CN108171254A - 图像标签确定方法、装置及终端 - Google Patents

图像标签确定方法、装置及终端 Download PDF

Info

Publication number
CN108171254A
CN108171254A CN201711174210.2A CN201711174210A CN108171254A CN 108171254 A CN108171254 A CN 108171254A CN 201711174210 A CN201711174210 A CN 201711174210A CN 108171254 A CN108171254 A CN 108171254A
Authority
CN
China
Prior art keywords
classification device
hierarchical classification
label
image
semantic
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
Application number
CN201711174210.2A
Other languages
English (en)
Inventor
张志伟
杨帆
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.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet 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 Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN201711174210.2A priority Critical patent/CN108171254A/zh
Publication of CN108171254A publication Critical patent/CN108171254A/zh
Pending legal-status Critical Current

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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种图像标签确定方法、装置及终端，其中，所述方法包括：通过卷积神经网络确定图像的特征图；将所述特征图输入多标签模型中的各语义层级分类器中；其中，所述多标签模型包含多个语义层级，每个语义层级对应一个语义层级分类器；通过各语义层级分类器分别预测所述特征图对应的标签；将各语义层级分类器预测输出的标签，确定为所述图像的标签。通过本发明实施例提供的图像标签确定方法，能够确定图像对应的不同层级的标签，从而准确识别出图像的所属的类别。

Description

图像标签确定方法、装置及终端
技术领域
本发明涉及图像处理技术领域，特别是涉及一种图像标签确定方法、装置及终端。
背景技术
深度学习在视频图像、语音识别、自然语言处理等相关领域得到了广泛应用。卷积神经网络作为深度学习的一个重要分支，由于其超强的拟合能力以及端到端的全局优化能力，使得其在目标检测、分类等计算机视觉任务中所得预测结果的精度大幅提升。
虽然基于卷积神经网络所得到预测结果精度得到大幅提升，但是基于卷积神经网络仅能为输入的图像识别出一个标签。然而在真实的应用场景中一般图像包括多个物体，这多个物体可能属于同一类别，也可能不属于同一类别，仅通过一个标签无法准确识别出图像的所属的类别。
发明内容
本发明实施例提供一种图像标签确定方法、装置及终端，以解决现有技术中存在卷积神经网络仅能为输入的图像识别出一个标签的问题。
依据本发明的一个方面，提供了一种图像标签确定方法，其中，所述方法包括：通过卷积神经网络确定图像的特征图；将所述特征图输入多标签模型中的各语义层级分类器中；其中，所述多标签模型包含多个语义层级，每个语义层级对应一个语义层级分类器；通过各语义层级分类器分别预测所述特征图对应的标签；将各语义层级分类器预测输出的标签，确定为所述图像的标签。
可选地，单个语义层级分类器预测所述特征图对应的标签的步骤，包括：将所述特征图进行降维处理，得到中间特征图；将所述中间特征图平均池化，得到所述中间特征图对应的特征向量；其中，所述特征向量中包含多个点，每个点对应一个所述语义层级分类器中的标签以及一个概率值；确定所述特征向量中概率值最高的点对应的标签，并输出所述标签。
可选地，在所述通过卷积神经网络确定图像的特征图的步骤之前，所述方法还包括：初始化多标签模型；对所述多标签模型中的各语义层级分类器进行训练。
可选地，对单个语义层级分类器进行训练的步骤，包括：向卷积神经网络中输入样本图像，通过所述卷积神经网络确定样本图像的第一特征图；通过语义层级分类器对所述第一特征图进行降维处理，得到第二特征图；将所述第二特征图进行平均池化，得到所述第二特征图对应的第一特征向量；其中，所述第一特征向量中包括多个点，每个点对应一个所述语义层级分类器中的标签以及一个概率值；计算所述语义层级分类器中的损失函数，在所述第一特征向量中各点的偏导数得到梯度值；依据所述梯度值对所述语义层级分类器对应的模型参数进行更新。
可选地，在所述依据所述梯度值对所述语义层级分类器对应的模型参数进行更新的步骤之后，所述方法还包括：通过所述损失函数计算所述第一向量中各点对应的损失值；计算各点对应的损失值的均值，得到平均损失值；判断所述平均损失值是否小于预设损失值；若是，则对所述语义层级分类器的训练结束；若否，则继续向所述卷积神经网络中输入样本图像，对所述语义层级分类器进行训练。
根据本发明的另一方面，提供了一种图像标签确定装置，其中，所述装置包括：特征图确定模块，被配置为通过卷积神经网络确定图像的特征图；输入模块，被配置为将所述特征图输入多标签模型中的各语义层级分类器中；其中，所述多标签模型包含多个语义层级，每个语义层级对应一个语义层级分类器；预测模块，被配置为通过各语义层级分类器分别预测所述特征图对应的标签；标签确定模块，被配置为将各语义层级分类器预测输出的标签，确定为所述图像的标签。
可选地，各语义层级分类器分别被配置为：将所述特征图进行降维处理，得到中间特征图；将所述中间特征图平均池化，得到所述中间特征图对应的特征向量；其中，所述特征向量中包含多个点，每个点对应一个所述语义层级分类器中的标签以及一个概率值；确定所述特征向量中概率值最高的点对应的标签，并输出所述标签。
可选地，所述装置还包括：初始化模块，被配置为在所述确定模块通过卷积神经网络确定图像的特征图之前，初始化多标签模型；训练模块，被配置为对所述多标签模型中的各语义层级分类器进行训练。
可选地，所述训练模块包括：输入子模块，被配置为向卷积神经网络中输入样本图像，通过所述卷积神经网络确定样本图像的第一特征图；降维子模块，被配置为针对每个语义层级分类器，将所述第一特征图输入所述语义层级分类器中，通过所述语义层级分类器对所述第一特征图进行降维处理，得到第二特征图；将所述第二特征图进行平均池化，得到所述第二特征图对应的第一特征向量；其中，所述第一特征向量中包括多个点，每个点对应一个所述语义层级分类器中的标签以及一个概率值；计算子模块，被配置为计算所述语义层级分类器中的损失函数，在所述第一特征向量中各点的偏导数得到梯度值；参数更新子模块，被配置为依据所述梯度值对所述语义层级分类器对应的模型参数进行更新。
可选地，所述训练模块还包括：损失值计算子模块，被配置为在所述参数更新子模块依据所述梯度值对所述语义层级分类器对应的模型参数进行更新之后，通过所述损失函数计算所述第一向量中各点对应的损失值；计算各点对应的损失值的均值，得到平均损失值；判断子模块，被配置为判断所述平均损失值是否小于预设损失值；训练控制子模块，被配置为若所述判断子模块的判断结果为是，则对所述语义层级分类器的训练结束；若所述判断子模块的判断结果为否，则调用执行所述输入子模块继续向所述卷积神经网络中输入样本图像，对所述语义层级分类器进行训练。
根据本发明的再一方面，提供了一种终端，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像标签确定程序，所述图像标签确定程序被所述处理器执行时实现本发明中所述的任意一种图像标签确定方法的步骤。
根据本发明的又一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有图像标签确定程序，所述图像标签确定程序被处理器执行时实现本发明中所述的任意一种图像标签确定方法的步骤。
与现有技术相比，本发明具有以下优点：
本发明实施例提供的图像标签确定方案，预先训练出包含多个语义层级分类器的标签识别模型，将图像输入卷积神经网络中通过卷积神经网络确定图像的特征图，将特征图输入多标签模型中的各语义层级分类器中，通过各语义层级分类器分别预测输出与该图像匹配的标签，由于各语义层级分类器代表不同的语义层级，因此所输出的也是表示不同层级的标签，从而准确识别出图像的所属的类别。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是根据本发明实施例一的一种图像标签确定方法的步骤流程图；
图2是根据本发明实施例二的一种图像标签确定方法的步骤流程图；
图3是多标签模型中的单个语义层级分类器的训练流程图；
图4是根据本发明实施例三的一种图像标签确定装置的结构框图；
图5是根据本发明实施例四的一种终端的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
参照图1，示出了本发明实施例一的一种图像标签确定方法的步骤流程图。
本发明实施例的图像标签确定方法可以包括以下步骤：
步骤101：通过卷积神经网络确定图像的特征图。
本发明实施例中图像可以为视频中的单帧图像，也可以仅为一个多媒体图像。一张图像输入到卷积神经网络中，经过卷积层或者池化层之后会得到特征图。
对于将图像输入卷积神经网络中，得到特征图的具体处理方式，参照现有相关技术即可，本发明实施例中对此不作具体限制。
步骤102：将特征图输入多标签模型中的各语义层级分类器中。
其中，多标签模型包含多个语义层级，每个语义层级对应一个语义层级分类器。
在具体实现过程中多标签模型中包含的语义层级的具体层数可以由本领域技术人员根据实际需求进行设置，本发明实施例中对此不作具体限制。例如：语义层级数可以为2、3、4或者5等。
在具体实现过程中，可以根据数据集的标签体系，参考知识图谱构建此数据集的标签体系的语义层级树。例如：对于动物数据集，参考知识图谱可确定动物的标签体系的语义层级树可包含三层，第一层级标签为“动物”；第二层级标签为“猫”、“狗”、“鱼”等指示动物类别的标签；第三层标签为“波斯猫”、“龙猫”等指示猫具体种类的标签，以及“藏獒”、“哈士奇”、“泰迪”等指示狗具体种类的标签等。
步骤103：通过各语义层级分类器分别预测该特征图对应的标签。
每个语义层级分类器对该特征图进行标签预测，可得到一个标签。因此，若调用三个语义层级分类器，则可得到三个不同语义层级的标签。
步骤104：将各语义层级分类器预测输出的标签，确定为该图像的标签。
例如：输入了一张泰迪的图像，对该张图像进行标签识别后，可确定该张图像的标签为“动物”、“狗”以及“泰迪”三个标签。由于所确定的标签层级明确，因此能够准确识别出图像所属的类别。
本发明实施例提供的图像标签确定方法，预先训练出包含多个语义层级分类器的标签识别模型，将图像输入卷积神经网络中通过卷积神经网络确定图像的特征图，将特征图输入多标签模型中的各语义层级分类器中，通过各语义层级分类器分别输出与该图像匹配的标签，由于各语义层级分类器代表不同的语义层级，因此所输出的也是表示不同层级的标签，从而准确识别出图像所属的类别。
实施例二
参照图2，示出了本发明实施例二的一种图像标签确定方法的步骤流程图。
本发明实施例的图像标签确定方法具体可以包括以下步骤：
步骤201：初始化多标签模型。
多标签模型初始化，首先根据数据集的标签体系，参考知识图谱构建标签体系的语义层级树。根据所构建的语义层级树构建一个具有不同语义层级的多标签模型训练网络，即多标签模型。
其中，多标签模型包含多个语义层级，每个语义层级对应一个语义层级分类器。
步骤202：对多标签模型中的各语义层级分类器进行训练。
在创建完多标签模型后，需要对各语义层级分类器进行训练，直至语义层级分类器收敛到预设标准后即可进行图像标签预测。各语义层级分类器的训练方式相同，下面以单个语义层级分类器的训练为例进行说明，在具体实现过程中重复执行下述训练流程即可完成各语义层级分类器的训练。
一种优选的单个语义层级分类器的训练流程包含如下子步骤：
子步骤2021：将样本图像输入卷积神经网络中，通过卷积神经网络确定样本图像的第一特征图。
子步骤2022：通过语义层级分类器对第一特征图进行降维处理，得到第二特征图。
步骤2023：将第二特征图进行平均池化，得到第二特征图对应的第一特征向量。
其中，第一特征向量中包括多个点，每个点对应一个所在语义层级分类器中的标签以及一个概率值。该层语义层级分配器中包含多个标签，概率值为图像与标签匹配度。
步骤2024：计算语义层级分类器中的损失函数，在第一特征向量中各点的偏导数得到梯度值。
步骤2025：依据梯度值对该语义层级分类器对应的模型参数进行更新。
对语义层级分类器的训练实质上是对模型参数的不断更新，直至语义层级分类器收敛到预设标准后即可进行图像标签预测。具体地，如何判断语义层级分类器是否收敛到预设标准的方式如子步骤2026至子步骤2028中所示。
步骤2026：通过损失函数计算第一向量中各点对应的损失值。
步骤2027：计算各点对应的损失值的均值，得到平均损失值。
步骤2028：判断平均损失值是否小于预设损失值；若是，则对语义层级分类器的训练结束；若否，则返回执行步骤2021继续向卷积神经网络中输入样本图像，对语义层级分类器进行训练，直至平均损失值小于预设损失值。
平均损失值小于预设损失值则可确定语义层级分类器收敛到预设标准。预设损失值可以由本领域技术人员根据实际需求进行设置，本发明实施例中对此不作具体限制。预设损失值越小，则训练完成后的语义层级分类器的收敛性越好；预设损失值越大，则语义层级分类器的训练越容易。
步骤203：将图像输入卷积神经网络中，通过卷积神经网络确定图像的特征图。
步骤201至步骤202为对多标签模型的训练过程，在具体实现过程中，若多标签模型已训练完成则无需再执行步骤201至步骤202，直接通过训练好的多标签模型执行图像标签预测即可。具体地预测流程如步骤204至步骤207中所示。
步骤204：将特征图输入多标签模型中的各语义层级分类器中。
其中，多标签模型包含多个语义层级，每个语义层级对应一个语义层级分类器。
步骤205：通过各语义层级分类器分别将特征图进行降维处理，得到中间特征图。
步骤206：通过各语义层级分类器分别将中间特征图平均池化，得到中间特征图对应的特征向量。
其中，特征向量中包含多个点，每个点对应一个语义层级分类器中的标签以及一个概率值。每个语义层级分配器中包含多个标签，标签对应的概率值为图像与标签的匹配度。
步骤207：通过各语义层级分类器分别确定所得到特征向量中概率值最高的点对应的标签，并输出标签。
针对各语义层级分类器，将其得到的特征向量中概率值最高的点对应的标签输出，即为将该语义层级分类器中与该图像最匹配的标签输出。
步骤208：将各语义层级分类器预测输出的标签，确定为该图像的标签。
例如：多标签模型中包含三个语义层级分类器，则可得到三个不同语义层级的标签。通过多个不同语义层级的标签，能够准确识别出图像所属的类别。
本发明实施例提供的图像标签确定方法，预先训练出包含多个语义层级分类器的标签识别模型，将图像输入卷积神经网络中通过卷积神经网络确定图像的特征图，将特征图输入多标签模型中的各语义层级分类器中，通过各语义层级分类器分别预测输出与该图像匹配的标签，由于各语义层级分类器代表不同的语义层级，因此所输出的也是表示不同层级的标签，从而准确识别出图像所属的类别。
实施例三
参照图4，示出了本发明实施例三的一种图像标签确定装置的结构框图。
本发明实施例的图像标签确定装置可以包括：特征图确定模块401，被配置为通过卷积神经网络确定图像的特征图；输入模块402，被配置为将所述特征图输入多标签模型中的各语义层级分类器中；其中，所述多标签模型包含多个语义层级，每个语义层级对应一个语义层级分类器；预测模块403，被配置为通过各语义层级分类器分别预测所述特征图对应的标签；标签确定模块404，被配置为将各语义层级分类器预测输出的标签，确定为所述图像的标签。
优选地，各语义层级分类器分别可被配置为：将所述特征图进行降维处理，得到中间特征图；将所述中间特征图平均池化，得到所述中间特征图对应的特征向量；其中，所述特征向量中包含多个点，每个点对应一个所述语义层级分类器中的标签以及一个概率值；确定所述特征向量中概率值最高的点对应的标签，并输出所述标签。
优选地，所述装置还可以包括：初始化模块405，被配置为在所述确定模块401通过卷积神经网络确定图像的特征图之前，初始化多标签模型；训练模块406，被配置为对所述多标签模型中的各语义层级分类器进行训练。
优选地，所述训练模块406可以包括：输入子模块4061，被配置为向卷积神经网络中输入样本图像，通过所述卷积神经网络确定样本图像的第一特征图；降维子模块4062，被配置为针对每个语言层级分类器，将所述第一特征图输入所述语义层级分类器中，通过所述语义层级分类器对第一特征图进行降维处理，得到第二特征图；将所述第二特征图进行平均池化，得到所述第二特征图对应的第一特征向量；其中，所述第一特征向量中包括多个点，每个点对应一个所述语义层级分类器中的标签以及一个概率值；计算子模块4063，被配置为计算所述语义层级分类器中的损失函数，在所述第一特征向量中各点的偏导数得到梯度值；参数更新子模块4064，被配置为依据所述梯度值对所述语义层级分类器对应的模型参数进行更新。
优选地，所述训练模块406还可以包括：损失值计算子模块4065，被配置为通过所述损失函数计算所述第一向量中各点对应的损失值；计算各点对应的损失值的均值，得到平均损失值；判断子模块4066，被配置为判断所述平均损失值是否小于预设损失值；训练控制子模块4067，被配置为若所述判断子模块的判断结果为是，则对所述语义层级分类器的训练结束；若所述判断子模块的判断结果为否，则调用执行所述输入子模块继续向所述卷积神经网络中输入样本图像，对所述语义层级分类器进行训练。
本发明实施例的图像标签确定装置用于实现前述实施例一、实施例二中相应的图像标签确定方法，并具有与方法实施例相应的有益效果，在此不再赘述。
实施例四
参照图5，示出了本发明实施例四的一种用于图像标签确定的终端的结构框图。
本发明实施例的终端可以包括：存储器、处理器及存储在存储器上并可在处理器上运行的图像标签确定程序，图像标签确定程序被处理器执行时实现本发明中所述的任意一种图像标签确定方法的步骤。
图5是根据一示例性实施例示出的一种图像标签确定终端600的框图。例如，终端600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图5，终端600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，多媒体组件608，音频组件610，输入/输出(I/O)的接口612，传感器组件614，以及通信组件616。
处理组件602通常控制装置600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理部件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在终端600的操作。这些数据的示例包括用于在终端600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件606为终端600的各种组件提供电力。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为终端600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述终端600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当终端600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当终端600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。
I/O接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器，用于为终端600提供各个方面的状态评估。例如，传感器组件614可以检测到终端600的打开/关闭状态，组件的相对定位，例如所述组件为终端600的显示器和小键盘，传感器组件614还可以检测终端600或终端600一个组件的位置改变，用户与终端600接触的存在或不存在，装置600方位或加速/减速和终端600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件616被配置为便于终端600和其他设备之间有线或无线方式的通信。终端600可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件616还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，终端600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行图像标签确定方法，具体地图像标签确定方法包括：
通过卷积神经网络确定图像的特征图；将所述特征图输入多标签模型中的各语义层级分类器中；其中，所述多标签模型包含多个语义层级，每个语义层级对应一个语义层级分类器；通过各语义层级分类器分别预测所述特征图对应的标签；将各语义层级分类器预测输出的标签，确定为所述图像的标签。
优选地，单个语义层级分类器预测所述特征图对应的标签的步骤，包括：将所述特征图进行降维处理，得到中间特征图；将所述中间特征图平均池化，得到所述中间特征图对应的特征向量；其中，所述特征向量中包含多个点，每个点对应一个所述语义层级分类器中的标签以及一个概率值；确定所述特征向量中概率值最高的点对应的标签，并输出所述标签。
优选地，在所述通过卷积神经网络确定图像的特征图的步骤之前，所述方法还包括：初始化多标签模型；对所述多标签模型中的各语义层级分类器进行训练。
优选地，对单个语义层级分类器进行训练的步骤，包括：向卷积神经网络中输入样本图像，通过所述卷积神经网络确定样本图像的第一特征图；通过语义层级分类器对所述第一特征图进行降维处理，得到第二特征图；将所述第二特征图进行平均池化，得到所述第二特征图对应的第一特征向量；其中，所述第一特征向量中包括多个点，每个点对应一个所述语义层级分类器中的标签以及一个概率值；计算所述语义层级分类器中的损失函数，在所述第一特征向量中各点的偏导数得到梯度值；依据所述梯度值对所述语义层级分类器对应的模型参数进行更新。
优选地，在所述依据所述梯度值对所述语义层级分类器对应的模型参数进行更新的步骤之后，所述方法还包括：通过所述损失函数计算所述第一向量中各点对应的损失值；计算各点对应的损失值的均值，得到平均损失值；判断所述平均损失值是否小于预设损失值；若是，则对所述语义层级分类器的训练结束；若否，则继续向所述卷积神经网络中输入样本图像，对所述语义层级分类器进行训练。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器604，上述指令可由终端600的处理器620执行以完成上述图像标签确定方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。当存储介质中的指令由终端的处理器执行时，使得终端能够执行本发明中所述的任意一种图像标签确定方法的步骤。
本发明实施例提供的终端预先训练出包含多个语义层级分类器的标签识别模型，将图像输入卷积神经网络中通过卷积神经网络确定图像的特征图，将特征图输入多标签模型中的各语义层级分类器中，通过各语义层级分类器分别预测输出与该图像匹配的标签，由于各语义层级分类器代表不同的语义层级，因此所输出的也是表示不同层级的标签，从而准确识别出图像所属的类别。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在此提供的图像标签确定方案不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造具有本发明方案的系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的图像标签确定方案中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (12)

1.一种图像标签确定方法，其特征在于，所述方法包括：
通过卷积神经网络确定图像的特征图；
将所述特征图输入多标签模型中的各语义层级分类器中；其中，所述多标签模型包含多个语义层级，每个语义层级对应一个语义层级分类器；
通过各语义层级分类器分别预测所述特征图对应的标签；
将各语义层级分类器预测输出的标签，确定为所述图像的标签。
2.根据权利要求1所述的方法，其特征在于，单个语义层级分类器预测所述特征图对应的标签的步骤，包括：
将所述特征图进行降维处理，得到中间特征图；
将所述中间特征图平均池化，得到所述中间特征图对应的特征向量；其中，所述特征向量中包含多个点，每个点对应一个所述语义层级分类器中的标签以及一个概率值；
确定所述特征向量中概率值最高的点对应的标签，并输出所述标签。
3.根据权利要求1所述的方法，其特征在于，在所述通过卷积神经网络确定图像的特征图的步骤之前，所述方法还包括：
初始化多标签模型；
对所述多标签模型中的各语义层级分类器进行训练。
4.根据权利要求3所述的方法，其特征在于，对单个语义层级分类器进行训练的步骤，包括：
向卷积神经网络中输入样本图像，通过所述卷积神经网络确定样本图像的第一特征图；
通过语义层级分类器对所述第一特征图进行降维处理，得到第二特征图；
将所述第二特征图进行平均池化，得到所述第二特征图对应的第一特征向量；其中，所述第一特征向量中包括多个点，每个点对应一个所述语义层级分类器中的标签以及一个概率值；
计算所述语义层级分类器中的损失函数，在所述第一特征向量中各点的偏导数得到梯度值；
依据所述梯度值对所述语义层级分类器对应的模型参数进行更新。
5.根据权利要求4所述的方法，其特征在于，在所述依据所述梯度值对所述语义层级分类器对应的模型参数进行更新的步骤之后，所述方法还包括：
通过所述损失函数计算所述第一向量中各点对应的损失值；
计算各点对应的损失值的均值，得到平均损失值；
判断所述平均损失值是否小于预设损失值；
若是，则对所述语义层级分类器的训练结束；
若否，则继续向所述卷积神经网络中输入样本图像，对所述语义层级分类器进行训练。
6.一种图像标签确定装置，其特征在于，所述装置包括：
特征图确定模块，被配置为通过卷积神经网络确定图像的特征图；
输入模块，被配置为将所述特征图输入多标签模型中的各语义层级分类器中；其中，所述多标签模型包含多个语义层级，每个语义层级对应一个语义层级分类器；
预测模块，被配置为通过各语义层级分类器分别预测所述特征图对应的标签；
标签确定模块，被配置为将各语义层级分类器预测输出的标签，确定为所述图像的标签。
7.根据权利要求6所述的装置，其特征在于，各语义层级分类器分别被配置为：
将所述特征图进行降维处理，得到中间特征图；
将所述中间特征图平均池化，得到所述中间特征图对应的特征向量；其中，所述特征向量中包含多个点，每个点对应一个所述语义层级分类器中的标签以及一个概率值；
确定所述特征向量中概率值最高的点对应的标签，并输出所述标签。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
初始化模块，被配置为在所述确定模块通过卷积神经网络确定图像的特征图之前，初始化多标签模型；
训练模块，被配置为对所述多标签模型中的各语义层级分类器进行训练。
9.根据权利要求8所述的装置，其特征在于，所述训练模块包括：
输入子模块，被配置为向卷积神经网络中输入样本图像，通过所述卷积神经网络确定样本图像的第一特征图；
降维子模块，被配置为针对每个语义层级分类器，将所述第一特征图输入所述语义层级分类器中，通过所述语义层级分类器对所述第一特征图进行降维处理，得到第二特征图；将所述第二特征图进行平均池化，得到所述第二特征图对应的第一特征向量；其中，所述第一特征向量中包括多个点，每个点对应一个所述语义层级分类器中的标签以及一个概率值；
计算子模块，被配置为计算所述语义层级分类器中的损失函数，在所述第一特征向量中各点的偏导数得到梯度值；
参数更新子模块，被配置为依据所述梯度值对所述语义层级分类器对应的模型参数进行更新。
10.根据权利要求9所述的装置，其特征在于，所述训练模块还包括：
损失值计算子模块，被配置为在所述参数更新子模块依据所述梯度值对所述语义层级分类器对应的模型参数进行更新之后，通过所述损失函数计算所述第一向量中各点对应的损失值；计算各点对应的损失值的均值，得到平均损失值；
判断子模块，被配置为判断所述平均损失值是否小于预设损失值；
训练控制子模块，被配置为若所述判断子模块的判断结果为是，则对所述语义层级分类器的训练结束；若所述判断子模块的判断结果为否，则调用执行所述输入子模块继续向所述卷积神经网络中输入样本图像，对所述语义层级分类器进行训练。
11.一种终端，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像标签确定程序，所述图像标签确定程序被所述处理器执行时实现如权利要求1至5中任一项所述的图像标签确定方法的步骤。
12.一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上存储有图像标签确定的序，所述图像标签确定程序被处理器执行时实现如权利要求1至5中任一项所述的图像标签确定方法的步骤。
CN201711174210.2A 2017-11-22 2017-11-22 图像标签确定方法、装置及终端 Pending CN108171254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711174210.2A CN108171254A (zh) 2017-11-22 2017-11-22 图像标签确定方法、装置及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711174210.2A CN108171254A (zh) 2017-11-22 2017-11-22 图像标签确定方法、装置及终端

Publications (1)

Publication Number Publication Date
CN108171254A true CN108171254A (zh) 2018-06-15

Family

ID=62527253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711174210.2A Pending CN108171254A (zh) 2017-11-22 2017-11-22 图像标签确定方法、装置及终端

Country Status (1)

Country Link
CN (1) CN108171254A (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960110A (zh) * 2018-06-26 2018-12-07 北京字节跳动网络技术有限公司 用于生成信息的方法和装置
CN109117862A (zh) * 2018-06-29 2019-01-01 北京达佳互联信息技术有限公司 图像标签识别方法、装置及服务器
CN109165666A (zh) * 2018-07-05 2019-01-08 南京旷云科技有限公司 多标签图像分类方法、装置、设备及存储介质
CN109447124A (zh) * 2018-09-28 2019-03-08 北京达佳互联信息技术有限公司 图像分类方法、装置、电子设备及存储介质
CN109635844A (zh) * 2018-11-14 2019-04-16 网易传媒科技（北京）有限公司 训练分类器的方法及装置和水印检测方法及装置
CN109858558A (zh) * 2019-02-13 2019-06-07 北京达佳互联信息技术有限公司 分类模型的训练方法、装置、电子设备及存储介质
CN109886143A (zh) * 2019-01-29 2019-06-14 上海鹰瞳医疗科技有限公司 多标签分类模型训练方法和设备
CN109886211A (zh) * 2019-02-25 2019-06-14 北京达佳互联信息技术有限公司 数据标注方法、装置、电子设备及存储介质
CN110135505A (zh) * 2019-05-20 2019-08-16 北京达佳互联信息技术有限公司 图像分类方法、装置、计算机设备及计算机可读存储介质
CN110378410A (zh) * 2019-07-16 2019-10-25 北京字节跳动网络技术有限公司 多标签场景分类方法、装置及电子设备
CN110390350A (zh) * 2019-06-24 2019-10-29 西北大学 一种基于双线性结构的层级分类方法
CN110688482A (zh) * 2019-09-12 2020-01-14 新华三大数据技术有限公司 多标签识别方法、训练方法及装置
CN110738267A (zh) * 2019-10-18 2020-01-31 北京达佳互联信息技术有限公司 图像分类方法、装置、电子设备及存储介质
WO2020107813A1 (zh) * 2018-11-30 2020-06-04 北京市商汤科技开发有限公司 图像的描述语句定位方法及装置、电子设备和存储介质
WO2020140422A1 (en) * 2019-01-02 2020-07-09 Boe Technology Group Co., Ltd. Neural network for automatically tagging input image, computer-implemented method for automatically tagging input image, apparatus for automatically tagging input image, and computer-program product
CN111462282A (zh) * 2020-04-02 2020-07-28 哈尔滨工程大学 一种场景图生成方法
CN111507403A (zh) * 2020-04-17 2020-08-07 腾讯科技（深圳）有限公司 图像分类方法、装置、计算机设备和存储介质
CN112529888A (zh) * 2020-12-18 2021-03-19 平安科技（深圳）有限公司 基于深度学习的人脸图像评估方法、装置、设备及介质
CN112766389A (zh) * 2021-01-26 2021-05-07 北京三快在线科技有限公司 图像分类方法、图像分类模型的训练方法、装置和设备
CN113010705A (zh) * 2021-02-03 2021-06-22 腾讯科技（深圳）有限公司 标签预测方法、装置、设备及存储介质
CN113312430A (zh) * 2020-02-27 2021-08-27 北京京东振世信息技术有限公司 物品的标签序列确定方法、装置、服务器及存储介质
CN113361451A (zh) * 2021-06-24 2021-09-07 福建万福信息技术有限公司 基于多级模型和预置点自动调节的生态环境目标识别方法
CN113744006A (zh) * 2020-05-29 2021-12-03 北京达佳互联信息技术有限公司 类目推荐方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740906A (zh) * 2016-01-29 2016-07-06 中国科学院重庆绿色智能技术研究院 一种基于深度学习的车辆多属性联合分析方法
CN105740402A (zh) * 2016-01-28 2016-07-06 百度在线网络技术（北京）有限公司 数字图像的语义标签的获取方法及装置
CN106529402A (zh) * 2016-09-27 2017-03-22 中国科学院自动化研究所 基于多任务学习的卷积神经网络的人脸属性分析方法
CN106599869A (zh) * 2016-12-22 2017-04-26 安徽大学 一种基于多任务卷积神经网络的车辆属性识别方法
CN106874922A (zh) * 2015-12-11 2017-06-20 腾讯科技（深圳）有限公司 一种确定业务参数的方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874922A (zh) * 2015-12-11 2017-06-20 腾讯科技（深圳）有限公司 一种确定业务参数的方法及装置
CN105740402A (zh) * 2016-01-28 2016-07-06 百度在线网络技术（北京）有限公司 数字图像的语义标签的获取方法及装置
CN105740906A (zh) * 2016-01-29 2016-07-06 中国科学院重庆绿色智能技术研究院 一种基于深度学习的车辆多属性联合分析方法
CN106529402A (zh) * 2016-09-27 2017-03-22 中国科学院自动化研究所 基于多任务学习的卷积神经网络的人脸属性分析方法
CN106599869A (zh) * 2016-12-22 2017-04-26 安徽大学 一种基于多任务卷积神经网络的车辆属性识别方法

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960110A (zh) * 2018-06-26 2018-12-07 北京字节跳动网络技术有限公司 用于生成信息的方法和装置
CN109117862A (zh) * 2018-06-29 2019-01-01 北京达佳互联信息技术有限公司 图像标签识别方法、装置及服务器
CN109165666A (zh) * 2018-07-05 2019-01-08 南京旷云科技有限公司 多标签图像分类方法、装置、设备及存储介质
CN109447124A (zh) * 2018-09-28 2019-03-08 北京达佳互联信息技术有限公司 图像分类方法、装置、电子设备及存储介质
CN109447124B (zh) * 2018-09-28 2019-11-19 北京达佳互联信息技术有限公司 图像分类方法、装置、电子设备及存储介质
CN109635844A (zh) * 2018-11-14 2019-04-16 网易传媒科技（北京）有限公司 训练分类器的方法及装置和水印检测方法及装置
CN109635844B (zh) * 2018-11-14 2021-08-27 网易传媒科技（北京）有限公司 训练分类器的方法及装置和水印检测方法及装置
US11455788B2 (en) 2018-11-30 2022-09-27 Beijing Sensetime Technology Development Co., Ltd. Method and apparatus for positioning description statement in image, electronic device, and storage medium
WO2020107813A1 (zh) * 2018-11-30 2020-06-04 北京市商汤科技开发有限公司 图像的描述语句定位方法及装置、电子设备和存储介质
WO2020140422A1 (en) * 2019-01-02 2020-07-09 Boe Technology Group Co., Ltd. Neural network for automatically tagging input image, computer-implemented method for automatically tagging input image, apparatus for automatically tagging input image, and computer-program product
CN109886143A (zh) * 2019-01-29 2019-06-14 上海鹰瞳医疗科技有限公司 多标签分类模型训练方法和设备
CN109858558B (zh) * 2019-02-13 2022-01-21 北京达佳互联信息技术有限公司 分类模型的训练方法、装置、电子设备及存储介质
CN109858558A (zh) * 2019-02-13 2019-06-07 北京达佳互联信息技术有限公司 分类模型的训练方法、装置、电子设备及存储介质
CN109886211A (zh) * 2019-02-25 2019-06-14 北京达佳互联信息技术有限公司 数据标注方法、装置、电子设备及存储介质
CN110135505A (zh) * 2019-05-20 2019-08-16 北京达佳互联信息技术有限公司 图像分类方法、装置、计算机设备及计算机可读存储介质
CN110135505B (zh) * 2019-05-20 2021-09-17 北京达佳互联信息技术有限公司 图像分类方法、装置、计算机设备及计算机可读存储介质
CN110390350A (zh) * 2019-06-24 2019-10-29 西北大学 一种基于双线性结构的层级分类方法
CN110390350B (zh) * 2019-06-24 2021-06-15 西北大学 一种基于双线性结构的层级分类方法
CN110378410A (zh) * 2019-07-16 2019-10-25 北京字节跳动网络技术有限公司 多标签场景分类方法、装置及电子设备
CN110688482A (zh) * 2019-09-12 2020-01-14 新华三大数据技术有限公司 多标签识别方法、训练方法及装置
CN110688482B (zh) * 2019-09-12 2022-07-12 新华三大数据技术有限公司 多标签识别方法、训练方法及装置
CN110738267A (zh) * 2019-10-18 2020-01-31 北京达佳互联信息技术有限公司 图像分类方法、装置、电子设备及存储介质
CN110738267B (zh) * 2019-10-18 2023-08-22 北京达佳互联信息技术有限公司 图像分类方法、装置、电子设备及存储介质
CN113312430A (zh) * 2020-02-27 2021-08-27 北京京东振世信息技术有限公司 物品的标签序列确定方法、装置、服务器及存储介质
CN111462282B (zh) * 2020-04-02 2023-01-03 哈尔滨工程大学 一种场景图生成方法
CN111462282A (zh) * 2020-04-02 2020-07-28 哈尔滨工程大学 一种场景图生成方法
CN111507403A (zh) * 2020-04-17 2020-08-07 腾讯科技（深圳）有限公司 图像分类方法、装置、计算机设备和存储介质
CN113744006A (zh) * 2020-05-29 2021-12-03 北京达佳互联信息技术有限公司 类目推荐方法、装置、电子设备及存储介质
WO2022126917A1 (zh) * 2020-12-18 2022-06-23 平安科技（深圳）有限公司 基于深度学习的人脸图像评估方法、装置、设备及介质
CN112529888A (zh) * 2020-12-18 2021-03-19 平安科技（深圳）有限公司 基于深度学习的人脸图像评估方法、装置、设备及介质
CN112529888B (zh) * 2020-12-18 2024-04-30 平安科技（深圳）有限公司 基于深度学习的人脸图像评估方法、装置、设备及介质
CN112766389A (zh) * 2021-01-26 2021-05-07 北京三快在线科技有限公司 图像分类方法、图像分类模型的训练方法、装置和设备
CN112766389B (zh) * 2021-01-26 2022-11-29 北京三快在线科技有限公司 图像分类方法、图像分类模型的训练方法、装置和设备
CN113010705A (zh) * 2021-02-03 2021-06-22 腾讯科技（深圳）有限公司 标签预测方法、装置、设备及存储介质
CN113010705B (zh) * 2021-02-03 2023-12-12 腾讯科技（深圳）有限公司 标签预测方法、装置、设备及存储介质
CN113361451A (zh) * 2021-06-24 2021-09-07 福建万福信息技术有限公司 基于多级模型和预置点自动调节的生态环境目标识别方法
CN113361451B (zh) * 2021-06-24 2024-04-30 福建万福信息技术有限公司 基于多级模型和预置点自动调节的生态环境目标识别方法

Similar Documents

Publication Publication Date Title
CN108171254A (zh) 图像标签确定方法、装置及终端
CN108664989B (zh) 图像标签确定方法、装置及终端
KR102433834B1 (ko) 신경망 모델을 압축하는 방법 및 장치, 코퍼스 번역 방법 및 장치, 전자 장치, 프로그램 및 기록 매체
CN108256555A (zh) 图像内容识别方法、装置及终端
CN108399409B (zh) 图像分类方法、装置及终端
CN110516745B (zh) 图像识别模型的训练方法、装置及电子设备
CN108256549B (zh) 图像分类方法、装置及终端
CN106446782A (zh) 图像识别方法及装置
CN107527059A (zh) 文字识别方法、装置及终端
CN109117862A (zh) 图像标签识别方法、装置及服务器
CN109961094B (zh) 样本获取方法、装置、电子设备及可读存储介质
CN107527053A (zh) 目标检测方法及装置
CN106845377A (zh) 人脸关键点定位方法及装置
CN111210844B (zh) 语音情感识别模型的确定方法、装置、设备及存储介质
CN107194464A (zh) 卷积神经网络模型的训练方法及装置
CN111753895A (zh) 数据处理方法、装置及存储介质
CN107230137A (zh) 商品信息获取方法及装置
CN107563994A (zh) 图像的显著性检测方法及装置
CN106446946A (zh) 图像识别方法及装置
CN109858614A (zh) 神经网络训练方法及装置、电子设备和存储介质
CN107527024A (zh) 人脸颜值评估方法及装置
CN108563683A (zh) 标签添加方法、装置及终端
CN107748867A (zh) 目标对象的检测方法及装置
CN108133217B (zh) 图像特征确定方法、装置及终端
CN108764283A (zh) 一种分类模型的损失值获取方法及装置

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180615