的房源词向量训练方法及装置 | |
CN112925470B (zh) | 交互式电子白板的触摸控制方法、系统和可读介质 | |
CN113742590A (zh) | 一种推荐方法、装置、存储介质及电子设备 | |
CN113989476A (zh) | 对象识别方法及电子设备 | |
CN107451194A (zh) | 一种图片搜索方法及装置 | |
CN112883218A (zh) | 一种图文联合表征的搜索方法、系统、服务器和存储介质 | |
CN113591881B (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
US20230298373A1 (en) | Detecting graphical elements in charts using predicted heatmaps | |
CN115631374A (zh) | 控件操作方法、控件检测模型的训练方法、装置和设备 | |
CN110378378B (zh) | 事件检索方法、装置、计算机设备及存储介质 | |
CN113569741A (zh) | 图像试题的答案生成方法、装置、电子设备及可读介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180522 |
|
RJ01 | Rejection of invention patent application after publication |