CN108416261B - 一种任务处理方法和系统 - Google Patents
一种任务处理方法和系统 Download PDFInfo
- Publication number
- CN108416261B CN108416261B CN201810074601.5A CN201810074601A CN108416261B CN 108416261 B CN108416261 B CN 108416261B CN 201810074601 A CN201810074601 A CN 201810074601A CN 108416261 B CN108416261 B CN 108416261B
- Authority
- CN
- China
- Prior art keywords
- task
- matching
- target
- attribute
- preset
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种任务处理方法和系统,其中,该任务处理方法包括:获取至少一个图像;识别图像中的至少一个目标以及每一个目标的至少一个属性;将识别出的目标及其属性与预设任务进行匹配,得到待执行任务。本发明能够自动为用户匹配得到用户想要执行的待执行任务,并自动执行该待执行任务,减少了用户通过智能设备完成各种任务的复杂度,并提高了任务执行的效率。
Description
技术领域
本发明属于人工智能技术领域,具体涉及一种任务处理方法和系统。
背景技术
目前,用户在处理一些任务时,都是基于手动来完成,随着智能终端的发展,很多任务的执行越来越人性化,即越来越趋于减少人的操作步骤,尽量让机器去执行相关操作。
但上述的任务操作中,均需要人为手动输入一些信息,例如:当用户想要邮寄一个快递时,需要人为手动选择快递类型,以及输入快递信息,才能够完成邮寄快递的任务。因此,亟待一种能够准确抓取人的意图,并自动执行相关任务操作步骤的方法。
发明内容
(一)发明目的
本发明的目的是提供一种识别用户意图的任务处理方法和系统。
(二)技术方案
为解决上述问题,本发明的第一方面提供了一种任务处理方法,包括:获取至少一个图像;识别图像中的至少一个目标以及每一个目标的至少一个属性;将识别出的目标及其属性与预设任务进行匹配,得到待执行任务。
可选地,所述属性是所述目标区别于其他目标的特征。
可选地,每个所述预设任务包括任务标识和执行所述预设任务所需要的目标及其属性。
可选地,所述将识别出的所述目标及其属性与预设任务进行匹配,得到待执行任务的步骤包括:
将识别出的所述目标及其个数和属性与所述预设任务进行匹配,得到匹配度最高的任务标识;
将所述匹配度最高的任务标识对应的预设任务作为待执行任务。
可选地,所述将识别出的目标及其个数和属性与所述预设任务进行匹配,得到匹配度最高的任务标识的步骤包括:
将任一目标及其属性与所述预设任务进行匹配,得到包含所述任一目标及其属性的第一组任务标识;
如果匹配的第一组任务标识的数量小于或等于预定阈值,则所述第一组任务标识为匹配度最高的任务;
如果匹配得到的第一组任务标识的数量大于预定阈值,则继续选择另一目标,在所述第一组任务标识中进行匹配,得到包含所述另一目标及其属性的第二组任务标识。
可选地,所述将识别出的目标及其个数和属性与所述预设任务进行匹配,以得到匹配度最高的任务标识的步骤包括:
将个数最多的目标及其属性与所述预设任务进行匹配,得到包含所述个数最多的目标及其属性的第一组任务标识;
如果匹配的第一组任务标识的数量小于或等于预定阈值,则所述第一组任务标识为匹配度最高的任务;
如果匹配得到的第一组任务标识的数量大于预定阈值,则继续选择另一目标,在所述第一组任务标识中进行匹配,得到包含所述另一目标及其属性的第二组任务标识。
可选地,所述另一目标包括其余目标中的任一目标或者其余目标中的个数最多的目标。
可选地,所述将识别出的所述目标及其属性与预设任务进行匹配,得到待执行任务的步骤包括:
对每个任务标识及与其对应的目标及其属性设置权重,所述权重反映所述预设任务与所述目标及其属性的关联度;
计算识别出的每个所述目标及其属性与各个所述预设任务的关联度;
将关联度最高的任务标识对应的任务作为待执行任务。
可选地,所述将关联度最高的任务标识对应的任务作为待执行任务的步骤后,还包括:
基于用户对所述待执行任务的选择对所述待执行任务的权重进行修正。
可选地,所述将识别出的所述目标及其属性与预设任务进行匹配的步骤包括:
将识别出的至少一个所述目标及其至少一个属性呈现;
接收用户基于所述至少一个所述目标及其至少一个属性确定的任务辅助逻辑;
基于所述任务辅助逻辑,将识别出的所述目标及其属性与预设任务进行匹配。
可选地,所述任务辅助逻辑包括:执行对象、执行顺序和执行方法中的至少一个。
可选地,所述识别所述图像中的至少一个目标以及每一个所述目标的至少一个属性的步骤包括:
预先训练一机器学习模型,所述机器学习模型识别图像中包含的目标并将所述图像中包含的目标分类到相应类别下,所述类别与所述图像中包含的目标的属性相关联;
采用所述机器学习模型识别所述图像中的至少一个目标以及每一个所述目标的至少一个属性。
根据本发明的另一个方面,还提供了一种任务处理系统,包括:获取模块,用于获取至少一个图像;识别模块,用于识别图像中的至少一个目标以及每一个目标的至少一个属性;匹配模块,用于将识别出的目标及其属性与预设任务进行匹配,得到待执行任务。
可选地,所述属性是所述目标区别于其他目标的特征。
可选地,还包括:存储模块,用于存储所述预设任务,每个所述预设任务包括任务标识和执行所述预设任务所需要的目标及其属性。
可选地,所述匹配模块进一步用于:将识别出的所述目标及其个数和属性与所述预设任务进行匹配,得到匹配度最高的任务标识;以及将所述匹配度最高的任务标识对应的预设任务作为待执行任务。
可选地,所述匹配模块包括:
第一匹配单元,用于将任一目标及其属性与所述预设任务进行匹配,得到包含所述任一目标及其属性的第一组任务标识;
第二匹配单元,用于在匹配的第一组任务标识的数量小于或等于预定阈值时,将所述第一组任务标识作为匹配度最高的任务;以及,用于在匹配得到的第一组任务标识的数量大于预定阈值时,则继续选择另一目标,在所述第一组任务标识中进行匹配,得到包含所述另一目标及其属性的第二组任务标识。
可选地,所述匹配模块包括:
第三匹配单元,用于将个数最多的目标及其属性与所述预设任务进行匹配,得到包含所述个数最多的目标及其属性的第一组任务标识;
第四匹配单元,用于在匹配得到的第一组任务标识的数量小于或等于预定阈值时,将所述第一组任务标识作为匹配度最高的任务;以及,用于在匹配得到的第一组任务标识的数量大于预定阈值时,继续选择另一目标,在所述第一组任务标识中进行匹配,得到包含所述另一目标及其属性的第二组任务标识。
可选地,所述第二匹配单元或第四匹配单元包括:选择子单元,用于将其余目标中的任一目标或者个数最多的目标作为另一目标。
可选地,所述匹配模块包括:
权重设置单元,用于对每个任务标识及与其对应的目标及其属性设置权重,所述权重反映所述预设任务与所述目标及其属性的关联度;
关联度计算单元,用于计算识别出的每个所述目标及其属性与各个所述预设任务的关联度;以及将关联度最高的任务标识作为待执行任务。
可选地,所述匹配模块还包括:修正单元,用于基于用户对所述待执行任务的选择对所述待执行任务的权重进行修正。
可选地,还包括:
呈现模块,用于将识别出的至少一个所述目标及其至少一个属性呈现;
接收模块,用于接收用户基于所述至少一个所述目标及其至少一个属性确定的任务辅助逻辑;
所述匹配模块,进一步用于基于所述任务辅助逻辑,将识别出的所述目标及其属性与预设任务进行匹配。
可选地,所述任务辅助逻辑包括:执行对象、执行顺序和执行方法中的至少一个。
可选地,还包括机器学习训练模块:
机器学习训练模块,用于预先训练一机器学习模型,所述机器学习模型识别图像中包含的目标并将所述图像中包含的目标分类到相应类别下,所述类别与所述图像中包含的目标的属性相关联;
识别模块,还用于采用所述机器学习模型识别所述图像中的至少一个目标以及每一个所述目标的至少一个属性。
根据本发明实施例的另一个方面,提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令用于使计算机执行上述任一种任务处理方法。
根据本发明实施例的另一个方面,提供一种计算机程序产品,计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,使计算机执行上述任一种任务处理方法。
(三)有益效果
本发明的上述技术方案具有如下有益的技术效果:通过识别图像中包含的至少一个目标以及每一个目标的至少一个属性,进而根据识别出的目标及其属性与预设任务匹配得到待执行任务。从而使得用户不再需要将自己想要执行的任务分解成不同的信息输入步骤,并找到相对应的任务执行逻辑。用户只需要将相关联的目标通过图像传感器或其他方式输入至一个相同的智能处理流程(任务处理方法)。智能处理流程就会识别出接收到的一个或多个图像中包含的用户所意图执行的任务所需要的所有元素。进而“猜”到用户想要执行的任务,并自动生成任务去执行。这样可以减少用户通过智能设备完成各种任务的复杂度,并提高了任务执行的效率。
附图说明
图1是本发明实施例一的一种任务处理方法的流程图;
图2显示了本发明实施例一的一种任务处理方法中步骤S2的一种实施方式的流程示意图;
图3显示了本发明实施例一的一种任务处理方法中子步骤S3的一种实施方式的流程示意图;
图4显示了本发明实施例一的一种任务处理方法中子步骤S3的另一种实施方式的流程示意图;
图5显示了本发明另一实施例的一种任务处理方法的流程示意图;
图6显示了本发明又一实施例的一种任务处理方法的流程示意图;
图7显示了本发明又一实施例的一种任务处理方法的流程示意图;
图8显示了本发明一实施例的一种任务处理系统的结构示意图;
图9显示了本发明又一实施例的一种任务处理系统的结构示意图;
图10显示了本发明一实施例的一种任务处理系统中匹配模块的一种实施方式的结构示意图;
图11显示了本发明一实施例的一种任务处理系统中匹配模块的另一种实施方式的结构示意图;
图12(a)显示了本发明一实施例的一种任务处理系统中第二匹配单元的一种实施方式的结构示意图;
图12(b)显示了本发明一实施例的一种任务处理系统中第四匹配单元的一种实施方式的结构示意图;
图13显示了本发明另一实施例的一种任务处理系统的结构示意图;
图14显示了本发明又一实施例的一种任务处理系统的结构示意图;
图15显示了本发明又一实施例的一种任务处理系统的结构示意图;
图16显示了本发明又一实施例的一种任务处理系统的结构示意图;
图17显示了本发明一实施例的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在介绍本发明实施例之前,请允许先介绍一下下述实施例中将会用到的术语:
机器学习:通过计算机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。一个机器学习系统包括环境、学习部分、知识库和执行部分。环境为学习部分提供信息,学习部分则实现信息转换,并采用能够理解的形式记忆下来,从中获取有用的信息,形成知识库,当下次再有相同信息时,则会根据知识库中的记忆进行识别。
目标识别:是指一个特殊目标(或一种类型的目标)从其它目标(或其它类型的目标)中被区分出来的过程。可以包括两个非常相似目标的识别,也可以包括一种类型的目标同其他类型目标的识别。本发明实施例主要使用后一种识别情形。
目标类别:对应真实世界中对目标的分类。
任务:为用户想要实施的任务,指可以通过智能终端自动实施的功能,例如基于数据的处理、存储、发送等方法实现的智能功能。例如:邮寄包裹任务、网购任务和添加好友任务。
任务辅助逻辑:执行任务所需要的执行对象、执行顺序和执行方法等要素,以邮寄包裹的任务为例,执行对象为物品和地址,执行方法为将物品装入待寄的物品袋,再邮寄到收件地址,执行顺序为先填物品栏、再填地址栏,再点击发送。
现有技术中,在执行任务时,需要人为手动确定执行对象以及输入一些相关信息,这样,导致执行任务的每一个步骤可能都需要人为参与。以网购一本书的任务为例,现有技术中实现网购的过程包括:人为确定书本标题名称,然后打开网购页面,输入书本标题名称,再选中该书本标题名称对应的书本,点击购买,进行付款完成网购一本书的任务。
通过上述网购任务的过程可以看出,网购在一定程度上解决了线下购买需要去实体店的问题,但是网购过程仍然需要用户将自己想要执行的任务分解成不同的信息输入步骤输入智能设备,并找到相应的任务执行逻辑再由智能设备去执行任务,整个任务执行的过程中,需要用户参与较多,导致智能设备执行任务较为复杂,且任务执行效率低。而随着人们日常生活节奏的加快,更多的人希望能够将任务交给智能设备去完成,减少人为参与,即希望设备变得越来越智能,能够识别到人的意图,并去自动匹配与人的意图相应的任务进而执行该任务。具体地,这一功能的实现可参见如下所介绍的本发明如图1至图16所示的实施例,需要说明的是,本发明实施例可以由一个智能终端来实施,智能终端可以是智能手机、移动电脑或固定电脑、可穿戴智能设备和物联网设备中的任一种。
图1是本发明实施例一的一种任务处理方法的流程图。
如图1所示,一种任务处理方法,包括如下步骤:
S101,获取至少一个图像;
其中,图像可以通过图像传感器拍摄获得,例如通过安装在智能手机上的前置或后置摄像头拍摄来获得,也可以从在本地存储器上预先存储的图像来获得,还可以是通过网络下载的方式来获得。
S102,识别图像中的至少一个目标以及每一个目标的至少一个属性;
其中,可以是识别一张图像,也可以是识别多张图像;而目标可以存在于一张图像中,也可以存在于多张图像中;对于每一个目标而言,可以有一个属性,也可以有多个属性,例如:一个人的属性可以包括:收件人、发件人、银行账号或者社交账号等。
可选地,识别目标及其属性可以通过现有的目标识别算法来实现,具体地,识别目标包括识别图像中包含的可以清晰地划分为与其他目标不同的目标,识别目标的属性包括识别图像中描述一个目标区别于其他目标的特征;例如:图像中包含一个人、一只猫、一只狗或一栋房屋,则图像中的人为一个独立的目标,人类则是该目标的属性。同理,猫、狗和房屋也各自为一个目标,其属性分别为猫、狗或建筑物。
具体地,可以是通过bounding box方法识别图像中的目标,在识别出目标后,则目标会使用一个例如红色框标识出来,再进一步对框内目标的属性进行识别。
S103,将识别出的目标及其属性与预设任务进行匹配,得到待执行任务。
具体地,匹配得到的待执行任务可以是一个,也可以是多个待执行任务的组合。
在另一种实施方式中,步骤S102的目标及其属性的识别也可以通过机器学习的方式来实现。
图2显示了本发明实施例一的一种任务处理方法中步骤S2的一种实施方式的流程示意图。
如图2所示,采用机器学习方式识别目标及其属性包括如下步骤S201-S202:
S201,预先训练一机器学习模型,该机器学习模型能够识别图像中包含的目标并将图像中包含的目标分类到相应类别下,分类后,类别与图像中包含的目标的属性相关联;
具体地,是采用包含目标及其属性的训练数据预先训练一机器学习模型,使得该机器学习模型达到识别图像中包含的目标及其属性这一目的。训练数据是智能终端能够自动实施的功能中包括的目标及其属性。
例如:使用深度卷积神经网络并结合相应的训练数据训练一个机器学习模型,该机器学习模型可以识别图像中的不同目标并使用分类的方法将图像中包含的目标分入不同的类别,这些类别由于是在标注训练数据时已经预定义的类别,其属性也自然与其类别相关联。因此,智能终端可以根据一张或多张图像识别其中包含的目标数量以及对应的类别。
进而,只要用于预先训练机器学习模型的训练数据存储了该类别相对应的训练数据,则可以判断图像中是否存在该类别的目标以及位置。
另外,随着近期机器学习技术的发展,还可以实现识别一个目标的多个属性,例如一个人可以是“人类”,还可以是“男人”或者“中年男人”。这与传统的机器视觉相比,在识别精度和识别范围方面具有明显提升。
S202,采用机器学习模型识别图像中的至少一个目标以及每一个目标的至少一个属性。
进一步地,每个预设任务具有唯一的任务标识,用于标识该预设任务,每个预设任务包括任务标识和执行该预设任务所需要的目标及其属性。例如:预先在智能终端中存储任务标识和执行该预设任务所需要的目标及其属性的关联关系。并且在不同的预设任务中,同一目标用到的属性不一样,例如:目标为人时,在邮寄包裹的预设任务中,用到的属性为收件人或发件人,而在添加好友的预设任务中,用到的属性为社交账号,又在预定酒店的预设任务中,用到的属性为支付账号。
上述实施例不仅能够识别目标及其属性,还可以识别目标的个数,包括同一目标的个数,在确认了图像中的目标及其个数和属性后,智能终端会将这些目标根据其属性关联起来。进而将识别出的目标及其个数和属性与预设任务进行匹配,得到匹配度最高的任务标识;进而将匹配度最高的任务标识对应的预设任务作为待执行任务。例如:根据给定的目标个数及其属性找到匹配度最高的任务标识。
图3显示了本发明实施例一的一种任务处理方法中子步骤S3的一种实施方式的流程示意图。
如图3所示,具体包括如下步骤:
S301,将任一目标及其属性与预设任务进行匹配,得到包含任一目标及其属性的第一组任务标识;
S302,统计第一组任务标识的数量;
S303a,如果匹配的第一组任务标识的数量小于或等于预定阈值,则第一组任务标识为匹配度最高的任务;可选地,预定阈值可以设置为一个,也可以是设置为三个,本发明不以此为限。预定阈值可以由用户来设定,也可以由机器学习模型根据学习结果自动设定。
S303b,如果匹配得到的第一组任务标识的数量大于预定阈值,则继续选择另一目标,在第一组任务标识中进行匹配,得到包含另一目标及其属性的第二组任务标识。
作为一种可选的实施方式,在匹配过程中,由于目标往往有多个,因此,在基于多个目标及其属性进行匹配时,如果多个目标中,至少两个目标的属性相同,则可以优先选择该目标及其属性进行匹配。通过S301-S303的循环往复,可以不断的缩减匹配的预设任务,直至得到匹配度最高的任务。
图4显示了本发明实施例一的一种任务处理方法中子步骤S3的另一种实施方式的流程示意图。
如图4所示,包括如下步骤:
S401,将个数最多的目标及其属性与预设任务进行匹配,得到包含该个数最多的目标及其属性的第一组任务标识;
S402,统计第一组任务标识的数量;
S403a,如果匹配得到的第一组任务标识的数量小于或等于预定阈值,则第一组任务标识为匹配度最高的任务;
S403b,如果匹配得到的第一组任务标识的数量大于预定阈值,则继续选择另一目标,在第一组任务标识中进行匹配,得到包含另一目标及其属性的第二组任务标识。
作为一种可选的实施方式,在匹配过程中,由于目标往往有多个,因此,在基于多个目标及其属性进行匹配时,如果多个目标中,至少两个目标的属性相同,则可以优先选择该目标及其属性进行匹配。通过S401-S403的循环往复,可以不断的缩减匹配的预设任务,直至得到匹配度最高的任务。
而在上述图3和图4所示的实施方式中,另一目标可以是其余目标中的任一目标,也可以是其余目标中的个数最多的目标,即步骤S303b和S403b中:在第一组任务标识中进行匹配时,可以是在其余目标中任意选择一目标进行匹配,还可以是在其余目标中选择个数最多的目标进行匹配。
进一步地,在形成预设任务与所述目标及其属性的关联度时,可以是:通过机器学习的方法得到一包含预设任务与所述目标及其属性的关联度的权重模型,例如使用大量标有目标及其属性和任务标识的训练数据训练一个模型,将得到不同目标及其属性与预设任务之间关联的权重模型。该权重模型中,每个预设任务中,目标及其属性和任务标识之间具有权重,在不同的预设任务中,同一目标及其属性的权重可能会不同。
图5显示了本发明另一实施例的一种任务处理方法的流程示意图。
如图5所示,步骤S3包括如下子步骤:
S501,对每个任务标识及与其对应的目标及其属性设置权重,权重反映预设任务与目标及其属性的关联度;
S502,计算识别出的每个目标及其属性与各个预设任务的关联度;
具体地,在将识别出的目标及其个数和属性输入至智能终端后,智能终端将会计算不同的预设任务与当前目标及其属性的关联度,并将关联度最高的一个或多个任务标识找到。
S503,将关联度最高的任务标识对应任务作为待执行任务。
在采用上述实施例的方法识别出目标及其属性,并匹配得到待执行任务后,还包括:执行匹配度最高的一个或多个待执行任务,该待执行任务的执行以至少一个目标或其属性为元素,建立一个完整的任务。进而将识别到的目标及其属性作为执行待执行任务的元素,顺序或并行执行由多个操作步骤组成的待执行任务。
图6显示了本发明又一实施例的一种任务处理方法的流程示意图。
如图6所示,将关联度最高的任务标识对应的一个或多个任务作为待执行任务后,还包括:
S504,基于用户对待执行任务的选择对该待执行任务的权重进行修正。
其中,该权重值在基于大量用户的实际选择进行智能学习和动态修正后,能够更准确的体现目标及其属性与预设任务之间的关联性。
例如:机器学习模型对一张包含包裹、名片、名片包含的联系人姓名、联系方式和地址的图片进行识别,并匹配得到预设任务,假如机器学习模型第一次识别匹配之后得到了两个预设任务,分别是以该联系人作为发件人邮寄包裹的预设任务和以该联系人作为收件人邮寄包裹的预设任务,且二者对应的权重值相同,均为0.8,则会将两个预设任务作为待执行任务都推送给用户,当用户在连续多次都选择了以该联系人作为收件人邮寄包裹的待执行任务后,那么机器学习模型会根据用户的这种选择对待执行任务对应的任务标识与目标及其属性的权重进行修正,即将以该联系人作为收件人邮寄包裹的预设任务的权重值增大,例如:将其修正为0.9,那么在下次接收到同样的输入信息后,就会自动匹配为以该联系人作为收件人邮寄包裹的预设任务。
图7显示了本发明又一实施例的一种任务处理方法的流程示意图。
如图7所示,在步骤S2之后以及步骤S3之前,该方法还包括如下步骤:S71,将识别出的至少一个目标及其至少一个属性呈现;
S72,接收用户基于至少一个目标及其至少一个属性确定的任务辅助逻辑;
S73,基于任务辅助逻辑进行任务匹配,将识别出的目标及其属性与预设任务进行匹配。
在一种实施方式中,智能终端在识别到目标及其属性后,可以是将目标及其属性呈现在智能终端之上,用户可以通过触摸屏输入一个任务辅助逻辑,该任务辅助逻辑可以是用户用手指从图片中包裹处滑动到图片中名片处确定的多个目标之间的执行顺序关系。
在另外一种实施方式中,还可以是将识别出的多个目标以及多个属性同时呈现给用户,用户通过选择的方式选择用于进行匹配的目标及属性,此时将只收到用户选择的目标及其属性,该用户选择的目标及其属性即为任务辅助逻辑。根据该任务辅助逻辑,能够更好的匹配一个与用户意图最接近的预设任务。
图8显示了本发明一实施例的一种任务处理系统的结构示意图。
如图8所示,一种任务处理系统,包括:
获取模块,用于获取至少一个图像;
识别模块,用于识别所述图像中的至少一个目标以及每一个目标的至少一个属性;
匹配模块,用于将识别出的所述目标及其属性与预设任务进行匹配,得到待执行任务。
其中,属性是一个目标区别于其他目标的特征。
图9显示了本发明又一实施例的一种任务处理系统的结构示意图。
如图9所示,该任务处理系统还包括:
存储模块,用于存储预设任务,每个预设任务包括任务标识和执行该预设任务所需要的目标及其属性。
其中,匹配模块进一步用于:将识别出的目标及其个数和属性与预设任务进行匹配,得到匹配度最高的任务标识;以及将所述匹配度最高的任务标识对应的预设任务作为待执行任务。
图10显示了本发明一实施例的一种任务处理系统中匹配模块的一种实施方式的结构示意图。
如图10所示,匹配模块包括:
第一匹配单元,用于将任一目标及其属性与预设任务进行匹配,得到包含该任一目标及其属性的第一组任务标识;
第二匹配单元,用于在匹配的第一组任务标识的数量小于或等于预定阈值时,将第一组任务标识作为匹配度最高的任务;以及,用于在匹配得到的第一组任务标识的数量大于预定阈值时,则继续选择另一目标,在第一组任务标识中进行匹配,得到包含另一目标及其属性的第二组任务标识。
图11显示了本发明一实施例的一种任务处理系统中匹配模块的另一种实施方式的结构示意图。
如图11所示,匹配模块包括:
第三匹配单元,用于将个数最多的目标及其属性与预设任务进行匹配,得到包含个数最多的目标及其属性的第一组任务标识;
第四匹配单元,用于在匹配的第一组任务标识的数量小于或等于预定阈值时,将第一组任务标识作为匹配度最高的任务;以及,用于在匹配得到的第一组任务标识的数量大于预定阈值时,继续选择另一目标,在第一组任务标识中进行匹配,得到包含另一目标及其属性的第二组任务标识。
图12(a)显示了本发明一实施例的一种任务处理系统中第二匹配单元的一种实施方式的结构示意图。
如图12(a)所示,第二匹配单元包括:
选择子单元,用于将其余目标中的任一目标或者个数最多的目标作为另一目标。
图12(b)显示了本发明一实施例的一种任务处理系统中第四匹配单元的一种实施方式的结构示意图。
如图12(b)所示,第四匹配单元包括:
选择子单元,用于将其余目标中的任一目标或者个数最多的目标作为另一目标。
图13显示了本发明另一实施例的一种任务处理系统的结构示意图。
如图13所示,匹配模块包括:
权重设置单元,用于对每个任务标识及与其对应的目标及其属性设置权重,权重反映预设任务与目标及其属性的关联度;
关联度计算单元,用于计算识别出的每个目标及其属性与各个预设任务的关联度;以及将关联度最高的任务标识作为待执行任务。
图14显示了本发明又一实施例的一种任务处理系统的结构示意图。
如图14所示,该匹配模块还包括:
修正单元,用于基于用户对所述待执行任务的选择对所述待执行任务的权重进行修正。
图15显示了本发明又一实施例的一种任务处理系统的结构示意图。
如图15所示,任务处理系统还包括:
呈现模块,用于将识别出的至少一个目标及其至少一个属性呈现;
接收模块,用于接收用户基于至少一个目标及其至少一个属性确定的任务辅助逻辑;其中,任务辅助逻辑包括:执行对象、执行顺序和执行方法中的至少一个。
匹配模块,进一步用于基于任务辅助逻辑,将识别出的目标及其属性与预设任务进行匹配。
图16显示了本发明又一实施例的一种任务处理系统的结构示意图。
如图16所示,任务处理系统还包括机器学习训练模块;
机器学习训练模块,用于预先训练一机器学习模型,机器学习模型识别图像中包含的目标并将图像中包含的目标分类到相应类别下,类别与图像中包含的目标的属性相关联;
识别模块,还用于采用机器学习模型识别图像中的至少一个目标及其至少一个属性。
可选的,还可以包括执行模块,用于执行待执行任务。
下面通过几个示例对本发明实施例的任务处理方法进行详细说明:
示例一:
在示例一中,介绍的是一个由两个目标及属性完成的任务。
例如:当用户使用智能手机拍摄一张包含一个包裹和名片的图片(例如有意图的拍摄这样一张照片),并输入至识别模块,智能终端会通过识别模块识别图片中包含一个包裹和一个名片,对于名片还识别了名片对应的联系人姓名、联系电话以及地址,则该幅图片中的包裹和名片为目标,目标的属性包括联系人姓名、联系电话以及地址。识别模块进而将两个目标以及属性关系输入至匹配模块,匹配模块将匹配出一个邮寄快递的预设任务。这是由于在训练阶段,认为定义的一个常用任务为邮寄快递,并且匹配模型接收到大量的相关训练数据,因此匹配模块匹配出用户的意图(与用户有意图的拍摄这样一张照片相对应)为邮寄快递。进一步,智能终端的执行模块发送了一个快递订单,其在订单“待发送物品”处填写“包裹”,并将名片中联系人的相关信息填写到订单的“收货人”处。在一种实施方式中,匹配模块可以给出多个匹配结果,供用户选择。在另一种实施方式中,智能终端的识别模块在识别到目标后,可以将目标及其属性呈现在智能终端之上,用户可以通过触摸屏输入一个任务辅助逻辑,例如多个目标之间的顺序关系,该任务辅助逻辑的输入可以是用户通过手指从图片中包裹处滑动到图片中名片处的操作。在另外一种实施方式中,识别模块还可以将识别的多个目标以及多个属性同时呈现给用户,用户通过选择的方式选择用于进行匹配的目标及属性,此时匹配模块将只收到用户选择的目标及其属性,并基于用户选择的目标及其属性进行匹配。根据该任务辅助逻辑,匹配模块将识别出的所述目标及其属性与预设任务进行匹配,能够匹配得到一个最优的预设任务。更加智能的是,还可以通过机器学习的方法让匹配模块学习快递类型,例如:识别出用户想要邮寄顺丰快递。
示例二:
在示例二中,依然介绍的是一个由两个目标及属性完成的任务。
例如:用户通过智能眼镜,将一个书和一个二维码纳入扫描范围。则识别模块识别一个目标为书以及该书的标题,同时识别模块识别一个二维码。匹配模块匹配出一个购物任务,执行模块读取二维码包含的信息,即根据二维码提供的消费地址计算出该书的价格和付款账户,并通过用户预先设置的支付账户向二维码所指示的付款账户完成付款。
示例三:
在示例三中,介绍的是一个由三个目标及其属性完成的任务。
例如:用户通过智能手机拍摄一张照片,照片中包含两个人以及背景信息。识别模块识别出照片中的两个人并通过人脸识别方法识别对应的账户,同时根据背景信息中的牌匾识别出为一家连锁酒店。进一步,匹配模块匹配得到一个包含两人的酒店预订任务,进而根据背景信息中的牌匾找到预订网站,并自动输入两人的预订信息。并在智能终端上呈现最终的确认信息,在接收到用户的确认操作后,执行模块完成酒店的预订。在本示例三中,两个目标均为人,因此匹配模块匹配出与两个不同属性“人类”和“酒店”之间的预设任务,而不是一个与三个属性之间关联的预设任务。这种能力是由机器学习模型的学习能力来决定。更加智能的是,还可以通过机器学习的方法让匹配模块学习预定网站类型,例如:识别出用户想要在美团或者大众点评等网站进行预订。
示例四:
在本示例四中,介绍的是一种通过多个图像数据图像完成的任务。
例如:用户通过智能手机后置摄像头拍摄对面一个人的照片,然后用户打开前置摄像头并捕捉到自己的面部图像。则识别模块可以通过两个图像获得两个人的ID,例如:人脸特征,匹配模块匹配得到多个社交网络的账号。则执行模块在一个或多个社交网络账号中将两个人添加为联系人。在另外一种实施方式中,用户只拍摄对面一个人的照片,并将一张本地存储的照片输入至识别模块,其中本地存储的照片是一张多人合照。则最终的结果是执行模块将多人照片中的联系人添加到通过后置摄像头拍摄的图像识别出的用户的联系人中。
上述几种示例的任务仅作示例说明,本发明可以适用于一切由智能终端完成的任务,只要该任务具备本发明实施例中所介绍的特点,则可适用。
通过上述四个示例可以看出,用户不再需要手动填写或输入一些与待执行任务相关的信息,这些都可以植入本发明实施例任务处理方法的智能处理流程来自动识别并匹配预设任务进而执行来完成。
需要说明的是,本发明一种任务处理系统是与涉及计算机程序流程的一种任务处理方法一一对应的系统,由于在前已经对一种任务处理方法的步骤流程进行了详细描述,在此不再对一种任务处理系统的实施过程进行赘述。
本发明实施例还提供了一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令用于使计算机执行上述任一个实施例的一种任务处理方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
如图17所示,一种执行前述方法的电子设备,包括一个或多个处理器1701以及与一个或多个处理器通信连接的存储器1702,图17中以一个处理器为例。
电子设备还可以包括:输入装置1703和输出装置1704,输入装置1703用于输入获取的至少一张图像,输出装置1704用于输出匹配得到的待执行任务。
处理器1701、存储器1702、输入装置1703和输出装置1704可以通过总线或者其他方式连接,图17中以通过总线连接为例。
存储器1702作为一种非暂态计算机可读存储介质。可用于存储非暂态软件程序、非暂态计算机可执行程序,如本发明实施例中的一种任务处理方法对应的软件程序、指令以及模块。处理器1701通过运行存储在存储器1702中的非暂态软件程序、指令以及模块,执行一种任务处理系统的各种功能应用以及数据处理,即实现上述方法实施例的方法步骤。
存储器1702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据一种任务处理系统的使用所创建的数据等。此外,存储器1702可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件,闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器1702可选包括相对于处理器1701远程设置的存储器,这些远程存储器可以通过网络连接至一种任务处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置1703可接收输入的至少一张图像,以及产生与输入的图像的任务处理系统的用户设置以及功能控制有关的键信号输入。输入装置1703可以包括触摸屏、键盘等,也可以包括有线接口、无线接口等。输出装置1704可包括显示屏等显示设备。在一种实施方式中,呈现模块可以是显示屏等显示设备,接收模块可以集成在显示设备上,也可以与显示设备单独设置。
一个或多个软件程序、指令存储在存储器1702中,当被一个或多个处理器1701执行时,执行上述任意方法实施例中的一种任务处理方法,例如:获取至少一个图像;识别图像中的至少一个目标以及每一个目标的至少一个属性;将识别出的目标及其属性与预设任务进行匹配,得到待执行任务。
在本发明实施例中,一个或多个处理器能够:执行前述任一实施方式的一种任务处理方法,例如:获取至少一个图像;识别图像中的至少一个目标以及每一个目标的至少一个属性;将识别出的目标及其属性与预设任务进行匹配,得到待执行任务。
本发明旨在保护一种通过识别图像中包含的至少一个目标以及每一个目标的至少一个属性,进而根据识别出的目标及其属性匹配得到待执行任务的方法和系统。具有以下有益效果:
(1)用户不再需要将自己所想要执行的任务分解成不同的信息输入步骤,并找到相对应的任务辅助逻辑。用户只需要将相关联的目标通过图像传感器或其他方式输入至一个相同的智能处理流程(任务处理方法)。智能处理流程就会识别接收到的一个或多个图像数据中包含的用户所意图执行的任务所需要的所有元素(目标及其属性)。
(2)通过对每个任务标识及与其对应的目标及其属性设置权重,该权重反映预设任务与所述目标及其属性的关联度,进而利用该权重匹配预设任务,能够实现“猜”到用户想要执行的任务,并并自动生成待执行任务的效果,进而实现大大减少用户通过智能设备完成各种任务的复杂度,并极大的增加了任务执行的效率。
(3)通过选择训练数据和预设任务进行预先训练,智能终端则可以识别用户日常所使用的大部分的预设任务。
(4)可以根据用户的反馈不断提升权重模型在匹配时的精确度,例如:当匹配得到多个任务标识后,可以根据用户连续多次的选择对权重进行修正,使其更加智能化。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (22)
1.一种任务处理方法,其特征在于,包括:
获取至少一个图像;
识别所述图像中的至少一个目标以及每一个所述目标的至少一个属性;
将识别出的所述目标及其属性与预设任务进行匹配,得到待执行任务,其中,将识别出的所述目标及其个数和属性与所述预设任务进行匹配,得到匹配度最高的任务标识,将所述匹配度最高的任务标识对应的预设任务作为待执行任务,将任一目标及其属性与所述预设任务进行匹配,得到包含所述任一目标及其属性的第一组任务标识,如果匹配的第一组任务标识的数量小于或等于预定阈值,则所述第一组任务标识为匹配度最高的任务,如果匹配得到的第一组任务标识的数量大于预定阈值,则继续选择另一目标,在所述第一组任务标识中进行匹配,得到包含所述另一目标及其属性的第二组任务标识。
2.根据权利要求1所述的任务处理方法,其特征在于,
所述属性是所述目标区别于其他目标的特征。
3.根据权利要求1所述的任务处理方法,其特征在于,
每个所述预设任务包括任务标识和执行所述预设任务所需要的目标及其属性。
4.根据权利要求1所述的任务处理方法,其特征在于,所述将识别出的目标及其个数和属性与所述预设任务进行匹配,以得到匹配度最高的任务标识的步骤包括:
将个数最多的目标及其属性与所述预设任务进行匹配,得到包含所述个数最多的目标及其属性的第一组任务标识;
如果匹配的第一组任务标识的数量小于或等于预定阈值,则所述第一组任务标识为匹配度最高的任务;
如果匹配得到的第一组任务标识的数量大于预定阈值,则继续选择另一目标,在所述第一组任务标识中进行匹配,得到包含所述另一目标及其属性的第二组任务标识。
5.根据权利要求1或4所述的任务处理方法,其特征在于,所述另一目标包括其余目标中的任一目标或者其余目标中的个数最多的目标。
6.根据权利要求3所述的任务处理方法,其特征在于,所述将识别出的所述目标及其属性与预设任务进行匹配,得到待执行任务的步骤包括:
对每个任务标识及与其对应的目标及其属性设置权重,所述权重反映所述预设任务与所述目标及其属性的关联度;
计算识别出的每个所述目标及其属性与各个所述预设任务的关联度;
将关联度最高的任务标识对应的任务作为待执行任务。
7.根据权利要求6所述的任务处理方法,其特征在于,所述将关联度最高的任务标识对应的任务作为待执行任务的步骤后,还包括:
基于用户对所述待执行任务的选择对所述待执行任务的权重进行修正。
8.根据权利要求1所述的任务处理方法,其特征在于,所述将识别出的所述目标及其属性与预设任务进行匹配的步骤包括:
将识别出的至少一个所述目标及其至少一个属性呈现;
接收用户基于所述至少一个所述目标及其至少一个属性确定的任务辅助逻辑;
基于所述任务辅助逻辑,将识别出的所述目标及其属性与预设任务进行匹配。
9.根据权利要求8所述的任务处理方法,其特征在于,所述任务辅助逻辑包括:执行对象、执行顺序和执行方法中的至少一个。
10.根据权利要求1所述的任务处理方法,其特征在于,所述识别所述图像中的至少一个目标以及每一个所述目标的至少一个属性的步骤包括:
预先训练一机器学习模型,所述机器学习模型识别图像中包含的目标并将所述图像中包含的目标分类到相应类别下,所述类别与所述图像中包含的目标的属性相关联;
采用所述机器学习模型识别所述图像中的至少一个目标以及每一个所述目标的至少一个属性。
11.一种任务处理系统,其特征在于,包括:
获取模块,用于获取至少一个图像;
识别模块,用于识别所述图像中的至少一个目标以及每一个所述目标的至少一个属性;
匹配模块,用于将识别出的所述目标及其属性与预设任务进行匹配,得到待执行任务,其中,所述匹配模块进一步用于:将识别出的所述目标及其个数和属性与所述预设任务进行匹配,得到匹配度最高的任务标识;以及将所述匹配度最高的任务标识对应的预设任务作为待执行任务,匹配模块包括:
第一匹配单元,用于将任一目标及其属性与所述预设任务进行匹配,得到包含所述任一目标及其属性的第一组任务标识;
第二匹配单元,用于在匹配的第一组任务标识的数量小于或等于预定阈值时,将所述第一组任务标识作为匹配度最高的任务;以及,用于在匹配得到的第一组任务标识的数量大于预定阈值时,则继续选择另一目标,在所述第一组任务标识中进行匹配,得到包含所述另一目标及其属性的第二组任务标识。
12.根据权利要求11所述的任务处理系统,其特征在于,所述属性是所述目标区别于其他目标的特征。
13.根据权利要求11所述的任务处理系统,其特征在于,还包括:
存储模块,用于存储所述预设任务,每个所述预设任务包括任务标识和执行所述预设任务所需要的目标及其属性。
14.根据权利要求11所述的任务处理系统,其特征在于,所述匹配模块包括:
第三匹配单元,用于将个数最多的目标及其属性与所述预设任务进行匹配,得到包含所述个数最多的目标及其属性的第一组任务标识;
第四匹配单元,用于在匹配得到的第一组任务标识的数量小于或等于预定阈值时,将所述第一组任务标识作为匹配度最高的任务;以及,用于在匹配得到的第一组任务标识的数量大于预定阈值时,继续选择另一目标,在所述第一组任务标识中进行匹配,得到包含所述另一目标及其属性的第二组任务标识。
15.根据权利要求11或14所述的任务处理系统,其特征在于,所述第二匹配单元或第四匹配单元包括:
选择子单元,用于将其余目标中的任一目标或者个数最多的目标作为另一目标。
16.根据权利要求13所述的任务处理系统,其特征在于,所述匹配模块包括:
权重设置单元,用于对每个任务标识及与其对应的目标及其属性设置权重,所述权重反映所述预设任务与所述目标及其属性的关联度;
关联度计算单元,用于计算识别出的每个所述目标及其属性与各个所述预设任务的关联度;以及将关联度最高的任务标识作为待执行任务。
17.根据权利要求16所述的任务处理系统,其特征在于,所述匹配模块还包括:
修正单元,用于基于用户对所述待执行任务的选择对所述待执行任务的权重进行修正。
18.根据权利要求11所述的任务处理系统,其特征在于,还包括:
呈现模块,用于将识别出的至少一个所述目标及其至少一个属性呈现;
接收模块,用于接收用户基于所述至少一个所述目标及其至少一个属性确定的任务辅助逻辑;
所述匹配模块,进一步用于基于所述任务辅助逻辑,将识别出的所述目标及其属性与预设任务进行匹配。
19.根据权利要求18所述的任务处理系统,其特征在于,所述任务辅助逻辑包括:执行对象、执行顺序和执行方法中的至少一个。
20.根据权利要求11所述的任务处理系统,其特征在于,还包括机器学习训练模块:
机器学习训练模块,用于预先训练一机器学习模型,所述机器学习模型识别图像中包含的目标并将所述图像中包含的目标分类到相应类别下,所述类别与所述图像中包含的目标的属性相关联;
识别模块,还用于采用所述机器学习模型识别所述图像中的至少一个目标以及每一个所述目标的至少一个属性。
21.一种计算机存储介质,其特征在于,所述存储介质上存储有计算机程序,所述程序被处理器执行时实现权利要求1-10中任意一项所述方法的步骤。
22.一种电子设备,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计算机程序,所述处理器执行所述程序时实现权利要求1-10中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810074601.5A CN108416261B (zh) | 2018-01-25 | 2018-01-25 | 一种任务处理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810074601.5A CN108416261B (zh) | 2018-01-25 | 2018-01-25 | 一种任务处理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108416261A CN108416261A (zh) | 2018-08-17 |
CN108416261B true CN108416261B (zh) | 2022-05-03 |
Family
ID=63126234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810074601.5A Active CN108416261B (zh) | 2018-01-25 | 2018-01-25 | 一种任务处理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416261B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311358B (zh) * | 2020-01-20 | 2023-05-30 | 北京有竹居网络技术有限公司 | 信息处理方法、装置和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106016951A (zh) * | 2016-05-26 | 2016-10-12 | 青岛海尔股份有限公司 | 冰箱的运行状态控制方法与冰箱 |
CN106201699A (zh) * | 2016-07-15 | 2016-12-07 | 北京光年无限科技有限公司 | 在机器人操作系统中启动应用的方法及装置 |
CN106390457A (zh) * | 2016-10-10 | 2017-02-15 | 南京炫佳网络科技有限公司 | 电视ar游戏系统及显示方法 |
CN106796677A (zh) * | 2014-06-26 | 2017-05-31 | 亚马逊科技公司 | 基于视觉提示进行自动化任务 |
CN107367966A (zh) * | 2017-07-14 | 2017-11-21 | 深圳凌触科技有限公司 | 人机交互方法以及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9158985B2 (en) * | 2014-03-03 | 2015-10-13 | Xerox Corporation | Method and apparatus for processing image of scene of interest |
-
2018
- 2018-01-25 CN CN201810074601.5A patent/CN108416261B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106796677A (zh) * | 2014-06-26 | 2017-05-31 | 亚马逊科技公司 | 基于视觉提示进行自动化任务 |
CN106016951A (zh) * | 2016-05-26 | 2016-10-12 | 青岛海尔股份有限公司 | 冰箱的运行状态控制方法与冰箱 |
CN106201699A (zh) * | 2016-07-15 | 2016-12-07 | 北京光年无限科技有限公司 | 在机器人操作系统中启动应用的方法及装置 |
CN106390457A (zh) * | 2016-10-10 | 2017-02-15 | 南京炫佳网络科技有限公司 | 电视ar游戏系统及显示方法 |
CN107367966A (zh) * | 2017-07-14 | 2017-11-21 | 深圳凌触科技有限公司 | 人机交互方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108416261A (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11520824B2 (en) | Method for displaying information, electronic device and system | |
US9234744B2 (en) | Sensor-based mobile search, related methods and systems | |
CN115735229A (zh) | 在消息收发系统中更新化身服装 | |
WO2015135324A1 (zh) | 图片排序方法及终端 | |
KR101887637B1 (ko) | 로봇 시스템 | |
CN109039671A (zh) | 群组消息显示方法、装置、终端及存储介质 | |
CN110781805B (zh) | 一种目标物体检测方法、装置、计算设备和介质 | |
CN109358922A (zh) | 一种个性化菜单展示方法、装置、智能终端及存储介质 | |
CN111339420A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
US11087182B1 (en) | Image processing including streaming image output | |
CN106127828A (zh) | 一种增强现实的处理方法、装置及移动终端 | |
US20160342624A1 (en) | Image Tagging System | |
CN111144284B (zh) | 深度人脸图像的生成方法、装置、电子设备及介质 | |
KR20230029946A (ko) | 이미지들에 대한 여행 기반 증강 현실 콘텐츠 | |
KR20220160089A (ko) | 메시징 애플리케이션에서의 증강 현실 콘텐츠의 디스플레이 | |
KR20220155601A (ko) | 검출된 객체들에 대한 증강 현실 콘텐츠의 음성 기반 선택 | |
KR20230031323A (ko) | 리뷰들을 위한 여행 기반 증강 현실 콘텐츠 | |
US20150220788A1 (en) | Image Processing Server | |
CN108416261B (zh) | 一种任务处理方法和系统 | |
CN103440307A (zh) | 媒体信息提供方法及装置 | |
CN109242031B (zh) | 姿势优化模型的训练方法、使用方法、装置及处理设备 | |
CN110766502B (zh) | 商品评价方法和系统 | |
CN111131913A (zh) | 基于虚拟现实技术的视频生成方法、装置及存储介质 | |
CN110377824A (zh) | 信息推送方法、装置、计算机可读存储介质及电子设备 | |
CN110620877A (zh) | 位置信息生成方法、装置、终端及计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |