CN108509041A - 用于执行操作的方法和装置 - Google Patents
用于执行操作的方法和装置 Download PDFInfo
- Publication number
- CN108509041A CN108509041A CN201810268893.6A CN201810268893A CN108509041A CN 108509041 A CN108509041 A CN 108509041A CN 201810268893 A CN201810268893 A CN 201810268893A CN 108509041 A CN108509041 A CN 108509041A
- Authority
- CN
- China
- Prior art keywords
- target user
- advance
- facial image
- information
- sequence
- 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
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本申请实施例公开了用于执行操作的方法和装置。该方法的一具体实施方式包括:获取对目标用户进行拍摄所得到的至少一张图像;将至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域;基于所生成的人脸图像区域确定目标用户的属性信息;执行与属性信息关联的预定义操作。该实施方式提高了操作执行效率。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及用于执行操作的方法和装置。
背景技术
随着互联网技术等信息化技术设备的日益普及,用户越来越倾向于通过终端上安装的应用解决其学习、消费、娱乐等方面的需要。目前,为了使设备执行相应操作,用户与终端进行交互主要依靠点击选项、手动输入或语音输入内容。
发明内容
本申请实施例提出了用于执行操作的方法和装置。
第一方面,本申请实施例提供了一种用于执行操作的方法,该方法包括:获取对目标用户进行拍摄所得到的至少一张图像;将至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域;基于所生成的人脸图像区域确定目标用户的属性信息;执行与属性信息关联的预定义操作。
在一些实施例中,执行与属性信息关联的预定义操作,包括:将属性信息输入至预先训练的操作难度确定模型,生成用于表征目标应用操作难度的参数的参数值,操作难度确定模型用于表征属性信息与用于表征目标应用操作难度的参数的参数值的对应关系;根据所生成的参数值,修改目标应用的操作难度。
在一些实施例中,目标用户的属性信息包括以下至少一项:表征目标用户年龄的信息、表征目标用户性别的信息、表征目标用户心理状态的信息。
在一些实施例中,将至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域,包括:将至少一张图像按照拍摄时间由早到晚的顺序输入至预先训练的人脸检测模型,生成人脸图像区域序列;以及基于所生成的人脸图像区域确定目标用户的属性信息,包括:将人脸图像区域序列中的人脸图像区域依次输入至预先训练的人脸特征提取模型,得到目标用户的人脸特征序列;基于人脸特征序列与预先训练的第一心理状态确定模型生成目标用户的心理状态信息。
在一些实施例中,方法还包括:从对目标用户发出的声音进行录制得到的音频中提取音频特征序列;以及基于人脸特征序列与预先训练的第一心理状态确定模型生成目标用户的心理状态信息,包括:合并人脸特征序列和音频特征序列,得到合并特征序列;将合并特征序列输入至预先训练的第二心理状态确定模型,得到目标用户的心理状态信息。
第二方面,本申请实施例提供了一种用于执行操作的装置,该装置包括:获取单元,用于获取对目标用户进行拍摄所得到的至少一张图像;生成单元,用于将至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域;确定单元,用于基于所生成的人脸图像区域确定目标用户的属性信息;执行单元,用于执行与属性信息关联的预定义操作。
在一些实施例中,执行单元,包括:第一生成子单元,用于将属性信息输入至预先训练的操作难度确定模型,生成用于表征目标应用操作难度的参数的参数值,操作难度确定模型用于表征属性信息与用于表征目标应用操作难度的参数的参数值的对应关系;修改单元,用于根据所生成的参数值,修改目标应用的操作难度。
在一些实施例中,目标用户的属性信息包括以下至少一项:表征目标用户年龄的信息、表征目标用户性别的信息、表征目标用户心理状态的信息。
在一些实施例中,生成单元,进一步配置用于:将至少一张图像按照拍摄时间由早到晚的顺序输入至预先训练的人脸检测模型,生成人脸图像区域序列;以及确定单元,包括:输入子单元,用于将人脸图像区域序列中的人脸图像区域依次输入至预先训练的人脸特征提取模型,得到目标用户的人脸特征序列;第二生成子单元,用于基于人脸特征序列与预先训练的第一心理状态确定模型生成目标用户的心理状态信息。
在一些实施例中,装置还包括:提取单元,用于从对目标用户发出的声音进行录制得到的音频中提取音频特征序列;以及第二生成子单元,包括:合并模块,用于合并人脸特征序列和音频特征序列,得到合并特征序列;输入模块,用于将合并特征序列输入至预先训练的第二心理状态确定模型,得到目标用户的心理状态信息。
第三方面,本申请实施例提供了一种设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行,使得上述一个或多个处理器实现如第一方面上述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,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上述的方法。
本申请实施例提供的用于执行操作的方法和装置,通过获取对目标用户进行拍摄所得到的至少一张图像,并将至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域,而后基于所生成的人脸图像区域确定目标用户的属性信息,最后执行与属性信息关联的预定义操作,避免了用户手动输入操作执行命令,提高了操作执行效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的用于执行操作的方法的一个实施例的流程图;
图3是根据本申请的用于执行操作的方法的应用场景的一个示意图;
图4是根据本申请的用于执行操作的方法的又一个实施例的流程图;
图5是根据本申请的用于执行操作的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的终端的计算机系统的结构示意图。
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相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于执行操作的方法或用于执行操作的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括用户终端101、102,网络103,和服务器104。其中,网络103用以在用户终端101、102和服务器104之间提供通信链路的介质。网络103可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用用户终端101、102通过网络103与服务器104交互,以发送或接收消息等。
用户终端101、102可以获取对目标用户进行拍摄所得到的至少一张图像,并将至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域,而后基于所生成的人脸图像区域确定目标用户的属性信息,最后执行与属性信息关联的预定义操作。
用户终端101、102可以是硬件,也可以是软件。当用户终端101、102为硬件时,可以是具有摄像头并且支持信息交互的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当用户终端101、102为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器104可以是提供人脸检测等服务的服务器,例如对用户终端101、102发送的对目标用户进行拍摄所得到的至少一张图像进行处理的后台服务器。后台服务器可以对接收到的图像进行人脸检测等处理,并将处理结果(例如人脸图像区域)反馈给用户终端。后台服务器还可以基于所生成的人脸图像区域确定目标用户的属性信息,并确定与属性信息关联的预定义操作,再将确定结果反馈给用户终端,使用户终端执行与属性信息关联的预定义操作。
需要说明的是,本申请实施例所提供的基于人脸识别的操作执行方法通常由用户终端101、102执行,相应地,基于人脸识别的操作执行装置通常设置于用户终端101、102中。
还需要说明的是,用户终端101、102也可以在本地对图像进行人脸检测等处理以及确定与属性信息关联的预定义操作。此时,示例性系统架构100可以不存在服务器104和网络103。
需要说明的是服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个设备组成的分布式设备集群,也可以实现成单个设备。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的用户终端、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的用户终端、网络和服务器。
继续参考图2,示出了根据本申请的用于执行操作的方法的一个实施例的流程200。该用于执行操作的方法,包括以下步骤:
步骤201,获取对目标用户进行拍摄所得到的至少一张图像。
在本实施例中,用于执行操作的方法执行主体(例如图1所示的终端)可以首先获取对目标用户进行拍摄所得到的至少一张图像。目标用户可以是正在使用终端中目标应用的用户。目标应用可以是游戏类应用、电子商务类应用、搜索类应用等。至少一张图像可以是通过支持图像连拍功能的终端设备对目标用户进行一次连拍所得到的多帧图像,也可以是通过支持视频拍摄功能的终端设备对目标用户进行拍摄所得到的视频中的多帧图像。拍摄的时机可以包括开启目标应用时,或进入目标应用的预设界面时,可以根据实际需要进行设置。
步骤202,将至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域。
在本实施例中,上述执行主体可以将步骤201中获取的至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域。人脸检测是指对于任意一幅给定的图像,采用一定的策略对其进行搜索以确定其中含有的人脸图像的位置。人脸检测模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练而得到的。这里,训练样本可以包括大量样本图像和样本图像的人脸图像区域标注结果。
实践中,机器学习模型可以采用卷积神经网络,卷积神经网络可以是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。通常,卷积神经网络的基本结构包括两层,其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是特征映射层,特征映射层采用激活函数,使得特征映射具有位移不变性。因此,卷积神经网络常用来做区域定位模型和特征提取模型的初始模型。这里,可以利用训练样本对初始卷积神经网络进行训练,从而得到人脸检测模型。具体地,人脸检测模型可以通过如下步骤训练得到:
首先,获取样本图像和样本图像的人脸图像区域的标注结果。
通常,样本图像的人脸图像区域标注结果可以包括人脸图像区域的位置信息和人脸的标识。
然后,将样本图像作为输入,将样本图像的人脸图像区域的标注结果作为输出,对初始卷积神经网络进行训练,得到人脸检测模型。
这里,初始卷积神经网络可以是未经训练的卷积神经网络或未训练完成的卷积神经网络,初始卷积神经网络可以设置有初始网络参数(例如不同的小随机数),网络参数在人脸检测模型的训练过程中可以被不断地调整。直至训练出能够表征用户的图像和用户的人脸图像区域之间的对应关系的人脸检测模型为止。例如,可以采用BP(BackPropagation,反向传播)算法或者SGD(Stochastic Gradient Descent,随机梯度下降)算法来调整卷积神经网络的网络参数。
步骤203,基于所生成的人脸图像区域确定目标用户的属性信息。
在本实施例中,上述执行主体可以基于步骤202中生成的人脸图像区域确定目标用户的属性信息。目标用户的属性信息可以是可从目标用户人脸图像中获取的用于描述目标用户的各种信息。上述执行主体可以预先获取到了多个人脸图像区域模板,以及与每个人脸图像区域模板关联的属性信息;在获取到所生成的人脸图像区域后,可将所生成的人脸图像区域与多个人脸图像区域模板进行对比,以获取与其相似度最大的人脸图像区域模板;而后将与获取到的人脸图像区域模板关联的属性信息确定为目标用户的属性信息。上述执行主体也可以采用机器学习方法,提取所生成的人脸图像区域中人脸的特征,而后根据所提取的特征确定目标用户的属性信息。
在本实施例的一些可选实现方式中,目标用户的属性信息可以包括以下至少一项:用于表征目标用户的年龄的信息、用于表征目标用户的性别的信息、用于表征目标用户心理状态的信息。目标用户的属性信息还可以包括目标用户是否佩戴眼镜,目标用户的五官的大小或分布等信息。
在本实施例的一些可选实现方式中,将至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域,包括:将至少一张图像按照拍摄时间由早到晚的顺序输入至预先训练的人脸检测模型,生成人脸图像区域序列;以及基于所生成的人脸图像区域确定目标用户的属性信息,包括:将人脸图像区域序列中的人脸图像区域依次输入至预先训练的人脸特征提取模型,得到目标用户的人脸特征序列;基于人脸特征序列与预先训练的第一心理状态确定模型生成目标用户的心理状态信息,第一心理状态确定模型用于表征特征序列与心理状态信息的对应关系。由于表情可能是动态的,通过人脸图像区域序列确定出的心理状态信息会更加准确,进一步提高了操作执行效率。
在本实现方式中,人脸特征可以是用于对人脸图像区域中的人脸进行描述的信息,包括但不限于与人脸相关的各种基本要素(例如表情、位置、纹理、线条、颜色等)。通常,人脸特征可以用多维向量来表示。
在本实施例中,人脸特征提取模型可以用于对人脸图像区域的特征进行提取,表征人脸图像区域和人脸特征之间的对应关系。需要说明的是,人脸特征提取模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练而得到的。这里,训练样本可以包括大量样本人脸图像和样本人脸特征。
在本实现方式中,心理状态是心理活动的基本形式之一,指心理活动在一定时间内的完整特征,如疲劳、紧张、轻松、忧伤、喜悦等。在本实施例中,第一心理状态确定模型可以用于确定用户的心理状态信息,表征人脸特征序列和用户的心理状态信息之间的对应关系。
在本实现方式中,第一心理状态确定模型可以是本领域技术人员对大量样本人脸特征序列和用户的心理状态信息进行统计分析,而得到的存储有多个样本人脸特征序列和用户的心理状态信息的对应关系表。此时,上述执行主体可以计算人脸特征序列与该对应关系表中的各个样本人脸特征序列之间的相似度,并基于相似度计算结果,从该对应关系表中查找到与该人脸特征序列对应的用户的心理状态信息。例如,首先确定出与该人脸特征序列的相似度最高的样本人脸特征序列,然后从该对应关系表中查找出与该样本人脸特征序列对应的样本用户的心理状态信息,并作为该用户的心理状态信息。
这里,心理状态确定模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练而得到的。其中,训练样本可以包括大量样本人脸特征序列和样本用户的心理状态信息。
实践中,循环神经网络是一种节点定向连接成环的人工神经网络。这种网络的本质特征是在处理单元之间既有内部的反馈连接又有前馈连接,其内部状态可以展示动态时序行为。这里,可以利用训练样本对初始循环神经网络进行训练,从而得到心理状态确定模型。具体地,心理状态确定模型可以通过如下步骤训练得到:
首先,获取对样本用户进行拍摄所得到的图像序列和样本用户的心理状态信息。
这里,样本用户的图像序列可以是通过支持图像连拍功能的终端设备对样本用户进行一次连拍所得到的多帧图像,也可以是通过支持视频拍摄功能的终端设备对样本用户进行拍摄所得到的视频中的多帧图像。样本用户的心理状态信息可以是本领域技术人员对样本用户的图像序列进行分析后所确定出的心理状态信息。
然后,对样本用户的图像序列进行分析,得到样本人脸特征序列。样本人脸特征序列可以是利用人脸检测模型和人脸特征提取模型对样本用户的图像序列进行处理而得到的,也可以是本领域技术人员对样本用户的图像序列进行分析后而得到的。
最后,将样本人脸特征序列作为输入,将样本用户的心理状态信息作为输出,对初始循环神经网络进行训练,得到第一心理状态确定模型。
这里,初始循环神经网络可以是未经训练的循环神经网络或未训练完成的循环神经网络,初始循环神经网络可以设置有初始网络参数(例如不同的小随机数),网络参数在第一心理状态确定模型的训练过程中可以被不断地调整。直至训练出能够表征人脸特征序列和用户的心理状态信息之间的对应关系的第一心理状态确定模型为止。
在本实施例的一些可选实现方式中,方法还包括:从对目标用户发出的声音进行录制得到的音频中提取音频特征序列;以及基于人脸特征序列与预先训练的第一心理状态确定模型生成目标用户的心理状态信息,包括:合并人脸特征序列和音频特征序列,得到合并特征序列;将合并特征序列输入至预先训练的第二心理状态确定模型,得到目标用户的心理状态信息。
在本实现方式中,拍摄目标用户的同时也可以对目标用户发出的声音进行录制,而后,上述执行主体可以对音频进行分析,从音频中提取出用户的音频特征序列。其中,用户的音频特征可以是用于对音频片段中的声音进行描述的信息,包括但不限于与声音相关的各种基本要素(例如笑、哭、尖叫等)。例如,对用户进行拍摄所得到的图像序列是一个120帧的图像,对用户发出的声音进行录制所得到的音频是一个5秒的音频,这里可以将其等割成120个音频片段,并对各个音频片段进行分析,从而得到各个音频片段中的用户的音频特征。
通常,人脸特征和音频特征可以用多维向量表示。在合并特征时,可以将向量进行合并,例如,人脸特征也可以是512维的向量,音频特征可以是128维的向量,上述执行主体可以将人脸特征和音频特征合并成一个640维的向量,作为合并特征。
在本实现方式中,第二心理状态确定模型可以用于确定用户的心理状态信息,表征合并特征序列和用户的心理状态信息之间的对应关系。心理状态确定模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练而得到的。其中,训练样本可以包括大量样本合并特征序列和样本心理状态信息。由于加入了音频特征,通过合并特征序列确定出的心理状态信息会更加准确,进一步提高了操作执行效率。第二心理状态确定模型的训练方式与第一心理状态确定模型的训练方式类似,此处不再赘述。
步骤204,执行与属性信息关联的预定义操作。
在本实施例中,上述执行主体可以执行与步骤203中确定的属性信息关联的预定义操作。预定义操作可以是修改目标应用的交互界面、修改目标应用操作难度、执行目标应用中用于实现特定功能的程序段等。修改目标应用的交互界面可以是修改交互界面的参数,例如交互界面的风格、颜色、控件、背景图片、背景音乐等。目标应用的操作难度可以通过以下因素中的至少一项体现:用户为启用目标应用的特定功能或进入目标应用的特定界面,需要进行的操作的复杂程度,是否需要在较短时间内完成该操作,以及完成该操作所需智力高低和/或注意力的集中程度。特定功能可以是跳转至预设页面,展现预设图片、音乐、动画等。
作为示例,目标应用为游戏应用,在游戏进行到的预设进度时,需要根据目标用户的心理状态确定游戏情节的发展方向,此时可以获取用户人脸图像区域,以此获取到属性信息,若属性信息指示用户此时的心理状态为“开心”,则可以执行与目标应用中预先设置的与“开心”的属性信息关联的用于实现特定功能的程序段,如播放游戏中其他角色也跟着开心的动画。
上述执行主体可以根据预先设置的属性信息与预定义操作之间的对应关系表,确定并执行与属性信息关联的预定义操作。上述对应关系表可以根据实际需要进行设置。
上述执行主体也可以基于预先训练的操作确定模型确定并执行与属性信息关联的预定义操作,操作确定模型可以用于表征属性信息与预定义操作的对应关系。作为示例,操作确定模型可以是技术人员基于对大量数据的统计而预先设置并存储至上述执行主体中的、对量化后的属性信息包括的一个或多个数值进行数值计算以得到用于表征预定义操作的计算结果的计算公式。操作确定模型也可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练而得到的。这里,训练样本可以包括大量样本属性信息和样本预定义操作。
继续参见图3,图3是根据本实施例的用于执行操作的方法的应用场景的一个示意图。在图3的应用场景中,用于执行操作的方法的执行主体(例如手机)可以首先开启摄像头,对目标用户进行拍摄得到的至少一张图像(如标号301所示)。需要说明的是,标号301所指示的至少一张图像仅为示意。而后,可以将所述至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域,并基于所生成的人脸图像区域确定所述目标用户的属性信息302,属性信息302可以是指示目标用户的心理状态为悲伤的信息。之后,可以执行与所述属性信息关联的预定义操作303,预定义操作303可以是展现具有安慰意义的图像,执行结果如标号304所示。需要说明的是,标号301所指示的至少一张图像以及标号304所指示的预定义操作的执行结果仅为示意。
本申请的上述实施例提供的方法通过获取对目标用户进行拍摄所得到的至少一张图像;将至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域;基于所生成的人脸图像区域确定目标用户的属性信息;执行与属性信息关联的预定义操作,避免了用户手动输入操作执行命令,提高了操作执行效率。
进一步参考图4,其示出了用于执行操作的方法的又一个实施例的流程400。该用于执行操作的方法的流程400,包括以下步骤:
步骤401,获取对目标用户进行拍摄所得到的至少一张图像。
在本实施例中,用于执行操作的方法执行主体(例如图1所示的终端)可以首先获取对目标用户进行拍摄所得到的至少一张图像。
步骤402,将至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域。
在本实施例中,上述执行主体可以将步骤401中获取的至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域。
步骤403,基于所生成的人脸图像区域确定目标用户的属性信息。
在本实施例中,上述执行主体可以基于步骤402中生成的人脸图像区域确定目标用户的属性信息。
步骤404,将属性信息输入至预先训练的操作难度确定模型,生成用于表征目标应用操作难度的参数的参数值。
在本实施例中,上述执行主体可以将步骤403中确定的属性信息属性信息输入至预先训练的操作难度确定模型,生成用于表征目标应用操作难度的参数的参数值。用于表征目标应用操作难度的参数可以包括以下至少一项:用户为启用目标应用的特定功能或进入目标应用的特定界面,需要进行的操作的复杂度,是否需要在较短时间内完成该操作,完成该操作的限制时间的长短,完成该操作所需智力高低和/或注意力的集中程度,是否跳过预设的需要进行复杂操作的程序段以及是否执行预设的用于执行帮助操作的程序段,帮助操作可以是输出提示信息等操作。
作为示例,目标应用为游戏类应用,属性信息指示用户年龄偏小和/或心理状态为“不开心”时,可以将用于指示是否跳过较难关卡的操作设置为是,也可以增加关卡的时间或降低通关要求,同样可以输出提示信息帮助用户通过此关卡。
在本实施例中,操作难度确定模型用于表征属性信息与用于表征目标应用操作难度的参数的参数值的对应关系。
作为示例,操作难度确定模型可以是目标应用的开发者基于对属性信息和用于表征目标应用操作难度的参数的参数值的统计分析而预先制定的、存储有多个属性信息和用于表征目标应用操作难度的参数的参数值的对应关系的对应关系表;也可以是目标应用的开发者基于对大量数据的统计而预先设置并存储至上述执行主体中的、对量化后的属性信息包括的一个或多个数值进行数值计算以得到用于表征目标应用操作难度的参数的参数值的计算公式。操作难度确定模型也可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练而得到的。这里,训练样本可以包括大量样本属性信息和样本参数值。
步骤405,根据所生成的参数值,修改目标应用的操作难度。
在本实施例中,上述执行主体可以根据步骤404中生成的参数值,修改目标应用的操作难度。例如,上述执行主体可以根据生成的参数值,修改目标应用的运行的参数,以达到修改目标应用的操作难度的目的。
在本实施例中,步骤401、步骤402、步骤403的操作与步骤201、步骤202、步骤203的操作基本相同,在此不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于执行操作的方法的流程400中通过用户的属性信息和预先训练的操作难度确定模型修改目标应用的操作难度,由此,本实施例描述的方案无需用户手动设置目标应用的操作难度,提高了交互效率。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于执行操作的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于执行操作的装置500包括:获取单元501、生成单元502、确定单元503、执行单元504。其中,获取单元501,用于获取对目标用户进行拍摄所得到的至少一张图像;生成单元502,用于将至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域;确定单元503,用于基于所生成的人脸图像区域确定目标用户的属性信息;执行单元504,用于执行与属性信息关联的预定义操作。
在本实施例中,用于执行操作的装置500的获取单元501、生成单元502、确定单元503、执行单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。
在本实施例的一些可选实现方式中,执行单元,包括:第一生成子单元,用于将属性信息输入至预先训练的操作难度确定模型,生成用于表征目标应用操作难度的参数的参数值,操作难度确定模型用于表征属性信息与用于表征目标应用操作难度的参数的参数值的对应关系;修改单元,用于根据所生成的参数值,修改目标应用的操作难度。
在本实施例的一些可选实现方式中,目标用户的属性信息包括以下至少一项:表征目标用户年龄的信息、表征目标用户性别的信息、表征目标用户心理状态的信息。
在本实施例的一些可选实现方式中,生成单元,进一步配置用于:将至少一张图像按照拍摄时间由早到晚的顺序输入至预先训练的人脸检测模型,生成人脸图像区域序列;以及确定单元,包括:输入子单元,用于将人脸图像区域序列中的人脸图像区域依次输入至预先训练的人脸特征提取模型,得到目标用户的人脸特征序列;第二生成子单元,用于基于人脸特征序列与预先训练的第一心理状态确定模型生成目标用户的心理状态信息,第一心理状态确定模型用于表征特征序列与心理状态信息的对应关系。
在本实施例的一些可选实现方式中,装置还包括:提取单元,用于从对目标用户发出的声音进行录制得到的音频中提取音频特征序列;以及第二生成子单元,包括:合并模块,用于合并人脸特征序列和音频特征序列,得到合并特征序列;输入模块,用于将合并特征序列输入至预先训练的第二心理状态确定模型,得到目标用户的心理状态信息。
本申请的上述实施例提供的装置,通过获取对目标用户进行拍摄所得到的至少一张图像;将至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域;基于所生成的人脸图像区域确定目标用户的属性信息;执行与属性信息关联的预定义操作,提高了操作执行效率。
下面参考图6,其示出了适于用来实现本申请实施例的终端的计算机系统600的结构示意图。图6示出的终端仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件可以连接至I/O接口605:包括诸如键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的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介质或者是上述两者的任意组合。计算机可读介质例如可以是——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。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本申请中,计算机可读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。而在本申请中,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的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)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、生成单元、确定单元和回放单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“用于获取对目标用户进行拍摄所得到的至少一张图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取对目标用户进行拍摄所得到的至少一张图像;将至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域;基于所生成的人脸图像区域确定目标用户的属性信息;执行与属性信息关联的预定义操作。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用于执行操作的方法,包括:
获取对目标用户进行拍摄所得到的至少一张图像;
将所述至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域;
基于所生成的人脸图像区域确定所述目标用户的属性信息;
执行与所述属性信息关联的预定义操作。
2.根据权利要求1所述的方法,其中,所述执行与所述属性信息关联的预定义操作,包括:
将所述属性信息输入至预先训练的操作难度确定模型,生成用于表征目标应用操作难度的参数的参数值;
根据所生成的参数值,修改所述目标应用的操作难度。
3.根据权利要求1所述的方法,其中,所述目标用户的属性信息包括以下至少一项:
表征目标用户年龄的信息、表征目标用户性别的信息、表征目标用户心理状态的信息。
4.根据权利要求1所述的方法,其中,所述将所述至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域,包括:
将所述至少一张图像按照拍摄时间由早到晚的顺序输入至预先训练的人脸检测模型,生成人脸图像区域序列;以及
所述基于所生成的人脸图像区域确定所述目标用户的属性信息,包括:
将所述人脸图像区域序列中的人脸图像区域依次输入至预先训练的人脸特征提取模型,得到所述目标用户的人脸特征序列;
基于所述人脸特征序列与预先训练的第一心理状态确定模型生成所述目标用户的心理状态信息。
5.根据权利要求4所述的方法,其中,所述方法还包括:
从对所述目标用户发出的声音进行录制得到的音频中提取音频特征序列;以及
所述基于所述人脸特征序列与预先训练的第一心理状态确定模型生成所述目标用户的心理状态信息,包括:
合并所述人脸特征序列和所述音频特征序列,得到合并特征序列;
将所述合并特征序列输入至预先训练的第二心理状态确定模型,得到所述目标用户的心理状态信息。
6.一种用于执行操作的装置,包括:
获取单元,用于获取对目标用户进行拍摄所得到的至少一张图像;
生成单元,用于将所述至少一张图像分别输入至预先训练的人脸检测模型,生成至少一个人脸图像区域;
确定单元,用于基于所生成的人脸图像区域确定所述目标用户的属性信息;
执行单元,用于执行与所述属性信息关联的预定义操作。
7.根据权利要求6所述的装置,其中,所述执行单元,包括:
第一生成子单元,用于将所述属性信息输入至预先训练的操作难度确定模型,生成用于表征目标应用操作难度的参数的参数值;
修改单元,用于根据所生成的参数值,修改所述目标应用的操作难度。
8.根据权利要求6所述的装置,其中,所述目标用户的属性信息包括以下至少一项:
表征目标用户年龄的信息、表征目标用户性别的信息、表征目标用户心理状态的信息。
9.根据权利要求6所述的装置,其中,所述生成单元,进一步配置用于:将所述至少一张图像按照拍摄时间由早到晚的顺序输入至预先训练的人脸检测模型,生成人脸图像区域序列;以及
所述确定单元,包括:
输入子单元,用于将所述人脸图像区域序列中的人脸图像区域依次输入至预先训练的人脸特征提取模型,得到所述目标用户的人脸特征序列;
第二生成子单元,用于基于所述人脸特征序列与预先训练的第一心理状态确定模型生成所述目标用户的心理状态信息。
10.根据权利要求9所述的装置,其中,所述装置还包括:
提取单元,用于从对所述目标用户发出的声音进行录制得到的音频中提取音频特征序列;以及
所述第二生成子单元,包括:
合并模块,用于合并所述人脸特征序列和所述音频特征序列,得到合并特征序列;
输入模块,用于将所述合并特征序列输入至预先训练的第二心理状态确定模型,得到所述目标用户的心理状态信息。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810268893.6A CN108509041A (zh) | 2018-03-29 | 2018-03-29 | 用于执行操作的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810268893.6A CN108509041A (zh) | 2018-03-29 | 2018-03-29 | 用于执行操作的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108509041A true CN108509041A (zh) | 2018-09-07 |
Family
ID=63379165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810268893.6A Pending CN108509041A (zh) | 2018-03-29 | 2018-03-29 | 用于执行操作的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108509041A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259695A (zh) * | 2018-11-30 | 2020-06-09 | 百度在线网络技术(北京)有限公司 | 用于获取信息的方法及装置 |
CN111291623A (zh) * | 2020-01-15 | 2020-06-16 | 浙江连信科技有限公司 | 基于人脸信息的心生理特征预测方法及装置 |
CN111413877A (zh) * | 2020-03-24 | 2020-07-14 | 珠海格力电器股份有限公司 | 控制家电设备的方法及装置 |
CN113205869A (zh) * | 2021-04-29 | 2021-08-03 | 华东师范大学 | 一种基于用户社交软件头像的心理健康检测及干预方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102076387A (zh) * | 2008-04-29 | 2011-05-25 | 百利游戏有限公司 | 用于诸如电子游戏机(egm)的游戏装置的生物反馈 |
CN102819744A (zh) * | 2012-06-29 | 2012-12-12 | 北京理工大学 | 一种双通道信息融合的情感识别方法 |
US20130271361A1 (en) * | 2012-04-17 | 2013-10-17 | Samsung Electronics Co., Ltd. | Method and apparatus for detecting talking segments in a video sequence using visual cues |
CN104035558A (zh) * | 2014-05-30 | 2014-09-10 | 小米科技有限责任公司 | 终端设备控制方法及装置 |
CN105469065A (zh) * | 2015-12-07 | 2016-04-06 | 中国科学院自动化研究所 | 一种基于递归神经网络的离散情感识别方法 |
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 |
CN106730812A (zh) * | 2016-11-30 | 2017-05-31 | 吉林大学 | 一种基于多生理参数情绪量估的游戏调控系统及调控方法 |
CN106874825A (zh) * | 2015-12-10 | 2017-06-20 | 展讯通信(天津)有限公司 | 人脸检测的训练方法、检测方法和装置 |
CN106878677A (zh) * | 2017-01-23 | 2017-06-20 | 西安电子科技大学 | 基于多传感器的学生课堂掌握程度评估系统和方法 |
CN106980811A (zh) * | 2016-10-21 | 2017-07-25 | 商汤集团有限公司 | 人脸表情识别方法和人脸表情识别装置 |
CN107169002A (zh) * | 2017-03-31 | 2017-09-15 | 咪咕数字传媒有限公司 | 一种基于脸识别的个性化界面推送方法及装置 |
CN107340947A (zh) * | 2017-06-23 | 2017-11-10 | 珠海市魅族科技有限公司 | 一种界面调节方法及装置、计算机装置及存储介质 |
CN107526994A (zh) * | 2016-06-21 | 2017-12-29 | 中兴通讯股份有限公司 | 一种信息处理方法、装置及移动终端 |
-
2018
- 2018-03-29 CN CN201810268893.6A patent/CN108509041A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102076387A (zh) * | 2008-04-29 | 2011-05-25 | 百利游戏有限公司 | 用于诸如电子游戏机(egm)的游戏装置的生物反馈 |
US20130271361A1 (en) * | 2012-04-17 | 2013-10-17 | Samsung Electronics Co., Ltd. | Method and apparatus for detecting talking segments in a video sequence using visual cues |
CN102819744A (zh) * | 2012-06-29 | 2012-12-12 | 北京理工大学 | 一种双通道信息融合的情感识别方法 |
CN104035558A (zh) * | 2014-05-30 | 2014-09-10 | 小米科技有限责任公司 | 终端设备控制方法及装置 |
CN105469065A (zh) * | 2015-12-07 | 2016-04-06 | 中国科学院自动化研究所 | 一种基于递归神经网络的离散情感识别方法 |
CN106874825A (zh) * | 2015-12-10 | 2017-06-20 | 展讯通信(天津)有限公司 | 人脸检测的训练方法、检测方法和装置 |
CN107526994A (zh) * | 2016-06-21 | 2017-12-29 | 中兴通讯股份有限公司 | 一种信息处理方法、装置及移动终端 |
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 |
CN106980811A (zh) * | 2016-10-21 | 2017-07-25 | 商汤集团有限公司 | 人脸表情识别方法和人脸表情识别装置 |
CN106730812A (zh) * | 2016-11-30 | 2017-05-31 | 吉林大学 | 一种基于多生理参数情绪量估的游戏调控系统及调控方法 |
CN106878677A (zh) * | 2017-01-23 | 2017-06-20 | 西安电子科技大学 | 基于多传感器的学生课堂掌握程度评估系统和方法 |
CN107169002A (zh) * | 2017-03-31 | 2017-09-15 | 咪咕数字传媒有限公司 | 一种基于脸识别的个性化界面推送方法及装置 |
CN107340947A (zh) * | 2017-06-23 | 2017-11-10 | 珠海市魅族科技有限公司 | 一种界面调节方法及装置、计算机装置及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259695A (zh) * | 2018-11-30 | 2020-06-09 | 百度在线网络技术(北京)有限公司 | 用于获取信息的方法及装置 |
CN111259695B (zh) * | 2018-11-30 | 2023-08-29 | 百度在线网络技术(北京)有限公司 | 用于获取信息的方法及装置 |
CN111291623A (zh) * | 2020-01-15 | 2020-06-16 | 浙江连信科技有限公司 | 基于人脸信息的心生理特征预测方法及装置 |
CN111413877A (zh) * | 2020-03-24 | 2020-07-14 | 珠海格力电器股份有限公司 | 控制家电设备的方法及装置 |
CN113205869A (zh) * | 2021-04-29 | 2021-08-03 | 华东师范大学 | 一种基于用户社交软件头像的心理健康检测及干预方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898185A (zh) | 用于生成图像识别模型的方法和装置 | |
CN108805091A (zh) | 用于生成模型的方法和装置 | |
CN108989882A (zh) | 用于输出视频中的音乐片段的方法和装置 | |
CN108509041A (zh) | 用于执行操作的方法和装置 | |
CN109858445A (zh) | 用于生成模型的方法和装置 | |
CN107153496A (zh) | 用于输入表情图标的方法和装置 | |
CN110288682A (zh) | 用于控制三维虚拟人像口型变化的方法和装置 | |
CN109189544A (zh) | 用于生成表盘的方法和装置 | |
CN108416310A (zh) | 用于生成信息的方法和装置 | |
CN109545192A (zh) | 用于生成模型的方法和装置 | |
CN110401844A (zh) | 视频直播策略的生成方法、装置、设备及可读介质 | |
CN109165573A (zh) | 用于提取视频特征向量的方法和装置 | |
CN109086719A (zh) | 用于输出数据的方法和装置 | |
CN110266879A (zh) | 播放界面显示方法、装置、终端及存储介质 | |
CN109829432A (zh) | 用于生成信息的方法和装置 | |
CN108960316A (zh) | 用于生成模型的方法和装置 | |
CN109410253B (zh) | 用于生成信息的方法、装置、电子设备和计算机可读介质 | |
CN109993150A (zh) | 用于识别年龄的方法和装置 | |
CN110444229A (zh) | 基于语音识别的通信服务方法、装置、计算机设备及存储介质 | |
CN106921749A (zh) | 用于推送信息的方法和装置 | |
CN107481715A (zh) | 用于生成信息的方法和装置 | |
CN109242043A (zh) | 用于生成信息预测模型的方法和装置 | |
CN108511066A (zh) | 信息生成方法和装置 | |
CN109214501A (zh) | 用于识别信息的方法和装置 | |
CN108491808A (zh) | 用于获取信息的方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180907 |