CN108428150A - 一种用于广告音频特征提取的方法 - Google Patents
一种用于广告音频特征提取的方法 Download PDFInfo
- Publication number
- CN108428150A CN108428150A CN201810179397.3A CN201810179397A CN108428150A CN 108428150 A CN108428150 A CN 108428150A CN 201810179397 A CN201810179397 A CN 201810179397A CN 108428150 A CN108428150 A CN 108428150A
- Authority
- CN
- China
- Prior art keywords
- audio
- advertisement
- feature extraction
- point
- search
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/233—Processing of audio elementary streams
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/439—Processing of audio elementary streams
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种用于广告音频特征提取的方法,该方法包含:步骤1,音频采集存储;步骤2,确定特征点位;步骤3,提取特征;步骤4,特征搜索;步骤5,音频搜索优化。步骤2包含将音频格式转换为单声道,加滑动窗口后计算短时傅立叶变换,转换为频谱,计算频谱每个时间点特定频率的能量值,并按正态分布函数进行加权平均;对能量值曲线在滑动窗口内取极大值,对应的时间点即为特征点位。步骤3包含将频谱能量范围按对数坐标刻度分区,计算得到矩阵,进行小波变换和最小哈希算法,将向量缩减作为最终特征向量。本发明提供的用于广告音频特征提取的方法,具有计算复杂度低,检测效率高、应用范围广、准确率高等优点,能够极大地提高检测效率。
Description
技术领域
本发明涉及一种音频筛选的方法,具体地,涉及一种用于广告音频特征提取的方法。
背景技术
随着全球市场经济进一步向纵深发展,企业和商家的广告投入日益加大,视音频媒体的各种广告铺天盖地,但广告的漏播、断播或播出质量差、任意变动播出时间和次数等非正常现象却屡见不鲜。
然而,目前的视音频媒体广告尚缺少一种有效的技术监督和检测手段。在现有的技术中,广告自动检测在日常生活中扮演了越来越重要的角色。例如:从电视终端用户来看,在录制节目时自动滤掉广告,将会大大提高用户舒适度和效率;对于刊登广告者和公司而言,自动检测特定的广告将能有效地验证广告公司履行合同情况;对于社会公共机构而言,广告自动检测能够帮助检测违规广告等等。但这种方法也存在不足,随着广告与互联网技术的发展,目前的广告自动检测技术在准确率上明显偏低,并且存在着检测所需数据量大,计算量非常大,速度比较慢,很难实现实时性能等缺陷。
而为了能够了解广告的播出效果,我们就必须对广告发布进行跟踪和分析。例如:一位广告商购买了每天特定时间的广告,他需要确实且客观的知道广告是否在该特定时间内播出,是否被插入了其他广告商的广告,是否按照既定的方式进行了播出。
在现阶段,并没有一个非常好的方法实现上述问题。在大多数情况下,人们只能够相信广告代理商或者发布方提供的数据。但由于经济利益的问题和信息的不对称性,代理商或发布方常常不报告真实的情况,而尽量报告对自己有利的信息。对于期望获得服务的一方,只能靠人工的抽查来进行个别问题的发现。如果不愿意投入人力的话,就只能相信广告代理商或者发布方提供的报告。
由此可见,为了解决上述问题,首先就需要一种有效的对广告音频特征提取的方法。
发明内容
本发明的目的是提供一种音频筛选的方法,能够解决现有的问题,实现对广告音频特征提取。
为了达到上述目的,本发明提供了一种用于广告音频特征提取的方法,其中,所述的方法包含:步骤1,音频采集存储;采取集群分布式策略,在降低成本的同时保证搜索速度;步骤2,确定特征点位;步骤3,提取特征;步骤4,特征搜索;步骤5,音频搜索优化。
上述的用于广告音频特征提取的方法,其中,步骤2所述的点位是指电台频率和时间点,以对应广告播出的开始时间。
上述的用于广告音频特征提取的方法,其中,所述的步骤2包含:步骤 2.1,音频格式转换为单声道,重采样为8000Hz;步骤2.2,对音频加滑动窗口后计算短时傅立叶变换(STFT),转换为频谱(spectrogram);步骤2.3,计算上述频谱每个时间点特定频率的能量值,以800Hz为中心,20Hz为σ (sigma,标准差),5个σ(sigma,标准差)之内按正态分布函数对能量进行加权平均;步骤2.4,对上述能量值曲线在滑动窗口内取极大值,极大值对应的时间点即为特征点位。
上述的用于广告音频特征提取的方法,其中,所述的步骤2.4中的滑动窗口的滑动间隔为0.02秒,窗口长度为0.25秒。
上述的用于广告音频特征提取的方法,其中,所述的步骤3是对每个特征点位按如下算法提取特征,其包含:步骤3.1,从点位时间起计算频谱短时傅立叶变换(STFT)的窗口为0.371秒,滑动间隔为0.0116秒,连续128个窗口;步骤3.2,将频谱能量范围按对数坐标刻度(log scale,对指数级别的数据进行对数运算以后的标尺或坐标刻度)分为31个区间;步骤3.3,每个频谱对应128×31个二维区域,在频谱上计算能量得到尺寸为128×31的矩阵;步骤3.4,对上述矩阵进行小波变换;小波变换(wavelet transform,WT) 是一种新的变换分析方法,它继承和发展了短时傅立叶变换局部化的思想,同时又克服了窗口大小不随频率变化等缺点,能够提供一个随频率改变的“时间-频率”窗口,是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征,能对时间(空间)频率的局部化分析,通过伸缩平移运算对信号(函数)逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分,能自动适应时频信号分析的要求,从而可聚焦到信号的任意细节;步骤3.5,把上述结果中值最大的200个元素置1,其余元素置零得到128×31的0/1矩阵;步骤3.6,对上述矩阵进行200维最小哈希算法(MinHash)得到200维向量,即为Googlewaveprint算法;步骤 3.7,对上述向量的200维按4维一组进行分组得到50组,只取其前48组,每一组按算术编码进行编码,并对编码截断只取其前一个字节,由此将200 维向量缩减为48维字节向量,作为最终特征向量,也就是完成算术编码局部敏感哈希算法(Arithmetic-Coded LSH);步骤3.8,匹配两个点位时,对其相似性使用汉明(Hamming)距离不同的字节个数。汉明距离是使用在数据传输差错控制编码里面的,汉明距离是一个概念,它表示两个(相同长度) 字对应位不同的数量,我们以d(x,y)表示两个字x,y之间的汉明距离,对两个字符串进行异或运算,并统计结果为1的个数,那么这个数就是汉明距离。
上述的用于广告音频特征提取的方法,其中,步骤4所述的特征搜索包括逐个比对和快速检索两种。逐个比对(brutal force)在比对时支持一定(小范围)的时间空间压缩和拉伸。
上述的用于广告音频特征提取的方法,其中,所述的步骤4中的快速检索是使用局部敏感哈希算法(Locality Sensitive Hashing,LSH)压缩特征向量,建立可以驻留内存的索引,以实现高速近似搜索。快速检索(Indexing) 需要更多文档,比如:1000个电台,1年的数据量,逐个比对会耗费大量资源。因此需要调节近似搜索的召回率和速度,并做优化。当找到一个点位后,会进一步优化,使用逐个比对进行渐进搜索:在原来点位基础上进一步逐个比对之前之后一周内的所有该频率音频(也可以搜索该地区其他频率在这周的音频)。这样,如果一开始用快速检索可以获得点位99%的召回率,而因为广告音频一般重复10次以上,只要找到其中一个,就基本可以找到所有的广告点位。这样保证了极高的召回率。
上述的用于广告音频特征提取的方法,其中,步骤5所述的音频搜索优化,是将搜索音频进行预压缩和拉伸,以找到相应的广告播出点位。有时广告在播出时会被时间上进行压缩和拉伸,因此支持将搜索音频进行预压缩和拉伸,可以找到相应的广告播出点位。
本发明提供的用于广告音频特征提取的方法具有以下优点:
本发明以音频特征取代视频特征、音视频特征结合等进行广告检测,具有计算复杂度低,检测效率高的优点;本发明通过将待测数据与已知广告的音频特征进行比较,可以实现对特定广告的识别;本发明基于音频特征进行识别,具有应用范围广、准确率高的优点,极大的提高了检测效率。
附图说明
图1为本发明的用于广告音频特征提取的方法的流程示意图。
具体实施方式
以下结合附图对本发明的具体实施方式作进一步地说明。
如图1所示,本发明提供的用于广告音频特征提取的方法,包含以下步骤:
步骤1,音频采集存储;步骤2,确定特征点位;步骤3,提取特征;步骤4,特征搜索;步骤5,音频搜索优化。
步骤2中的点位是指电台频率和时间点,以对应广告播出的开始时间。
步骤2包含:步骤2.1,音频格式转换为单声道,重采样为8000Hz;步骤2.2,对音频加滑动窗口后计算短时傅立叶变换(STFT),转换为频谱 (spectrogram);步骤2.3,计算上述频谱每个时间点特定频率的能量值,以 800Hz为中心,20Hz为σ(sigma,标准差),5个σ(sigma,标准差)之内按正态分布函数对能量进行加权平均;步骤2.4,对上述能量值曲线在滑动窗口内取极大值,极大值对应的时间点即为特征点位。步骤2.4中的滑动窗口的滑动间隔为0.02秒,窗口长度为0.25秒。
步骤3包含:步骤3.1,从点位时间起计算频谱短时傅立叶变换(STFT) 的窗口为0.371秒,滑动间隔为0.0116秒,连续128个窗口;步骤3.2,将频谱能量范围按对数坐标刻度(log scale,对指数级别的数据进行对数运算以后的标尺或坐标刻度)分为31个区间;步骤3.3,每个频谱对应128×31个二维区域,在频谱上计算能量得到尺寸为128×31的矩阵;步骤3.4,对上述矩阵进行小波变换;步骤3.5,把上述结果中值最大的200个元素置1,其余元素置零得到128×31的0/1矩阵;步骤3.6,对上述矩阵进行200维最小哈希算法(MinHash)得到200维向量;步骤3.7,对上述向量的200维按4维一组进行分组得到50组,只取其前48组,每一组按算术编码进行编码,并对编码截断只取其前一个字节,由此将200维向量缩减为48维字节向量,作为最终特征向量;步骤3.8,匹配两个点位时,对其相似性使用汉明(Hamming) 距离不同的字节个数。
步骤4中的特征搜索包括逐个比对和快速检索两种。
步骤4中的快速检索是使用局部敏感哈希算法(Locality Sensitive Hashing,LSH)压缩特征向量,建立可以驻留内存的索引,以实现高速近似搜索。
步骤5中的音频搜索优化,是将搜索音频进行预压缩和拉伸,以找到相应的广告播出点位。
下面结合实施例对本发明提供的用于广告音频特征提取的方法做更进一步描述。
实施例1
一种用于广告音频特征提取的方法,如下所述。
步骤1,音频采集存储;采取集群分布式策略,在降低成本的同时保证搜索速度。
步骤2,确定特征点位。点位是指电台频率和时间点,以对应广告播出的开始时间。
步骤2包含:
步骤2.1,音频格式转换为单声道,重采样为8000Hz;步骤2.2,对音频加滑动窗口后计算STFT,转换为spectrogram;
步骤2.3,计算上述频谱每个时间点特定频率的能量值,以800Hz为中心,20Hz为σ,5个σ之内按正态分布函数对能量进行加权平均;
步骤2.4,对上述能量值曲线在滑动窗口内取极大值,极大值对应的时间点即为特征点位。步骤2.4中的滑动窗口的滑动间隔为0.02秒,窗口长度为 0.25秒。
步骤3,提取特征。
步骤3是对每个特征点位按如下算法提取特征,其包含:
步骤3.1,从点位时间起计算频谱STFT的窗口为0.371秒,滑动间隔为 0.0116秒,连续128个窗口。
步骤3.2,将频谱能量范围按log scale分为31个区间。
步骤3.3,每个频谱对应128×31个二维区域,在频谱上计算能量得到尺寸为128×31的矩阵。
步骤3.4,对上述矩阵进行小波变换。
小波变换(wavelet transform,WT)是一种新的变换分析方法,它继承和发展了短时傅立叶变换局部化的思想,同时又克服了窗口大小不随频率变化等缺点,能够提供一个随频率改变的“时间-频率”窗口,是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征,能对时间(空间)频率的局部化分析,通过伸缩平移运算对信号 (函数)逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分,能自动适应时频信号分析的要求,从而可聚焦到信号的任意细节。
步骤3.5,把上述结果中值最大的200个元素置1,其余元素置零得到128 ×31的0/1矩阵。
步骤3.6,对上述矩阵进行200维MinHash得到200维向量,即为Google waveprint算法。
步骤3.7,对上述向量的200维按4维一组进行分组得到50组,只取其前48组,每一组按算术编码进行编码,并对编码截断只取其前一个字节,由此将200维向量缩减为48维字节向量,作为最终特征向量,也就是完成 Arithmetic-Coded LSH。
步骤3.8,匹配两个点位时,对其相似性使用Hamming距离不同的字节个数。
Hamming距离是使用在数据传输差错控制编码里面的,Hamming距离是一个概念,它表示两个(相同长度)字对应位不同的数量,我们以d(x,y) 表示两个字x,y之间的Hamming距离,对两个字符串进行异或运算,并统计结果为1的个数,那么这个数就是Hamming距离。
步骤4,特征搜索。
特征搜索包括逐个比对和快速检索两种。逐个比对(brutal force)在比对时支持一定(小范围)的时间空间压缩和拉伸。
快速检索是使用Locality Sensitive Hashing(LSH)压缩特征向量,建立可以驻留内存的索引,以实现高速近似搜索。快速检索(Indexing)需要更多文档,比如:1000个电台,1年的数据量,逐个比对会耗费大量资源。因此需要调节近似搜索的召回率和速度,并做优化。当找到一个点位后,会进一步优化,使用逐个比对进行渐进搜索:在原来点位基础上进一步逐个比对之前之后一周内的所有该频率音频(也可以搜索该地区其他频率在这周的音频)。这样,如果一开始用快速检索可以获得点位99%的召回率,而因为广告音频一般重复10次以上,只要找到其中一个,就基本可以找到所有的广告点位。这样保证了极高的召回率。
步骤5,音频搜索优化。
音频搜索优化是将搜索音频进行预压缩和拉伸,以找到相应的广告播出点位。有时广告在播出时会被时间上进行压缩和拉伸,因此支持将搜索音频进行预压缩和拉伸,可以找到相应的广告播出点位。
本发明提供的用于广告音频特征提取的方法,可以用于企业和商家对自己的商业广告在广播、电视、互联网媒体发布时的自动监播,也适用于对视音频媒体发布方的广告监管和视音频媒体广告经营者的广告播出监控等。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (8)
1.一种用于广告音频特征提取的方法,其特征在于,所述的方法包含:
步骤1,音频采集存储;
步骤2,确定特征点位;
步骤3,提取特征;
步骤4,特征搜索;
步骤5,音频搜索优化。
2.如权利要求1所述的用于广告音频特征提取的方法,其特征在于,步骤2所述的点位是指电台频率和时间点,以对应广告播出的开始时间。
3.如权利要求2所述的用于广告音频特征提取的方法,其特征在于,所述的步骤2包含:
步骤2.1,音频格式转换为单声道,重采样为8000Hz;
步骤2.2,对音频加滑动窗口后计算短时傅立叶变换,转换为频谱;
步骤2.3,计算上述频谱每个时间点特定频率的能量值,以800Hz为中心,20Hz为σ,5个σ之内按正态分布函数对能量进行加权平均;
步骤2.4,对上述能量值曲线在滑动窗口内取极大值,极大值对应的时间点即为特征点位。
4.如权利要求3所述的用于广告音频特征提取的方法,其特征在于,所述的步骤2.4中的滑动窗口的滑动间隔为0.02秒,窗口长度为0.25秒。
5.如权利要求1所述的用于广告音频特征提取的方法,其特征在于,所述的步骤3包含:
步骤3.1,从点位时间起计算频谱短时傅立叶变换的窗口为0.371秒,滑动间隔为0.0116秒,连续128个窗口;
步骤3.2,将频谱能量范围按对数坐标刻度分为31个区间;
步骤3.3,每个频谱对应128×31个二维区域,在频谱上计算能量得到尺寸为128×31的矩阵;
步骤3.4,对上述矩阵进行小波变换;
步骤3.5,把上述结果中值最大的200个元素置1,其余元素置零得到128×31的0/1矩阵;
步骤3.6,对上述矩阵进行200维最小哈希算法得到200维向量;
步骤3.7,对上述向量的200维按4维一组进行分组得到50组,只取其前48组,每一组按算术编码进行编码,并对编码截断只取其前一个字节,由此将200维向量缩减为48维字节向量,作为最终特征向量;
步骤3.8,匹配两个点位,对其相似性使用汉明距离不同的字节个数。
6.如权利要求1所述的用于广告音频特征提取的方法,其特征在于,步骤4所述的特征搜索包括逐个比对和快速检索两种。
7.如权利要求6所述的用于广告音频特征提取的方法,其特征在于,所述的步骤4中的快速检索是使用局部敏感哈希算法压缩特征向量,建立可以驻留内存的索引,以实现高速近似搜索。
8.如权利要求1所述的用于广告音频特征提取的方法,其特征在于,步骤5所述的音频搜索优化,是将搜索音频进行预压缩和拉伸,以找到相应的广告播出点位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810179397.3A CN108428150A (zh) | 2018-03-05 | 2018-03-05 | 一种用于广告音频特征提取的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810179397.3A CN108428150A (zh) | 2018-03-05 | 2018-03-05 | 一种用于广告音频特征提取的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108428150A true CN108428150A (zh) | 2018-08-21 |
Family
ID=63157796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810179397.3A Pending CN108428150A (zh) | 2018-03-05 | 2018-03-05 | 一种用于广告音频特征提取的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108428150A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104185038A (zh) * | 2014-02-24 | 2014-12-03 | 无锡天脉聚源传媒科技有限公司 | 一种广告的监播方法、系统及服务器 |
JP2016102968A (ja) * | 2014-11-28 | 2016-06-02 | 中原 愛子 | 広告管理装置及び情報通信端末用アプリケーションソフトウエア |
CN107426585A (zh) * | 2017-08-01 | 2017-12-01 | 中国农业大学 | 一种基于音视频信息检索的电视广告监播系统 |
-
2018
- 2018-03-05 CN CN201810179397.3A patent/CN108428150A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104185038A (zh) * | 2014-02-24 | 2014-12-03 | 无锡天脉聚源传媒科技有限公司 | 一种广告的监播方法、系统及服务器 |
JP2016102968A (ja) * | 2014-11-28 | 2016-06-02 | 中原 愛子 | 広告管理装置及び情報通信端末用アプリケーションソフトウエア |
CN107426585A (zh) * | 2017-08-01 | 2017-12-01 | 中国农业大学 | 一种基于音视频信息检索的电视广告监播系统 |
Non-Patent Citations (2)
Title |
---|
JIXIN LIU等: "Wavelet_based Audio Fingerprinting Algorithm Robust to Linear Speed Change", 《2010 INTERNATIONAL CONFERENCE ON BIO-INSPIRED SYSTEMS AND SIGNAL PROCESSING (ICBSSP)》 * |
熊晨辉: "基于音频匹配的广告监播技术研究", 《CNKI硕士学位论文》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107293307B (zh) | 音频检测方法及装置 | |
JP4945877B2 (ja) | 高い雑音、歪み環境下でサウンド・楽音信号を認識するシステムおよび方法 | |
CN105190618B (zh) | 用于自动文件检测的对来自基于文件的媒体的特有信息的获取、恢复和匹配 | |
EP2657884B1 (en) | Identifying multimedia objects based on multimedia fingerprint | |
CN106547871A (zh) | 基于神经网络的搜索结果的召回方法和装置 | |
CN102176208B (zh) | 基于三维空时特征的鲁棒视频指纹方法 | |
CN105760526B (zh) | 一种新闻分类的方法和装置 | |
CN107204183B (zh) | 一种音频文件检测方法及装置 | |
CN103729368A (zh) | 一种基于局部频谱图像描述子的鲁棒音频识别方法 | |
CN112258254B (zh) | 基于大数据架构的互联网广告风险监测方法及系统 | |
CN104282310B (zh) | 一种针对MP3Stego隐写后的音频的隐写检测方法 | |
CN108460633A (zh) | 一种广告音频采集识别系统的建立方法及其用途 | |
CN105120294A (zh) | 一种jpeg格式图像来源鉴别方法 | |
CN108615532A (zh) | 一种应用于声场景的分类方法及装置 | |
CN112419258B (zh) | 基于时频分割及卷积神经网络的鲁棒环境声音识别方法 | |
CN107515852A (zh) | 特定类型信息识别方法及装置 | |
CN110851675A (zh) | 一种数据提取方法、装置及介质 | |
CN107274912A (zh) | 一种手机录音的设备来源辨识方法 | |
CN116705059B (zh) | 一种音频半监督自动聚类方法、装置、设备及介质 | |
CN111461135B (zh) | 利用卷积神经网络集成的数字图像局部滤波取证方法 | |
CN108428150A (zh) | 一种用于广告音频特征提取的方法 | |
CN113782051B (zh) | 广播效果分类方法及系统、电子设备和存储介质 | |
CN114817518B (zh) | 基于大数据档案识别的证照办理方法、系统及介质 | |
CN108513140A (zh) | 一种用于音频中筛选重复广告片段并生成毛音频的方法 | |
CN113627542A (zh) | 一种事件信息处理方法、服务器及存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190808 Address after: Room 2020, 2nd floor, Building 27, 25 North Third Ring West Road, Haidian District, Beijing Applicant after: BEIJING SUPERTOOL INTERNET TECHNOLOGY LTD. Address before: 100080 Beijing Haidian District North Fourth Ring West Road 65 9 Floor 0902 Applicant before: BEIJING DIANGUANGCONG INFORMATION TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180821 |