CN108984657B - 图像推荐方法和装置、终端、可读存储介质 - Google Patents

图像推荐方法和装置、终端、可读存储介质 Download PDF

Info

Publication number
CN108984657B
CN108984657B CN201810686073.9A CN201810686073A CN108984657B CN 108984657 B CN108984657 B CN 108984657B CN 201810686073 A CN201810686073 A CN 201810686073A CN 108984657 B CN108984657 B CN 108984657B
Authority
CN
China
Prior art keywords
image data
user
information
image
foreground
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
Application number
CN201810686073.9A
Other languages
English (en)
Other versions
CN108984657A (zh
Inventor
陈岩
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.)
Guangdong Oppo Mobile Telecommunications Corp Ltd
Original Assignee
Guangdong Oppo Mobile Telecommunications Corp 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 Guangdong Oppo Mobile Telecommunications Corp Ltd filed Critical Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority to CN201810686073.9A priority Critical patent/CN108984657B/zh
Publication of CN108984657A publication Critical patent/CN108984657A/zh
Application granted granted Critical
Publication of CN108984657B publication Critical patent/CN108984657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种图像推荐方法和装置、终端、计算机可读存储介质。方法包括：获取待标注图像数据；基于预设神经网络对所述图像数据进行识别分类以标注形成所述图像数据的标签信息，并对携带所述标信息签的图像数据进行存储；获取用户对携带所述标签信息的图像数据的喜好等级；所述喜好等级向用户推荐图像数据，可以快捷有效的管理用户的图像集，当用户需要使用图像数据时，可以快速、有效的筛选出用户感兴趣的图像，并向用户推荐，提高了用户体验度。

Description

图像推荐方法和装置、终端、可读存储介质
技术领域
本申请涉及计算机应用领域，特别是涉及一种图像推荐方法和装置、终端、计算机可读存储介质。
背景技术
随着互联网不断发展，终端设备的功能日趋丰富，例如拍照功能、图像编辑功能等，用户越来越倾向于利用手机等终端进行拍照以及后期图像处理。当用户需要更换图像、分享图像时需要用户手动在大量图像数据集中筛选自己喜欢的图片，筛选时间长，体验差。
发明内容
本申请实施例提供一种图像推荐方法和装置、终端、计算机可读存储介质，可以自动快速、有效的筛选和推荐用户感兴趣的图像。
一种图像推荐方法，包括：
获取待标注图像数据；
基于预设神经网络对所述图像数据进行识别分类以标注形成所述图像数据的标签信息，并对携带所述标信息签的图像数据进行存储；
获取用户对携带所述标签信息的图像数据的喜好等级；
根据所述喜好等级向用户推荐图像数据。
一种图像推荐装置，包括：
图像获取模块，用于获取待标注图像数据；
分类标签模块，用于基于预设神经网络对所述图像数据进行识别分类以标注形成所述图像数据的标签信息，并对携带所述标信息签的图像数据进行存储；
等级确认模块，用于获取用户对携带所述标签信息的图像数据的喜好等级；
图像推荐模块，用于根据所述喜好等级向用户推荐图像数据。
一种终端，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行图像推荐方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现图像推荐方法的步骤。
本申请实施例中图像推荐方法和装置、终端、计算机可读存储介质，能够获取待标注图像数据；基于预设神经网络对所述图像数据进行识别分类以标注形成所述图像数据的标签信息，并对携带所述标信息签的图像数据进行存储；获取用户对携带所述标签信息的图像数据的喜好等级；所述喜好等级向用户推荐图像数据，可以快捷有效的管理用户的图像集，当用户需要使用图像数据时，可以快速、有效的筛选出用户感兴趣的图像，并向用户推荐，提高了用户体验度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中图像推荐方法的流程图；
图2为一个实施例中基于预设神经网络对所述图像数据进行识别分类以标注所述图像数据的标签信息的流程图；
图3为另一个实施例中图像推荐方法的流程图；
图4为一个实施例中预设神经网络的架构示意图；
图5为另一个实施例中预设神经网络的架构示意图；
图6为一个实施例中对携带所述标信息签的图像数据进行存储的流程图；
图7为一个实施例中获取用户对所述具有标签的图像数据的喜好等级的流程图；
图8为一个实施例中根据所述喜好等级向用户推荐图像数据的流程图；
图9为一个实施例中图像推荐装置的结构框图；
图10为一个实施例中终端的内部结构示意图；
图11为一个实施例中图像处理电路的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
图1为一个实施例中图像推荐方法的流程图。如图1所示，一种图像推荐方法，包括步骤102至步骤108。其中：
步骤102，获取待标注图像数据。
待标注图像数据可以为终端存储在于本地的图像数据，可以为终端拍摄的图像数据，也可以为接收其它电子设备通过有线连接方式或无线连接方式发送的图像数据。其中，图像数据可以是利用各种成像设备采集获取的，其中成像设备可以为单反照相机、工业照相机、智能手机等。图像数据可以为包括风景、海滩、雪景、蓝天、绿地、夜景、黑暗、背光、日出/日落、室内、烟火、聚光灯、人像、婴儿、猫、狗、美食等中至少一种类别的多样式场景图像。
需要说明的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤104，基于预设神经网络对所述图像数据进行识别分类以标注形成所述图像数据的标签信息，并对携带所述标信息签的图像数据进行存储。
具体的，预设神经网络包括至少包含一个输入层、n个中间层和两个输出层。其中，将第i个中间层配置为特征数据提取层，该第j个中间层级联到该预设神经网络的第一支路，将该第k个中间层级联到该预设神经网络的第二支路，其中，i小于j,j小于k；i、j、k、n均为正整数，且i、j、k均小于n；一个输出层位于该第一支路，一个输出层位于该第二支路。该预设神经网络的第一支路的第一输出可以在用该预设神经网络进行图像检测时输出第一置信度，该第一置信度表示采用该预设神经网络检测出的背景图像所属指定背景类别的置信度。该预设神经网络的第二支路的第二输出可以在用该预设神经网络进行图像检测时输出每种预选的默认边界框相对于指定对象所对应的真实边界框的偏移量参数和所属指定前景类别的第二置信度。
在统计学中，一个概率样本的置信区间是对这个样本的某个总体参数的区间估计。置信区间展现的是这个参数的真实值有一定概率落在测量结果的周围的程度。置信度是被测量参数的测量值的可信程度。
基于预设神经网络对所述图像数据进行识别分类，可以对应获取该图像数据的类别信息，其中，类别信息包括背景类别和前景类别中的至少一种。其中，背景类别可以理解为图像数据中背景区域的背景检测目标，例如，风景、海滩、雪景、蓝天、绿地、夜景、黑暗、背光、日出/日落、室内、烟火、聚光灯等。前景类别为图像数据中前景区域的前景检测目标，例如，人像、婴儿、猫、狗、美食等。另外，背景检测目标和前景检测目标还可为文本文档、微距等。需要说明的是，背景区域是指图像数据的背景部分，前景区域是指图像数据的前景部分。
根据获取的类别信息可以对待标注图像数据进行标注，以生成该图像数据的标签信息。标签信息包括前景类别信息和背景类别信息，也即，同一图像数据的标签信息与类别信息相同。对图像数据进行标注后，该图像数据就携带了标签信息，根据标注的标签信息可以对图像数据进行分类存储。例如，可以将背景类别信息相同的图像数据存储在同一存储空间内，将前景类别信息相同的图像数据存储在同一存储空间内。
步骤106，获取用户对携带所述标签信息的图像数据的喜好等级。
用户会对存储的图像数据进行相应的操作，例如，对图像数据进行浏览、编辑、后处理等等操作，用户还可以对获取的图像数据进行评分，该评分可以理解为用户对该图像数据的喜好程度。基于用户的存储的图像数据的操作、评分等可以获取用户对携带所述标签信息的图像数据的喜好等级。喜好等级用于表明用户对该图像数据的喜好程度和/或感兴趣度，该喜好程度主要由用户的主观意识决定，喜好等级越高，表明用户越喜欢该图像数据、对该图像数据越感兴趣。
可选的，喜好等级的确定还可以考量图像数据的清晰度、饱和度、亮度等图像参数。
步骤108，根据所述喜好等级向用户推荐图像数据。
当用户需要使用带有头像类功能、分享图像数据的使用情景时，可以根据图像数据的喜好等级向用户推荐图像数据，例如，首先向用户推荐喜好等级最好的图像数据，还可以根据用户的实际需求(例如通过关键词等信息)，向用户推荐该该关键词相关的图像数据。
上述图像推荐方法，可以获取待标注图像数据；基于预设神经网络对所述图像数据进行识别分类以标注所述图像数据的标签信息，并对携带所述标信息签的图像数据进行存储；获取用户对携带所述标签信息的图像数据的喜好等级；根据所述喜好等级向用户推荐图像数据，可以快捷有效的管理用户的图像集，当用户需要使用图像数据时，可以快速、有效的筛选出用户感兴趣的图像，并向用户推荐，提高了用户体验度。
图2为一个实施例中基于预设神经网络对所述图像数据进行识别分类以标注所述图像数据的标签信息的流程图。在一个实施例中，所述基于预设神经网络对所述图像数据进行识别分类以标注所述图像数据的标签信息，包括：
步骤202，利用预设神经网络对所述图像数据的背景进行分类检测，输出第一置信度图，以及对所述图像数据的前景进行目标检测，输出第二置信度图。
预设神经网络是利用第一损失函数和第二损失函数进行加权得到的目标损失函数训练得到的；该第一损失函数反映图像中背景区域各像素点的第一预测置信度与第一真实置信度之间的差异；该第二损失函数反映图像中前景区域各像素点的第二预测置信度与第二真实置信度之间的差异，该第一预测置信度为采用该神经网络预测出的训练图像中背景区域某一像素点属于该背景训练目标的置信度，该第一真实置信度表示在该训练图像中预先标注的该像素点属于该背景训练目标的置信度；该第二预测置信度为采用该神经网络预测出的该训练图像中前景区域某一像素点属于该前景训练目标的置信度，该第二真实置信度表示在该训练图像中预先标注的该像素点属于该前景训练目标的置信度。
根据训练好的预设神经网络可以对图像数据的背景区域进行分类检测，输出第一置信度图，以及对所述图像数据的前景区域进行目标检测，输出第二置信度图。所述第一置信度图中的每个像素点表示图像数据中每个像素点属于背景检测目标的置信度，所述第二置信度图中的每个像素点表示图像数据中每个像素点属于前景检测目标的置信度。
步骤204，根据所述第一置信度图和所述第二置信度图进行加权得到所述图像数据的最终置信度图。
具体地，可以给第一置信度图和第二置信度图分别配置对应的权重值，该权重值可根据识别场景进行调整。将第一置信度图乘以对应的第一权重值a，第二置信度图乘以对应的第二权重值b，再求取两个乘积之和得到最终置信度图。
步骤206，根据所述最终置信度图确定所述图像数据的标签信息。
最终置信度图是第一置信度图和第二置信度图进行加权得到，而第一置信度图由预设神经网络对场景图像的背景进行分类检测得到，第二置信度由预设神经网络对场景图像的前景进行目标检测得到。针对图像数据中的每一个或者多个像素点，可以利用预设神经网络预测出一个针对检测目标的最终置信度图。根据最终置信度图可以获取该图像数据的类别信息，其中，类别信息包括背景类别和前景类别。
根据获取的类别信息可以对该图像数据进行标注，以生成该图像数据的标签信息。标签信息由类别信息构成，其标签信息的构建形式为“背景类别信息+前景类别信息”或“前景类别信息+背景类别信息”的双标签形式。例如，当图像数据的类别信息为“风景+人像”时，其对应的标签信息为“风景+人像”或“人像+风景”。若图像数据的类别信息仅包括背景类别(例如，纯风景图像等)或图像数据的类别信息仅包括前景类别(例如，前景目标近距拍摄)时，其对应的标签信息为“背景类别信息”或“前景类别信息”的单标签形式。
本实施例中，通过神经网络对场景图像进行检测，同时检测了图像的背景类别和前景目标类别，提高了对场景图像的识别准确性，进而提高了对图像数据进行标注的准确性。
图3为另一个实施例中图像推荐方法的流程图。在一个实施例中，图像推荐方法，还包括：
步骤302，基于所述预设神经网络的基础网络层对所述图像数据进行特征提取得到特征数据。
其中，该预设神经网络可以为卷积神经网络。预设神经网络的输入层接收到图像数据，并将图像数据传递给预设神经网络的基础网络层。基础网络层进行特征提取，将提取的特征数据输入到分类网络层和目标检测网络层；在该分类网络层对图像数据进行背景类别识别；在该目标检测网络层对图像数据的前景类别进行识别。
基础网络层用于对输入的图像数据进行特征提取，得到特征数据。基础网络层可采用SIFT(Scale-invariant feature transform)特征、方向梯度直方图(Histogram ofOriented Gradient，HOG)特征、VGG、googlenet等网络层提取特征。VGG提取特征可采用VGG16中取前几层提取特征数据。VGG16接收输入的图像数据如为300*300*3，首先可对输入图像数据进行预处理，再使用两个黄色的卷积层(卷积核为3*3*3)进行卷积处理，通过对一个三维的27个数求和，然后滑窗移动计算出一维的298*298的矩阵，填充得到300*300*1，在第一个卷积层安置有64个卷积核，则得到300*300*64，然后再按照步长为2，池化采用2*2*64，可以得到150*150*64，第二个卷积层有128个卷积核，处理后可得到75*75*128，依次类推逐层卷积、池化处理得到特征数据。
步骤304，将所述特征数据输入到所述预设神经网络的分类网络对所述图像数据的背景进行分类检测得到背景类别，以及将所述特征数据输入到所述预设神经网络的目标检测网络对所述图像数据的前景进行目标检测得到前景类别。
分类网络层可采用卷积层对图像数据的背景类别进行分类，得到每一个指定背景类别对应的第一置信度图，根据该第一置信度图确定图像数据的背景类别。应当理解地是，该第一置信度图中的每个像素点表示待检测图像数据中每个像素点属于背景类别的置信度，通过检测该置信度的大小可确定该图像数据的背景类别。例如，当检测到第一置信度图中背景类别为“风景”的置信度大于其他背景类别的置信度，则可以确定该图像数据的背景类别为“风景”。
在一实施例中，分类网络层可为Mobilenet层，Mobilenet层可以为深度卷积和一个点卷积(1*1卷积核)。深度卷积将每个卷积核应用到每一个通道，点卷积用来组合通道卷积的输出。点卷积后面可接batchnorm和激活层ReLU，然后输入到softmax层进行分类，输出背景图像所属指定背景类别的第一置信度图。
目标检测网络层为在基础网络层的末尾增加卷积特征层。卷积特征层可以使用一组卷积滤波器产生固定的预测集合来对多尺度特征图进行检测。对于具有p个通道的大小为m*n的特征层，可以使用3*3*p卷积核卷积操作，得到每一个指定前景类别对应的第二置信度图。
应当理解地是，该第二置信度图中的每个像素点表示待检测图像数据中每个像素点属于前景类别的置信度，通过检测该置信度的大小可确定该图像数据的前景类别。例如，当检测到第二置信度图中前景类别为“人像”的置信度大于其他前景类别的置信度，则可以确定该图像数据的前景类别为“人像”。
图4为一个实施例中预设神经网络的架构示意图。如图3所示，预设神经网络的输入层接收携带标注信息的图像数据，通过基础网络层(如CNN网络)进行特征提取，并将提取的特征数据输出给特征层，由该特征层进行背景训练目标的检测得到第一损失函数，以及进行前景训练目标的检测得到第二损失函数，将第一损失函数和第二损失函数进行加权求和得到目标损失函数。
图5为另一个实施例中预设神经网络的架构示意图。如图4所示，预设神经网络的输入层接收携带标注信息的图像数据，通过基础网络层(如CNN网络)进行特征提取，并将提取的特征数据输出给特征层，由该特征层对背景训练目标进行类别检测得到第一损失函数，对前景训练目标根据特征数据进行类别检测得到第二损失函数，对前景训练目标根据前景区域进行位置检测得到位置损失函数，将第一损失函数、第二损失函数和位置损失函数进行加权求和得到目标损失函数。该神经网络可为卷积神经网络。卷积神经网络包括数据输入层、卷积计算层、激活层、池化层和全连接层。数据输入层用于对原始图像数据进行预处理。该预处理可包括去均值、归一化、降维和白化处理。激活层用于将卷积层输出结果做非线性映射。激活层采用的激活函数可为ReLU(The Rectified Linear Unit，修正线性单元)。池化层可夹在连续的卷积层中间，用于压缩数据和参数的量，减小过拟合。池化层可采用最大值法或平均值法对数据降维。全连接层位于卷积神经网络的尾部，两层之间所有神经元都有权重连接。卷积神经网络的一部分卷积层级联到第一置信度输出节点，一部分卷积层级联到第二置信度输出节点，一部分卷积层级联到位置输出节点，根据第一置信度输出节点可以检测到图像的背景分类，根据第二置信度输出节点可以检测到图像的前景目标的类别，根据位置输出节点可以检测到前景目标所对应的位置。
图6为一个实施例中对携带所述标信息签的图像数据进行存储的流程图。在一个实施例中，对携带所述标信息签的图像数据进行存储，包括：
步骤602，获取所述背景类别信息包括的第一类目信息以及所述前景类别信息包括的第二类目信息。
具体地，背景类别信息可以包括风景、海滩、雪景、蓝天、绿地、夜景、黑暗、背光、日出/日落、室内、烟火、聚光灯等多种不同的第一类目信息，其中，第一类目信息可以理解为背景类别信息所包括的单项类别信息。前景类别信息可以包括人像、婴儿、猫、狗、美食等多种不同的第二类目信息，其中，第二类目信息可以理解为前景类别信息所包括的单项类别信息。
需要说明的是，本申请实施例中的第一类目信息和第二类目信息还可以为其他类别信息，在此不做进一步的限定。
步骤604，当所述标签信息中包括所述背景类别信息时，根据所述背景类别信息将所述图像数据对应存储在预设存储空间，其中，所述预设存储空间按照所述第一类目信息和所述第二类目信息划分为多个区间。
解析获取的标签信息，根据标签信息对图像数据进行分类存储。具体的，可以先判断该标签信息中是否包括背景类别信息，当包括所述背景类别信息时，根据背景类别信息将所述图像数据对应存储在预设存储空间。其中，预设储空间可以分为多个区间，其区间可以理解为存储路径或存储空间。
具体的，可以按照第一类目信息和第二类目信息将预设存储空间划分为多个区间，每个区间可以自定义命名。例如，每个区间可以配置对应的存储文档，该文档命名可以根据第一类目信息和第二类目信息来命名。存储文档可以命名为“风景”“海滩”“雪景”“蓝天”等等，还可以命名为“人像”“猫”“狗”“美食”等，还可以根据同时包括第一类目信息和第二类目信息来命名，例如“风景+人像”、“风景+狗”、“风景+美食”等等。相应的，根据存储文档的命名，可以将标签信息与该命名相匹配的图像数据对应存储在该区间内。例如，可以将所有的图像数据的标签信息中包含“海滩”的图像数据对应存储在存储文档为“海滩”的存储区间。在此，对其命名的方式不做进一步的限定。
例如，当标签信息中同时包括背景类别信息和前景类别信息时，如“风景+人像”，则将该图像数据对应存储在预设存储空间的存储文档为“风景”的存储区间。当标签信息中仅包括背景类别信息，时，则将该图像数据对应存储在预设存储空间的存储文档为“海滩”的存储区间。
步骤606，当所述标签信息中未包括所述背景类别信息时，根据所述前景类别信息将所述图像数据对应存储在所述预设存储空间。
当标签信息中仅包括前景类别信息，如“人像”时，可以根据该前景类别信息，将该图像数据存储在所述预设存储空间的存储文档为“人像”的存储区间。
需要说明的是，对图像数据进行存储时，还可以先判断标签信息中是否包括前景类别信息，当包括前景类别信息时，根据前景类别信息将所述图像数据对应存储在所述预设存储空间。
本实施例中的方法，可以对具有标签信息的图像数据进行分区分类存储，更具条理性，方便用户管理，提高了用户的体验度。
图7为一个实施例中获取用户对所述具有标签的图像数据的喜好等级的流程图。在一个实施例中，所述获取用户对所述具有标签的图像数据的喜好等级，包括：
步骤702，获取用户对具有标签的图像数据的操作信息。
携带标签信息的图像数据存储在终端内时，用户可以随时对其进行操作。终端接收用户对图像数据的操作，并记录和分析用户操作该任一图像数据的操作信息。其中，所述操作信息包括用户在预设时间内浏览所述图像数据的累计时长、用户点选操作所述图像数据的次数和用户对所述图像数据的评分中的至少一种。
用户在预设时间内浏览所述图像数据的累计时长，可以理解为在预设时间内，该图像数据向用户展示的累计时长。例如，在24小时内或一周时间内，同一图像数据向用户显示或展示(处于前台展示)的累计时长。
用户点选操作所述图像数据的次数，其中，点选操作可以理解为该图像数据的任一位置接收到用户的触控操作，例如用户对其进行的放大、缩小、编辑(例如，裁剪、滤镜、光线、颜色等调节等)等。
用户对所述图像数据的评分，可以理解为用户对该图像数据的喜欢程度或感兴趣程度，其评分越高，对应的喜欢程度或感兴趣程度也就越高。
步骤704，为每种所述操作信息配置权重，并计算用户操作所述图像数据的总权重。
为每种操作信息配置权重，例如，可以将用户对所述图像数据的评分的权重配置为a，可以将用户点选操作所述图像数据的次数的权重配置为b，可以将用户在预设时间内浏览所述图像数据的累计时长的权重配置为c。可以采用如下公式来获取用户操作所述图像数据的总权重：
w＝a*X1+b*X2+c*X3
其中，w为用户操作图像数据的总权重，X1表示操作信息1(用户对所述图像数据的评分)；X2表示操作信息2(用户点选操作所述图像数据的次数)；X3表示操作信息3(用户在预设时间内浏览所述图像数据的累计时长)，a、b、c分别对应表示为操作信息1、操作信息2、操作信息3配置的权重。
根据用户对图像数据的操作信息就可以综合反馈出用户对该图像数据的喜好程度。
进一步的，上述公式中还可以包括图像参数，以及为图像参数配置相应的权重。其中，图像参数可以包括亮度、饱和度、清晰度、曝光度、对比度、黑点、高光、阴影、饱和度等信息，可以为图像参数中的每一个信息配置一个权权重，也可以根据综合为该图像参数配置一个权重。例如：
w＝a*X1+b*X2+c*X3+d*X4
其中，X4表示图像参数，d对应表示为图像参数配置的权重。
通过在总权重的计算公式中增加图像参数这项因子，增加了图像数据本身的固有属性，增加了客观评价的因素，可以更为准确的评价或判断用户对图像数据的喜好程度。
步骤706，根据所述总权重获取用户对所述具有标签的图像数据的所述喜好等级。
根据预设的总权重与喜好等级的对应关系，可以确定，当前总权重所对应的喜好等级，其中，总权重越大，对应的喜好等级越高，表明用户喜欢该图像数据的程度越深。
进一步的，其中，总权重和喜好等级的对应关系可以是梯度对应关系，例如，总权重1-总权重2对应于喜好等级一；总权重2-总权重3对应于喜好等级二；总权重3-总权重4对应于喜好等级三；总权重4-总权重5对应于喜好等级四。其中个，总权重1-5，以及对应的喜好等级一-四可以根据用户需求来设定，同时，喜好等级的级数在此也不做进一步的限定。
图8为一个实施例中根据所述喜好等级向用户推荐图像数据的流程图。在一个实施例中，根据所述喜好等级向用户推荐图像数据，包括：
步骤802，按照预设规则获取同一所述喜好等级的图像数据的推荐优先级；所述预设规则包括标注所述标签信息的时刻与当前时刻的间隔时长和具有同一所述标签信息的数量中的一种。
当同一喜好等级的图像数据大于等于1时，虽然是同一喜好等级的图像数据，但是在向用户推荐的过程中，也需要体现出推荐的优先级或先后顺序。具体地，可以按照预设规则获取同一所述喜好等级的图像数据的推荐优先级。其中，预设规则包括标注所述标签信息的时刻与当前时刻的间隔时长和具有同一所述标签信息的数量中的至少一种。
标注所述标签信息的时刻与当前时刻的间隔时长，可以理解为该图像数据的标签信息生成时刻与当前时刻的时间间隔，其中，时间间隔越短，其对应的优先级越高。例如，最高优先级的图像数据中的数据为三张，分别标记为图像数据1、图像数据2和图像数据3，图像数据1、图像数据2和图像数据3的标签信息生成时刻与当前时刻的时间间隔分别为1天、2小时、1周，则该推荐优先级为图像数据2、图像数据1和图像数据3。
具有同一所述标签信息的数量，可以理解为，同一喜好等级中，具有同一标签信息的图像数据的数量，其数量越多，对应的优先级越高。例如，最高优先级的图像数据中的数据为5张，分别标记为图像数据1、图像数据2、图像数据3、图像数据4和图像数据5，其中，图像数据1、图像数据2和图像数据3的标签信息相同，均为“海滩+人像”，图像数据4的标签信息为“美食”、图像数据5的标签信息为“海滩+狗”，则该推荐优先级为图像数据1、图像数据2和图像数据3并列最优，图像数据4、图像数据5次之。
可选的，还可以基于标注标签信息的时刻与当前时刻的间隔时长和具有同一所述标签信息的数量两个信息综合确定其推荐优先级，在此不做进一步的限定。
步骤804，根据由高至低的所述喜好等级及所述推荐优先级向用户推荐图像数据。
当需要向用户推荐图像数据时，可以按照预定的格式、形式、数量来推荐。其中，可以采用平铺、列表或其他方式同时或依次向用户推荐预定数量的图像数据。
在推荐图像数据的过程中，可以按照喜好等级、推荐优先级的顺利来排列推荐的图像数据，例如，当喜好等级高、推荐优先级高的图像数据排列在最前面。
需要说明的是，向用户推荐图像数据的具体推荐格式、形式、数量在此不做进一步的限定。
需要说明的是，该图像推荐方法可以适用于各种需要更换图像、分享图像、展示图像或其他需要为用户推荐图像数据的应用场景中，例如，更换联系人头像、更换各类应用程序的主页头像、向他人分享、展示图像等应用场景。
本申请实施例中，可以根据用户自定义的预设规则来确定图像的推荐优先级，当同一喜好等级的图像数据过多时，可以合理有效的为用户推荐适应的图像数据。
应该理解的是，虽然图1-3、图6-8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-3、图6-8的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图9为一个实施例中图像推荐装置的结构框图。在一个实施例中，图像推荐装置，包括：
图像获取模块910，用于获取待分类图像数据；
分类标签模块920，用于基于预设神经网络对所述图像数据进行识别分类以标注所述图像数据的标签信息，并对携带所述标信息签的图像数据进行存储；
等级确认模块930，用于获取用户对携带所述标签信息的图像数据的喜好等级；
图像推荐模块940，用于根据所述喜好等级确定推荐图像，并显示图像推荐列表。
上述图像推荐装置，可以获取待标注图像数据；基于预设神经网络对所述图像数据进行识别分类以标注所述图像数据的标签信息，并对携带所述标信息签的图像数据进行存储；获取用户对携带所述标签信息的图像数据的喜好等级；根据所述喜好等级向用户推荐图像数据，可以快捷有效的管理用户的图像集，当用户需要使用图像数据时，可以快速、有效的筛选出用户感兴趣的图像，并向用户推荐，提高了用户体验度。
在一个实施例中，分类标签模块，包括：
神经网络单元，用于利用预设神经网络对所述图像数据的背景进行分类检测，输出第一置信度图，以及对所述图像数据的前景进行目标检测，输出第二置信度图；所述第一置信度图中的每个像素点表示图像数据中每个像素点属于背景检测目标的置信度，所述第二置信度图中的每个像素点表示图像数据中每个像素点属于前景检测目标的置信度；
置信度单元，根据所述第一置信度图和所述第二置信度图进行加权得到所述图像数据的最终置信度图；
标签生成单元，用于根据所述最终置信度图确定所述图像数据的标签信息。
在一个实施例中，分类标签模块，还包括：
特征提取单元，用于基于所述预设神经网络的基础网络层对所述图像数据进行特征提取得到特征数据；
分类检测单元，用于将所述特征数据输入到所述预设神经网络的分类网络对所述图像数据的背景进行分类检测得到背景类别，以及将所述特征数据输入到所述预设神经网络的目标检测网络对所述图像数据的前景进行目标检测得到前景类别。
在一个实施例中，所述标签信息包括前景类别信息和/或背景类别信息；分类标签模块，还包括：
获取单元，用于获取所述背景类别信息包括的第一类目信息以及所述前景类别信息包括的第二类目信息；
存储单元，用于当所述标签信息中包括所述背景类别信息时，根据所述背景类别信息将所述图像数据对应存储在预设存储空间，其中，所述预设存储空间按照所述第一类目信息和所述第二类目信息划分为多个区间；当所述标签信息中未包括所述背景类别信息时，根据所述前景类别信息将所述图像数据对应存储在所述预设存储空间。
在一个实施例中，等级确认模块，包括：
信息获取单元，用于获取用户对具有标签的图像数据的操作信息，其中，所述操作信息包括用户浏览所述图像数据的持续时长、用户点选操作所述图像数据的次数和用户对所述图像数据的评分中的至少一种；
权重配置单元，用于针对每种所述操作信息配置权重，并计算用户操作所述图像数据的总权重；
等级确认单元，用于根据所述总权重获取用户对所述具有标签的图像数据的所述喜好等级。
在一个实施例中，图像推荐模块，包括：
推荐确定单元，用于按照预设规则获取同一所述喜好等级的图像数据的推荐优先级；
推荐处理单元，用于根据由高至低的所述喜好等级及所述推荐优先级向用户推荐一个或多个图像数据。
在一个实施例中，所述预设规则包括标注所述标签信息的时刻与当前时刻的间隔时长和具有同一所述标签信息的数量中的一种。
本申请实施例中，可以根据用户自定义的预设规则来确定图像的推荐优先级，当同一喜好等级的图像数据过多时，可以合理有效的为用户推荐适应的图像数据。
上述图像推荐装置中各个模块的划分仅用于举例说明，在其他实施例中，可将预设神经网络处理装置或图像处理装置按照需要划分为不同的模块，以完成上述图像推荐装置的全部或部分功能。
本申请实施例还提供一种终端。该终端包括存储器及处理器，该存储器中储存有计算机程序，该计算机程序被该处理器执行时，使得该处理器执行该的图像推荐方法的步骤。
本申请实施例还提供一种计算机可读存储介质。一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现该的图像推荐方法的步骤。
图10为一个实施例中终端的内部结构示意图。如图10所示，该终端包括通过系统总线连接的处理器、存储器和网络接口。其中，该处理器用于提供计算和控制能力，支撑整个终端的运行。存储器用于存储数据、程序等，存储器上存储至少一个计算机程序，该计算机程序可被处理器执行，以实现本申请实施例中提供的适用于终端的无线网络通信方法。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以下各个实施例所提供的一种图像推荐方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。网络接口可以是以太网卡或无线网卡等，用于与外部的终端进行通信。该终端可以是手机、平板电脑或者个人数字助理或穿戴式设备等。
本申请实施例中提供的图像推荐装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在终端或服务器的存储器上。该计算机程序被处理器执行时，实现本申请实施例中所描述方法的步骤。
一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行图像推荐方法。
本申请实施例还提供一种终端。上述终端中包括图像处理电路，图像处理电路可以利用硬件和/或软件组件实现，可包括定义ISP(Image Signal Processing，图像信号处理)管线的各种处理单元。图11为一个实施例中图像处理电路的示意图。如图11所示，为便于说明，仅示出与本申请实施例相关的图像处理技术的各个方面。
如图11所示，图像处理电路包括ISP处理器1140和控制逻辑器1150。成像设备1110捕捉的图像数据首先由ISP处理器1140处理，ISP处理器1140对图像数据进行分析以捕捉可用于确定和/或成像设备1110的一个或多个控制参数的图像统计信息。成像设备1110可包括具有一个或多个透镜1112和图像传感器1114的照相机。图像传感器1114可包括色彩滤镜阵列(如Bayer滤镜)，图像传感器1114可获取用图像传感器1114的每种成像像素捕捉的光强度和波长信息，并提供可由ISP处理器1140处理的一组原始图像数据。传感器1120(如陀螺仪)可基于传感器1120接口类型把采集的图像处理的参数(如防抖参数)提供给ISP处理器1140。传感器1120接口可以利用SMIA(Standard Mobile Imaging Architecture，标准移动成像架构)接口、其它串行或并行照相机接口或上述接口的组合。
此外，图像传感器1114也可将原始图像数据发送给传感器1120，传感器1120可基于传感器1120接口类型把原始图像数据提供给ISP处理器1140，或者传感器1120将原始图像数据存储到图像存储器1130中。
ISP处理器1140按多种格式逐个像素地处理原始图像数据。例如，每种图像像素可具有8、11、12或14比特的位深度，ISP处理器1140可对原始图像数据进行一个或多个图像处理操作、收集关于图像数据的统计信息。其中，图像处理操作可按相同或不同的位深度精度进行。
ISP处理器1140还可从图像存储器1130接收图像数据。例如，传感器1120接口将原始图像数据发送给图像存储器1130，图像存储器1130中的原始图像数据再提供给ISP处理器1140以供处理。图像存储器1130可为存储器装置的一部分、存储设备、或终端内的独立的专用存储器，并可包括DMA(Direct Memory Access，直接直接存储器存取)特征。
当接收到来自图像传感器1114接口或来自传感器1120接口或来自图像存储器1130的原始图像数据时，ISP处理器1140可进行一个或多个图像处理操作，如时域滤波。处理后的图像数据可发送给图像存储器1130，以便在被显示之前进行另外的处理。ISP处理器1140从图像存储器1130接收处理数据，并对所述处理数据进行原始域中以及RGB和YCbCr颜色空间中的图像数据处理。ISP处理器1140处理后的图像数据可输出给显示器1170，以供用户观看和/或由图形引擎或GPU(Graphics Processing Unit，图形处理器)进一步处理。此外，ISP处理器1140的输出还可发送给图像存储器1130，且显示器1170可从图像存储器1130读取图像数据。在一个实施例中，图像存储器1130可被配置为实现一个或多个帧缓冲器。此外，ISP处理器1140的输出可发送给编码器/解码器1160，以便编码/解码图像数据。编码的图像数据可被保存，并在显示于显示器1170设备上之前解压缩。编码器/解码器1160可由CPU或GPU或协处理器实现。
ISP处理器1140确定的统计数据可发送给控制逻辑器1150单元。例如，统计数据可包括自动曝光、自动白平衡、自动聚焦、闪烁检测、黑电平补偿、透镜1112阴影校正等图像传感器1114统计信息。控制逻辑器1150可包括执行一个或多个例程(如固件)的处理器和/或微控制器，一个或多个例程可根据接收的统计数据，确定成像设备1110的控制参数及ISP处理器1140的控制参数。例如，成像设备1110的控制参数可包括传感器1120控制参数(例如增益、曝光控制的积分时间、防抖参数等)、照相机闪光控制参数、透镜1112控制参数(例如聚焦或变焦用焦距)、或这些参数的组合。ISP控制参数可包括用于自动白平衡和颜色调整(例如，在RGB处理期间)的增益水平和色彩校正矩阵，以及透镜1112阴影校正参数。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)，它用作外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像推荐方法，其特征在于，包括：
获取待标注图像数据；
利用预设神经网络对所述图像数据的背景进行分类检测，输出第一置信度图，以及对所述图像数据的前景进行目标检测，输出第二置信度图；所述第一置信度图中的每个像素点表示图像数据中每个像素点属于背景检测目标的置信度，所述第二置信度图中的每个像素点表示图像数据中每个像素点属于前景检测目标的置信度；
根据所述第一置信度图和所述第二置信度图进行加权得到所述图像数据的最终置信度图；
根据所述最终置信度图确定所述图像数据的标签信息，并对携带所述标签信息的图像数据进行存储；
获取用户对携带所述标签信息的图像数据的喜好等级；
根据所述喜好等级向用户推荐图像数据。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述预设神经网络的基础网络层对所述图像数据进行特征提取得到特征数据；
将所述特征数据输入到所述预设神经网络的分类网络对所述图像数据的背景进行分类检测得到背景类别，以及将所述特征数据输入到所述预设神经网络的目标检测网络对所述图像数据的前景进行目标检测得到前景类别。
3.根据权利要求1所述的方法，其特征在于，所述标签信息包括前景类别信息和/或背景类别信息；所述对携带所述标签信息的图像数据进行存储，包括：
获取所述背景类别信息包括的第一类目信息以及所述前景类别信息包括的第二类目信息；
当所述标签信息中包括所述背景类别信息时，根据所述背景类别信息将所述图像数据对应存储在预设存储空间，其中，所述预设存储空间按照所述第一类目信息和所述第二类目信息划分为多个区间；
当所述标签信息中未包括所述背景类别信息时，根据所述前景类别信息将所述图像数据对应存储在所述预设存储空间。
4.根据权利要求1所述的方法，其特征在于，所述获取用户对携带所述标签信息的图像数据的喜好等级，包括：
获取用户对具有所述标签信息的图像数据的操作信息，其中，所述操作信息包括用户浏览所述图像数据的持续时长、用户点选操作所述图像数据的次数和用户对所述图像数据的评分中的至少一种；
为每种所述操作信息配置权重，并计算用户操作所述图像数据的总权重；
根据所述总权重获取用户对具有所述标签信息的图像数据的喜好等级。
5.根据权利要求1所述的方法，其特征在于，所述根据所述喜好等级向用户推荐图像数据，包括：
按照预设规则获取同一所述喜好等级的图像数据的推荐优先级；
根据由高至低的所述喜好等级及所述推荐优先级向用户推荐图像数据。
6.根据权利要求5所述的方法，其特征在于，所述预设规则包括标注所述标签信息的时刻与当前时刻的间隔时长和具有同一所述标签信息的数量。
7.一种图像推荐装置，其特征在于，包括：
图像获取模块，用于获取待标注图像数据；
分类标签模块，用于基于预设神经网络对所述图像数据进行识别分类以标注形成所述图像数据的标签信息，并对携带所述标签信息的图像数据进行存储；
等级确认模块，用于获取用户对携带所述标签信息的图像数据的喜好等级；
图像推荐模块，用于根据所述喜好等级向用户推荐图像数据；
所述分类标签模块还包括：
神经网络单元，用于利用预设神经网络对所述图像数据的背景进行分类检测，输出第一置信度图，以及对所述图像数据的前景进行目标检测，输出第二置信度图；所述第一置信度图中的每个像素点表示图像数据中每个像素点属于背景检测目标的置信度，所述第二置信度图中的每个像素点表示图像数据中每个像素点属于前景检测目标的置信度；
置信度单元，根据所述第一置信度图和所述第二置信度图进行加权得到所述图像数据的最终置信度图；
标签生成单元，用于根据所述最终置信度图确定所述图像数据的标签信息。
8.根据权利要求7所述的装置，其特征在于，所述分类标签模块还包括：
特征提取单元，用于基于所述预设神经网络的基础网络层对所述图像数据进行特征提取得到特征数据；
分类检测单元，用于将所述特征数据输入到所述预设神经网络的分类网络对所述图像数据的背景进行分类检测得到背景类别，以及将所述特征数据输入到所述预设神经网络的目标检测网络对所述图像数据的前景进行目标检测得到前景类别。
9.一种终端，包括存储器及处理器，所述存储器中储存有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述的方法的步骤。
10.一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，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法的步骤。
CN201810686073.9A 2018-06-28 2018-06-28 图像推荐方法和装置、终端、可读存储介质 Active CN108984657B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810686073.9A CN108984657B (zh) 2018-06-28 2018-06-28 图像推荐方法和装置、终端、可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810686073.9A CN108984657B (zh) 2018-06-28 2018-06-28 图像推荐方法和装置、终端、可读存储介质

Publications (2)

Publication Number Publication Date
CN108984657A CN108984657A (zh) 2018-12-11
CN108984657B true CN108984657B (zh) 2020-12-01

Family

ID=64539235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810686073.9A Active CN108984657B (zh) 2018-06-28 2018-06-28 图像推荐方法和装置、终端、可读存储介质

Country Status (1)

Country Link
CN (1) CN108984657B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110866086A (zh) * 2018-12-29 2020-03-06 北京安妮全版权科技发展有限公司 一种文章配图系统
CN109800320B (zh) * 2019-01-04 2023-08-18 平安科技（深圳）有限公司 一种图像处理方法、设备及计算机可读存储介质
CN110347855A (zh) * 2019-07-17 2019-10-18 京东方科技集团股份有限公司 画作推荐方法、终端设备、服务器、计算机设备及介质
CN110825968B (zh) * 2019-11-04 2024-02-13 腾讯科技（深圳）有限公司 信息推送方法、装置、存储介质和计算机设备
CN111199540A (zh) * 2019-12-27 2020-05-26 Oppo广东移动通信有限公司 图像质量评价方法、装置、电子设备及存储介质
CN111177093A (zh) * 2019-12-31 2020-05-19 山东蚁动网络科技有限公司 一种科技资源的共享方法及设备、介质
WO2021168707A1 (zh) * 2020-02-26 2021-09-02 深圳市大疆创新科技有限公司 对焦方法、装置及设备
CN111368209B (zh) * 2020-03-25 2022-04-12 北京字节跳动网络技术有限公司 信息推荐方法、装置、电子设备及计算机可读存储介质
CN111510376B (zh) * 2020-04-27 2022-09-20 百度在线网络技术（北京）有限公司 图像处理方法、装置及电子设备
CN112182396A (zh) * 2020-10-12 2021-01-05 浙江新蓝网络传媒有限公司 基于用户行为的信息推送方法
CN112732961A (zh) * 2021-01-05 2021-04-30 维沃移动通信有限公司 图像分类方法及装置
CN113139073A (zh) * 2021-03-31 2021-07-20 有米科技股份有限公司 基于神经网络结果再处理的图像推荐方法及装置
CN115423948B (zh) * 2022-11-04 2023-02-21 江西省映尚科技有限公司 Vr图像的处理方法、系统及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107169150A (zh) * 2017-06-30 2017-09-15 努比亚技术有限公司 图片推送方法、移动终端以及计算机可读介质
CN107818313A (zh) * 2017-11-20 2018-03-20 腾讯科技（深圳）有限公司 活体识别方法、装置、存储介质和计算机设备
CN107992531A (zh) * 2017-11-21 2018-05-04 吉浦斯信息咨询（深圳）有限公司 基于深度学习的新闻个性化智能推荐方法与系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9697232B2 (en) * 2015-03-19 2017-07-04 International Business Machines Corporation System and method for creating a preference profile from shared images

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107169150A (zh) * 2017-06-30 2017-09-15 努比亚技术有限公司 图片推送方法、移动终端以及计算机可读介质
CN107818313A (zh) * 2017-11-20 2018-03-20 腾讯科技（深圳）有限公司 活体识别方法、装置、存储介质和计算机设备
CN107992531A (zh) * 2017-11-21 2018-05-04 吉浦斯信息咨询（深圳）有限公司 基于深度学习的新闻个性化智能推荐方法与系统

Also Published As

Publication number Publication date
CN108984657A (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
CN108984657B (zh) 图像推荐方法和装置、终端、可读存储介质
CN108764370B (zh) 图像处理方法、装置、计算机可读存储介质和计算机设备
CN108810418B (zh) 图像处理方法、装置、移动终端及计算机可读存储介质
CN108777815B (zh) 视频处理方法和装置、电子设备、计算机可读存储介质
CN108900769B (zh) 图像处理方法、装置、移动终端及计算机可读存储介质
CN108764208B (zh) 图像处理方法和装置、存储介质、电子设备
US10896323B2 (en) Method and device for image processing, computer readable storage medium, and electronic device
CN108961302B (zh) 图像处理方法、装置、移动终端及计算机可读存储介质
US10990825B2 (en) Image processing method, electronic device and computer readable storage medium
CN108897786B (zh) 应用程序的推荐方法、装置、存储介质及移动终端
TWI805869B (zh) 計算場景的主要分類的系統及方法
CN108810413B (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
WO2019233393A1 (zh) 图像处理方法和装置、存储介质、电子设备
CN108765033B (zh) 广告信息推送方法和装置、存储介质、电子设备
CN110473185B (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
WO2019233266A1 (zh) 图像处理方法、计算机可读存储介质和电子设备
CN108875619B (zh) 视频处理方法和装置、电子设备、计算机可读存储介质
CN108830208A (zh) 视频处理方法和装置、电子设备、计算机可读存储介质
CN109712177B (zh) 图像处理方法、装置、电子设备和计算机可读存储介质
CN108804658B (zh) 图像处理方法和装置、存储介质、电子设备
CN108717530B (zh) 图像处理方法、装置、计算机可读存储介质和电子设备
CN108548539B (zh) 基于图像识别的导航方法和装置、终端、可读存储介质
CN110956679B (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
CN111881849A (zh) 图像场景检测方法、装置、电子设备及存储介质
WO2019223513A1 (zh) 图像识别方法、电子设备和存储介质

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