CN109376260B - 一种深度学习图像标注的方法和系统 - Google Patents

一种深度学习图像标注的方法和系统 Download PDF

Info

Publication number
CN109376260B
CN109376260B CN201811126332.9A CN201811126332A CN109376260B CN 109376260 B CN109376260 B CN 109376260B CN 201811126332 A CN201811126332 A CN 201811126332A CN 109376260 B CN109376260 B CN 109376260B
Authority
CN
China
Prior art keywords
image
labeling
task
annotation
client
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
CN201811126332.9A
Other languages
English (en)
Other versions
CN109376260A (zh
Inventor
肖欣庭
牛小明
池明辉
蒲文龙
唐军
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.)
Sichuan Changhong Electric Co Ltd
Original Assignee
Sichuan Changhong Electric 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 Sichuan Changhong Electric Co Ltd filed Critical Sichuan Changhong Electric Co Ltd
Priority to CN201811126332.9A priority Critical patent/CN109376260B/zh
Publication of CN109376260A publication Critical patent/CN109376260A/zh
Application granted granted Critical
Publication of CN109376260B publication Critical patent/CN109376260B/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
    • 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
    • G06Q30/0283—Price estimation or determination

Abstract

本发明公开了一种深度学习图像标注的方法，该方法基于众包平台对图像进行标注，本发明还公开了一种深度学习图像标注的系统，包括：用户注册系统、用户管理中心、任务分发及回收系统、核对系统和计费系统，本发明通过互联网众包的思想，将标注任务分配给所有在系统注册的标签工，并设计合理的核验系统、计费系统、任务分发系统来解决传统方法易出错、耗时长、难校验、数据易泄露的缺点问题。

Description

一种深度学习图像标注的方法和系统
技术领域
本发明涉及深度学习图像标注技术领域，特别是一种深度学习图像标注的方法和系统。
背景技术
近些年来，基于深度学习的计算机视觉应用产品也越来越多，例如基于深度学习的图像分类，基于深度学习的图像分割，以及基于深度学习的图像识别产品。在这些产品的开发阶段，通常都需要大量已标注的数据进行训练，如何高速高效高质地产生大量标注数据以供深度学习算法使用，是一个亟待解决的问题。图像标注指的是为特定的图像任务生成真实值，例如在图像分类任务重，图像标注的含义指的是标定某张图片属于具体的什么类别；在图像分割中(语义分割)，图像标注的具体含义就是标定图像中某个语义物体的边界范围。
传统的标注流程包括将固定的标注任务直接下发给指定的标注(标签)团队完成，然后合并团队成员的标注结果以完成标注任务，传统方法具有耗时长，易出错，难校验，数据易泄露等缺点。
发明内容
为解决现有技术中存在的问题，本发明的目的是提供一种深度学习图像标注的方法和系统，本发明具有数据标注高效协同、数据防泄漏、易于校验等特性。
为实现上述目的，本发明采用的技术方案是：一种深度学习图像标注的方法，其特征在于，该方法基于众包平台对图像进行标注，包括以下步骤：
步骤S1、客户或者对图像进行标注的标签工通过用户注册系统进行注册，成为标注系统的用户；
步骤S2、客户提交标注任务至标注系统；
步骤S3、标注系统对客户提交的标注任务量进行估价，估价算法如下；
设客户提交的标注任务共有C类，每一类任务的单价为pc，总量为Nc，则标注任务估价为：
Figure BDA0001812533600000021
步骤S4、将估价反馈给客户，客户如果愿意按估价付费，则执行下一步方法流程，客户如果不愿意按估价付费，则结束该方法流程；
步骤S5、图像标注任务分发及回收系统给标签工分发图像标注任务及回收图像标注结果；具体包括以下步骤：
步骤S51、图像标注任务分发系统首先初始化标注任务：将标注任务标记为待标注状态；
步骤S52、随机选取一名在线标签工i开始标注任务，图像标注任务分发系统将处于待标注状态的图像随机选取1张分发给在线标签工i，并将该图像的状态修改为在标注状态；
步骤S53、在线标签工i完成标注任务，图像标注任务回收系统收到标注结果，并将其对应的状态修改为已标注且待核对状态；
步骤S54、随机选取一名在线标签工j，其中，j≠i，开始核对标注结果，图像标注任务分发系统将处于待核对状态的图像随机选取1张分发给在线标签工j，并将该图像的状态修改为在核对状态；
步骤S55、在线标签工j完成核对任务，图像标注任务回收系统收到核验结果，并将其对应的状态修改为已核验状态；
步骤S56、随机选取一名在线标签工k，其中，k≠i且k≠j，开始核对标注结果，图像标注任务分发系统将处于已核对状态的图像随机选取1张分发给在线标签工k，若核验通过，则将其对应的状态修改为标注通过状态；若核验不通过，则转到步骤S51；
步骤S57、循环步骤S52到步骤S56，直到所有标注任务标注通过；
步骤S6、所有标注任务标注完成；
步骤S7、给进行图像标注及核对的标签工付费，并更新用户管理中心相应的付费信息，付费算法如下：
设第c类图像标注任务，单张图片系统成本为psc，单张图片拟盈利pfc，若标签工j完成第c类标注任务标注的获利为pb，完成总图片数量为
Figure BDA0001812533600000032
完成第c类标注任务核对的获利为ph，完成总图片数量为
Figure BDA0001812533600000033
则应该向标签工支付总费用为Salaryj：
Figure BDA0001812533600000031
其中，*表示标量乘法，Fb为图像标注任务奖惩因子，Fh为图像核对任务奖惩因子，Fb、Fh为大于1的正数，值越大表示奖励越小，s.t.为约束条件；
步骤S8、通知客户标注任务完成，等待客户下载标注结果；
步骤S9、客户下载标注结果；
步骤S10、流程结束。
作为一种优选的实施方式，所述步骤S1中，客户或者对图像进行标注的标签工通过用户注册系统进行注册时，首先进行合法性检验，并且将每一个标签工及客户的注册信息写入后台数据库。
作为另一种优选的实施方式，所述标签工的状态包括在线状态和离线状态，当标签工处于在线状态时，可对其分发标注任务，当标签工处于离线状态时，不能对其分发标注任务。
本发明还提供一种深度学习图像标注的系统，包括：
用户注册系统，用于标签工及客户的注册；
用户管理中心，用于对客户和标签工的管理；
任务分发及回收系统，用于将标注任务合理分发给标签工，并在一定时效内回收标注任务；
核对系统，用于将从标签工回收的标注结果进行校验；
计费系统，用于完成客户费用估计、系统盈利报表估计、标签工付费估计。
作为一种优选的实施方式，所述用户管理中心包括客户管理单元、标签工管理单元和管理员；其中，客户管理单元用于开放或限制客户上传标注任务的权限，剔除恶意的客户，以及对客户提交的标注任务进行收费；标签工管理单元用于开放或限制标签工进行标注任务的权限，剔除恶意的标签工，以及对标签工提交的标注结果进行收费；管理员为该系统的管理者。
本发明的有益效果是：本发明通过互联网众包的思想，将标注任务分配给所有在系统注册的标签工，并设计合理的核验系统、计费系统、任务分发系统来解决传统方法易出错、耗时长、难校验、数据易泄露的缺点问题。
附图说明
图1为本发明实施例中深度学习图像标注方法的整体流程框图；
图2为本发明实施例中深度学习图像标注系统的结构框图；
图3为本发明实施例中用户注册时的流程框图；
图4为本发明实施例中用户管理中心的结构框图；
图5为本发明实施例中图像标注任务分发及回收的流程框图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
本实施例结合长虹人工智能图像识别项目中的图像识别标注任务进行阐述：
如图1所示，图1为本实施例中深度学习图像标注方法的整体流程框图，一种深度学习图像标注的方法，该方法基于众包平台对图像进行标注，包括以下步骤：
步骤S1、客户或者对图像进行标注的标签工通过用户注册系统进行注册，成为标注系统的用户；
步骤S2、客户提交标注任务至标注系统(标注任务类型图像文字识别，即标注对应的图片中文字)；
步骤S3、标注系统对客户提交的标注任务量进行估价，估价算法如下；
假定提交的标注任务只有C＝1类，该类任务的单价为pc＝0.5元，总量(需要标注的图片数目)为Nc＝5000张，则标注任务估价为(单位：元)：
Figure BDA0001812533600000051
步骤S4、将估价反馈给客户，客户如果愿意按估价付费，则执行下一步方法流程，客户如果不愿意按估价付费，则结束该方法流程；
步骤S5、如图5所示，图5为本施例中图像标注任务分发及回收的流程框图，图像标注任务分发及回收系统给标签工分发图像标注任务及回收图像标注结果；具体包括以下步骤：
步骤S51、图像标注任务分发系统首先初始化标注任务：即将5000张图片标记为待标注状态；
步骤S52、随机选取一名在线标签工i开始标注任务，图像标注任务分发系统将处于待标注状态的图像随机选取1张分发给在线标签工i，并将该图像的状态修改为在标注状态；
步骤S53、在线标签工i完成标注任务，图像标注任务回收系统收到标注结果，并将其对应的状态修改为已标注且待核对状态；
步骤S54、随机选取一名在线标签工j，其中，j≠i，开始核对标注结果，图像标注任务分发系统将处于待核对状态的图像随机选取1张分发给在线标签工j，并将该图像的状态修改为在核对状态；
步骤S55、在线标签工j完成核对任务，图像标注任务回收系统收到核验结果，并将其对应的状态修改为已核验状态；
步骤S56、随机选取一名在线标签工k，其中，k≠i且k≠j，开始核对标注结果，图像标注任务分发系统将处于已核对状态的图像随机选取1张分发给在线标签工k，若核验通过，则将其对应的状态修改为标注通过状态；若核验不通过，则转到步骤S51；
步骤S57、循环步骤S52到步骤S56，直到所有标注任务标注通过；
需要说明的是，标注任务处理的整个流程中，图像标注标签工i，图像标注结果首次核对标签工j，图像标注结果二次核对标签工k，三者必须为不同的在线标签工(加强核验正确率)。图5中的随机选取在线标签工、随机选取待标注任务、随机选取待核对任务，三个随机的目的是为了保护客户的数据更加安全，防止数据泄露。
步骤S6、5000张图片标注任务标注完成；
步骤S7、给进行图像标注及核对的标签工付费，并更新用户管理中心相应的付费信息，付费算法如下：
假定图像文字识别标注任务，单张图片系统成本为psc＝0.05元，单张图片拟盈利pfc≥0.03元，若标签工j(假定系统共有标签工LM＝5人)完成标注任务的获利为pb＝0.18，5个标签工完成标注图片数量
Figure BDA0001812533600000077
分别为[1000,1000,2000,200,800]，完成核对任务的获利为ph＝0.08，5个标签工完成图片数量
Figure BDA0001812533600000076
分别为[2000,1000,1000,500,500]，此处取奖惩因子Fb＝Fh＝2(奖惩因子的值越大表示奖励越小)，则应该向标签工支付费用分别为：
Figure BDA0001812533600000071
Figure BDA0001812533600000072
Figure BDA0001812533600000073
Figure BDA0001812533600000074
Figure BDA0001812533600000075
经检验，上述定价策略满足约束条件的要求；
步骤S8、通知客户标注任务完成，等待客户下载标注结果；
步骤S9、客户下载标注结果；
步骤S10、流程结束。
所述步骤S1中，如图3所示，图3为本实施例中用户注册时的流程框图，客户或者对图像进行标注的标签工通过用户注册系统进行注册时，首先进行合法性检验，例如，判断注册的用户名是否存在，输入的注册信息是否合法(如注册邮箱或注册电话的格式)等，并且将每一个标签工及客户的注册信息写入后台数据库。
所述标签工的状态包括在线状态和离线状态，当标签工处于在线状态时，可对其分发标注任务，当标签工处于离线状态时，不能对其分发标注任务。
本实施例还提供一种深度学习图像标注的系统，如图2所示，图2为本实施例中深度学习图像标注系统的结构框图，包括：
用户注册系统，用于标签工及客户的注册；
用户管理中心，用于对客户和标签工的管理(例如剔除恶意的标签工、恶意的客户等)；
任务分发及回收系统，用于将标注任务合理分发给标签工，并在一定时效内回收标注任务；
核对系统，用于将从标签工回收的标注结果进行校验；
计费系统，用于完成客户费用估计、系统盈利报表估计、标签工付费估计等。
如图4所示，图4为本实施例中用户管理中心的结构框图，所述用户管理中心包括客户管理单元、标签工管理单元和管理员；其中，客户管理单元用于开放或限制客户上传标注任务的权限，剔除恶意的客户，以及对客户提交的标注任务进行收费；标签工管理单元用于开放或限制标签工进行标注任务的权限，剔除恶意的标签工，以及对标签工提交的标注结果进行收费；管理员是指拥有用户管理中心最高权限的操作人员(也是此标注系统的拥有者/管理者)。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (5)

1.一种深度学习图像标注的方法，其特征在于，该方法基于众包平台对图像进行标注，包括以下步骤：
步骤S1、客户或者对图像进行标注的标签工通过用户注册系统进行注册，成为标注系统的用户；
步骤S2、客户提交标注任务至标注系统；
步骤S3、标注系统对客户提交的标注任务量进行估价，估价算法如下；
设客户提交的标注任务共有C类，每一类任务的单价为pc，总量为Nc，则标注任务估价为：
Figure FDA0003196702810000011
步骤S4、将估价反馈给客户，客户如果愿意按估价付费，则执行下一步方法流程，客户如果不愿意按估价付费，则结束该方法流程；
步骤S5、图像标注任务分发及回收系统给标签工分发图像标注任务及回收图像标注结果；具体包括以下步骤：
步骤S51、图像标注任务分发系统首先初始化标注任务：将标注任务标记为待标注状态；
步骤S52、随机选取一名在线标签工i开始标注任务，图像标注任务分发系统将处于待标注状态的图像随机选取1张分发给在线标签工i，并将该图像的状态修改为在标注状态；
步骤S53、在线标签工i完成标注任务，图像标注任务回收系统收到标注结果，并将其对应的状态修改为已标注且待核对状态；
步骤S54、随机选取一名在线标签工j，其中，j≠i，开始核对标注结果，图像标注任务分发系统将处于待核对状态的图像随机选取1张分发给在线标签工j，并将该图像的状态修改为在核对状态；
步骤S55、在线标签工j完成核对任务，图像标注任务回收系统收到核验结果，并将其对应的状态修改为已核验状态；
步骤S56、随机选取一名在线标签工k，其中，k≠i且k≠j，开始核对标注结果，图像标注任务分发系统将处于已核对状态的图像随机选取1张分发给在线标签工k，若核验通过，则将其对应的状态修改为标注通过状态；若核验不通过，则转到步骤S51；
步骤S57、循环步骤S52到步骤S56，直到所有标注任务标注通过；
步骤S6、所有标注任务标注完成；
步骤S7、给进行图像标注及核对的标签工付费，并更新用户管理中心相应的付费信息，付费算法如下：
设第c类图像标注任务，单张图片系统成本为psc，单张图片拟盈利pfc，设共有标签工LM人，若标签工j完成第c类标注任务标注的获利为pb，完成总图片数量为
Figure FDA0003196702810000024
完成第c类标注任务核对的获利为ph，完成总图片数量为
Figure FDA0003196702810000021
则应该向标签工支付总费用为Salaryj：
Figure FDA0003196702810000022
s.t.
Figure FDA0003196702810000023
其中，*表示标量乘法，Fb为图像标注任务奖惩因子，Fh为图像核对任务奖惩因子，Fb、Fh为大于1的正数，值越大表示奖励越小，s.t.为约束条件；
步骤S8、通知客户标注任务完成，等待客户下载标注结果；
步骤S9、客户下载标注结果；
步骤S10、流程结束。
2.根据权利要求1所述的深度学习图像标注的方法，其特征在于，所述步骤S1中，客户或者对图像进行标注的标签工通过用户注册系统进行注册时，首先进行合法性检验，并且将每一个标签工及客户的注册信息写入后台数据库。
3.根据权利要求1所述的深度学习图像标注的方法，其特征在于，所述标签工的状态包括在线状态和离线状态，当标签工处于在线状态时，可对其分发标注任务，当标签工处于离线状态时，不能对其分发标注任务。
4.一种深度学习图像标注的系统，其特征在于，用于实现如权利要求1-3任一项所述的深度学习图像标注的方法，包括：
用户注册系统，用于标签工及客户的注册；
用户管理中心，用于对客户和标签工的管理；
任务分发及回收系统，用于将标注任务合理分发给标签工，并在一定时效内回收标注任务；
核对系统，用于将从标签工回收的标注结果进行校验；
计费系统，用于完成客户费用估计、系统盈利报表估计、标签工付费估计。
5.根据权利要求4所述的深度学习图像标注的系统，其特征在于，所述用户管理中心包括客户管理单元、标签工管理单元和管理员；其中，客户管理单元用于开放或限制客户上传标注任务的权限，剔除恶意的客户，以及对客户提交的标注任务进行收费；标签工管理单元用于开放或限制标签工进行标注任务的权限，剔除恶意的标签工，以及对标签工提交的标注结果进行付费；管理员为该系统的管理者。
CN201811126332.9A 2018-09-26 2018-09-26 一种深度学习图像标注的方法和系统 Active CN109376260B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811126332.9A CN109376260B (zh) 2018-09-26 2018-09-26 一种深度学习图像标注的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811126332.9A CN109376260B (zh) 2018-09-26 2018-09-26 一种深度学习图像标注的方法和系统

Publications (2)

Publication Number Publication Date
CN109376260A CN109376260A (zh) 2019-02-22
CN109376260B true CN109376260B (zh) 2021-10-01

Family

ID=65402054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811126332.9A Active CN109376260B (zh) 2018-09-26 2018-09-26 一种深度学习图像标注的方法和系统

Country Status (1)

Country Link
CN (1) CN109376260B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723225A (zh) * 2020-05-09 2020-09-29 江苏丰华联合科技有限公司 一种图像数据标注方法
CN113111369B (zh) * 2021-04-28 2022-08-12 杭州锘崴信息科技有限公司 一种数据标注中的数据保护方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101840502A (zh) * 2009-01-23 2010-09-22 正品科技（北京）有限公司 识读设备
US9008724B2 (en) * 2009-05-01 2015-04-14 Digimarc Corporation Methods and systems for content processing
CN104573995A (zh) * 2015-01-28 2015-04-29 重庆软文科技有限责任公司 众包任务发布、执行方法及发布、执行装置
CN105426826A (zh) * 2015-11-09 2016-03-23 张静 一种基于标签噪声纠正的众包标注数据质量提升方法
CN106489149A (zh) * 2016-06-29 2017-03-08 深圳狗尾草智能科技有限公司 一种基于数据挖掘和众包的数据标注方法及系统
CN107273106A (zh) * 2016-04-08 2017-10-20 北京三星通信技术研究有限公司 物体信息翻译、以及衍生信息获取方法和装置
CN107273492A (zh) * 2017-06-15 2017-10-20 复旦大学 一种基于众包平台处理图像标注任务的交互方法
CN107357763A (zh) * 2017-06-12 2017-11-17 大连理工大学 一种基于自步学习的众包分类数据质量控制方法
CN107608643A (zh) * 2017-09-14 2018-01-19 四川长虹电器股份有限公司 基于低质量照片的多维度分析、识别与优化方法
CN107705034A (zh) * 2017-10-26 2018-02-16 医渡云（北京）技术有限公司 众包平台实现方法及装置、存储介质和电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140211044A1 (en) * 2013-01-25 2014-07-31 Electronics And Telecommunications Research Institute Method and system for generating image knowledge contents based on crowdsourcing

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101840502A (zh) * 2009-01-23 2010-09-22 正品科技（北京）有限公司 识读设备
US9008724B2 (en) * 2009-05-01 2015-04-14 Digimarc Corporation Methods and systems for content processing
CN104573995A (zh) * 2015-01-28 2015-04-29 重庆软文科技有限责任公司 众包任务发布、执行方法及发布、执行装置
CN105426826A (zh) * 2015-11-09 2016-03-23 张静 一种基于标签噪声纠正的众包标注数据质量提升方法
CN107273106A (zh) * 2016-04-08 2017-10-20 北京三星通信技术研究有限公司 物体信息翻译、以及衍生信息获取方法和装置
CN106489149A (zh) * 2016-06-29 2017-03-08 深圳狗尾草智能科技有限公司 一种基于数据挖掘和众包的数据标注方法及系统
CN107357763A (zh) * 2017-06-12 2017-11-17 大连理工大学 一种基于自步学习的众包分类数据质量控制方法
CN107273492A (zh) * 2017-06-15 2017-10-20 复旦大学 一种基于众包平台处理图像标注任务的交互方法
CN107608643A (zh) * 2017-09-14 2018-01-19 四川长虹电器股份有限公司 基于低质量照片的多维度分析、识别与优化方法
CN107705034A (zh) * 2017-10-26 2018-02-16 医渡云（北京）技术有限公司 众包平台实现方法及装置、存储介质和电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Image Restoration Using Graph Cuts with Adaptive Smoothing;Dong Yan 等;《2007 International Conference on Information Acquisition》;20070827;152-156 *
众包质量控制策略及评估算法研究;张志强 等;《计算机学报》;20130815;第36卷(第08期);1636-1649 *
实时图像采集、显示系统设计;毛奎章;《数字技术与应用》;20180805;第36卷(第08期);147-148 *

Also Published As

Publication number Publication date
CN109376260A (zh) 2019-02-22

Similar Documents

Publication Publication Date Title
CN107301229B (zh) 基于语义分析的反馈指派方法及系统
CN106371840A (zh) 基于众包的软件开发方法及装置
US11062132B2 (en) System and method for identification of missing data elements in electronic documents
CN112507936A (zh) 图像信息审核方法、装置、电子设备及可读存储介质
CN115002200B (zh) 基于用户画像的消息推送方法、装置、设备及存储介质
CN109376260B (zh) 一种深度学习图像标注的方法和系统
CN112380870A (zh) 用户意图分析方法、装置、电子设备及计算机存储介质
US20230205989A1 (en) System and Method for a Thing Machine to Perform Models
CN108376317A (zh) 一种知识产权政策风险防范系统、基于该系统的知识产权交易系统和方法
CN111476324A (zh) 基于人工智能的交通数据标注方法、装置、设备及介质
CN109447273A (zh) 模型训练方法、广告推荐方法、相关装置、设备及介质
CN110503564A (zh) 基于大数据的保全案件处理方法、系统、设备及存储介质
CN110598070A (zh) 应用类型识别方法及装置、服务器及存储介质
CN112988963A (zh) 基于多流程节点的用户意图预测方法、装置、设备及介质
CN114626731A (zh) 风险识别方法、装置、电子设备及计算机可读存储介质
CN115311029A (zh) 用于提高处理效率的开票管理方法、装置、设备及存储介质
CN114169938A (zh) 信息推送方法、装置、设备及存储介质
CN111373395A (zh) 基于层次聚类的人工智能系统和方法
CN110321423B (zh) 一种文本数据的风险识别方法及服务器
CN117094764A (zh) 银行积分处理方法及装置
CN114385921B (zh) 一种标书推荐方法、系统、设备及存储介质
CN115907968A (zh) 一种基于人行征信的风控拒绝推断方法及设备
US20120079608A1 (en) Systems and methods to provide a software benefit when a consumer object is recognized in an image
CN113706172A (zh) 基于客户行为的投诉解决方法、装置、设备及存储介质
US11599572B2 (en) Method, apparatus, and system for data collection, transformation and extraction to support image and text search of antiques and collectables

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