CN110647826A - 商品训练图片的获取方法、装置、计算机设备和存储介质 - Google Patents

商品训练图片的获取方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110647826A
CN110647826A CN201910839137.9A CN201910839137A CN110647826A CN 110647826 A CN110647826 A CN 110647826A CN 201910839137 A CN201910839137 A CN 201910839137A CN 110647826 A CN110647826 A CN 110647826A
Authority
CN
China
Prior art keywords
commodity
feature vector
picture
target
difference degree
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.)
Granted
Application number
CN201910839137.9A
Other languages
English (en)
Other versions
CN110647826B (zh
Inventor
陈凯兵
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201910839137.9A priority Critical patent/CN110647826B/zh
Publication of CN110647826A publication Critical patent/CN110647826A/zh
Priority to US16/865,733 priority patent/US11599743B2/en
Application granted granted Critical
Publication of CN110647826B publication Critical patent/CN110647826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/532—Query formulation, e.g. graphical querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/957—Browsing optimisation, e.g. caching or content distillation
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video

Landscapes

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

Abstract

本申请提出一种商品训练图片的获取方法、装置、计算机设备和存储介质，其中，方法在获取电商网站中每个商品网页上的所有商品图片后，结合每个商品网页上每个商品图片的商品特征向量，对对应商品网页上的所有商品图片进行分组，并根据分组结果确定商品网页的目标图片组，然后，根据商品网页的平均商品特征向量，对所有商品网页的目标图片组进行分类，得到至少一类图片集合，并根据至少一类图片集合，生成商品训练图片。由此，结合商品网页上的所有商品图片，构建商品训练图片，从而可以快速得到大量与真实场景分布一致的训练图片，减少了人工构建与真实场景分布一致的训练图片的麻烦，提高了获取与真实场景分布一致的训练图片的效率。

Description

商品训练图片的获取方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种商品训练图片的获取方法、装置、计算机设备和存储介质。
背景技术
商品检索是一项重要的技术，该技术已被应用于商品拍照识别当中。商品拍照识别可以帮助用户快速找到心仪的商品，帮助用户实现所见即所得的目标。在商品检索中，通过预先建立的商品识别模型对用户所上传的目标图片进行准确商品识别，对快速找到心仪的商品是十分重要的。然而，在建立商品识别模型的过程中，需要大量与真实场景分布的训练样本图片。
相关技术中，如果获取千万级别、亿级别的训练数据，依靠人工标注需要很大的成本。因此，如何快速生成与真实场景分布一致的训练数据是目前亟需解决的问题。
发明内容
本申请提出一种商品训练图片的获取方法、装置、计算机设备和存储介质，结合商品网页上的所有商品图片，快速得到大量与真实场景分布一致的训练图片，减少了人工构建与真实场景分布一致的训练图片的麻烦，提高了获取与真实场景分布一致的训练图片的效率，进而可训练得到商品识别好的商品识别模型。
本申请一方面实施例提出了一种商品训练图片的获取方法，包括：获取电商网站中每个商品网页上的所有商品图片，并确定每个商品网页上每个商品图片的商品特征向量；针对每个商品网页，根据所述商品网页上每个商品图片的商品特征向量，对所述商品网页上的所有商品图片进行分组，得到所述商品网页的至少一个图片组，并将所述至少一个图片组中图片数量最多的图片组作为所述商品网页的目标图片组；根据每个商品网页的目标图片组中商品图片的商品特征向量，确定各个目标图片组的平均商品特征向量；根据所述平均商品特征向量，对所有商品网页的目标图片组进行分类，得到至少一类图片集合；根据所述至少一类图片集合，生成商品训练图片。
本申请实施例的商品训练图片的获取方法，在获取电商网站中每个商品网页上的所有商品图片后，结合每个商品网页上每个商品图片的商品特征向量，对对应商品网页上的所有商品图片进行分组，得到对应商品网页的至少一个图片组，并将至少一个图片组中图片数量最多的图片组作为商品网页的目标图片组，然后，结合每个商品网页的目标图片组中商品图片的商品特征向量，确定各个目标图片组的平均商品特征向量，以及根据平均商品特征向量，对所有商品网页的目标图片组进行分类，得到至少一类图片集合，并根据至少一类图片集合，生成商品训练图片。由此，提出了一种结合商品网页上的所有商品图片，构建商品训练图片的方法，从而可以快速得到大量与真实场景分布一致的训练图片，减少了人工构建与真实场景分布一致的训练图片的麻烦，提高了获取与真实场景分布一致的训练图片的效率，进而可训练得到商品识别好的商品识别模型。
本申请另一方面实施例提出了一种商品训练图片的获取装置，包括：获取模块，用于获取电商网站中每个商品网页上的所有商品图片；第一确定模块，用于确定每个商品网页上每个商品图片的商品特征向量；第一处理模块，用于针对每个商品网页，根据所述商品网页上每个商品图片的商品特征向量，对所述商品网页上的所有商品图片进行分组，得到所述商品网页的至少一个图片组，并将所述至少一个图片组中图片数量最多的图片组作为所述商品网页的目标图片组；第二确定模块，用于根据每个商品网页的目标图片组中商品图片的商品特征向量，确定各个目标图片组的平均商品特征向量；第二处理模块，用于根据所述平均商品特征向量，对所有商品网页的目标图片组进行分类，得到至少一类图片集合；训练图片生成模块，用于根据所述至少一类图片集合，生成商品训练图片。
本申请实施例的商品训练图片的获取装置，在获取电商网站中每个商品网页上的所有商品图片后，结合每个商品网页上每个商品图片的商品特征向量，对对应商品网页上的所有商品图片进行分组，得到对应商品网页的至少一个图片组，并将至少一个图片组中图片数量最多的图片组作为商品网页的目标图片组，然后，结合每个商品网页的目标图片组中商品图片的商品特征向量，确定各个目标图片组的平均商品特征向量，以及根据平均商品特征向量，对所有商品网页的目标图片组进行分类，得到至少一类图片集合，并根据至少一类图片集合，生成商品训练图片。由此，提出了一种结合商品网页上的所有商品图片，构建商品训练图片的方法，从而可以快速得到大量与真实场景分布一致的训练图片，减少了人工构建与真实场景分布一致的训练图片的麻烦，提高了获取与真实场景分布一致的训练图片的效率，进而可训练得到商品识别好的商品识别模型。
本申请另一方面实施例提出了一种计算机设备，包括处理器和存储器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上述一方面实施例所述的商品训练图片的获取方法。
本申请另一方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述一方面实施例所述的商品训练图片的获取方法。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提供的一种商品训练图片的获取方法的流程示意图；
图2为图1所示实施例中步骤102的细化流程示意图；
图3为图1所示实施例中步骤104的细化流程示意图；
图4为本申请实施例提供的一种商品训练图片的获取装置的结构示意图；
图5示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的商品训练图片的获取方法、装置、计算机设备和存储介质。
图1为本申请实施例提供的一种商品训练图片的获取方法的流程示意图。其中，需要说明的是，本申请实施例的商品训练图片的获取方法，可由本申请实施例提供的商品训练图片的获取装置执行，该装置可配置于计算机设备中，以实现根据从电商网站中商品网页中获取到的商品图片构建与真实场景分布一致的商品训练图片。
如图1所示，该商品训练图片的获取方法包括：
步骤101，获取电商网站中每个商品网页上的所有商品图片，并确定每个商品网页上每个商品图片的商品特征向量。
在本实施例中，可通过网页数据抓取程序，对电商网站中每个商品网页上的所有图片进行抓取，以获取电商网站中每个商品网页上的所有商品图片。
其中，需要说明的是，本实施例中的电商网站可以为任意电商网站，例如，电商网站可以为某宝电商网站。
可以理解的是，在实际应用中，对于一些商品网页而言，有时对应商品网页上不存在评论数据，即，对应商品网页上的所有商品图片仅包括商品主图。而有的商品网页，在商品网页上不仅存在商品主图，还在评论区域中存在用户评论商品时所使用的商品晒单图片。因此，在本实施中，商品网页上的所有商品图片可以包括商品主图，或者，商品主图可以包括商品主图和商品晒单图片。
其中，商品主图是指商品为了介绍商品而设置的商品的主要图片。
其中，商品晒单图片是指用户在评价商品时，所使用的商品图片。
在本实施例中，为了可以准确表示商品图片中的商品特征向量，确定每个商品网页上每个商品图片的商品特征向量的具体实现方式可以为：针对每个商品网页，对商品网页上的每个商品图片进行商品主体检测，以得到每个商品图片的商品主体区域。根据预设商品模型，对每个商品图片的商品主体区域进行特征提取，以得到每个商品图片的商品特征向量。
其中，商品图片的商品特征向量用于表征该商品图片的商品特征。
步骤102，针对每个商品网页，根据商品网页上每个商品图片的商品特征向量，对商品网页上的所有商品图片进行分组，得到商品网页的至少一个图片组，并将至少一个图片组中图片数量最多的图片组作为商品网页的目标图片组。
在实际应用中，经常会出现用户评价商品时，使用的商品图片与商品网页上的商品不一致的情况，即，商品网页上的图片不一定都是与商品相关的，因此，本实施例，对于每个商品网页，结合该商品网页上每个商品图片的商品特征向量，对该商品网页上的所有商品图片进行分组，并根据分组结果，确定出图片数量最多的图片组作为商品网页的目标图片组。由此，实现了对商品网页上的图片进行提纯，过滤掉了与该商品网页上商品无关的图片，为后续生成准确度高的商品训练图片奠定了基础。
在本实施例中，根据商品网页上每个商品图片的商品特征向量，对商品网页上的所有商品图片进行分组，得到商品网页的至少一个图片组的具体实现方式，如图2所示，可以包括：
步骤11，根据商品网页上每个商品图片的商品特征向量，确定两两商品特征向量之间的差异度。
其中，本实施例中，通过商品特征向量之间的差异度来表征对应商品图片之间的相似度，差异度越大相似度越小，差异度越小形似度越大。
本实施中，以两个商品特征向量之间的余弦距离表示该两个商品特征向量之间的差异度为例进行描述。
可以理解的是，两个商品特征向量之间的差异度，还可以通过两个商品特征向量之间的其他距离进行衡量，例如，欧式距离等，该实施对此不作具体限定。
步骤12，从所有商品特征向量中随机选择一个商品特征向量作为第一参考特征向量。
步骤13，获取与第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量。
具体地，针对每个商品网页，从该商品网页的商品特征向量集合中，获取与第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量。
其中，本实施例中，该商品网页的商品特征向量集合与该商品网页的目标图片组具有对应关系。
步骤14，将目标商品特征向量作为第一参考特征向量，继续执行步骤13，直至不存在与第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量为止。
步骤15，将与目标商品特征向量对应的目标商品图片分到同一个图片组中。
步骤16，如果商品网页上的所有商品图片中存在未分组的商品图片，则从未分组商品图片所对应的商品特征向量中随机选择一个第一参考特征向量，继续执行步骤13，直至不存在与第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量为止。
也就是说，本实施例中，对当前处理的商品网页，对当前处理的商品网页上的所有图片的商品特征向量两两之间计算余弦距离，并随机找一个商品特征向量作为第一参考商品特征向量，并查找与该第一参考商品特征向量距离小于预设阈值的所有商品特征向量，再对满足阈值的商品特征进行查找与该商品特征距离小于某一阈值的所有商品特征向量，依次迭代下去，找到的所有图片归为一图片组。并对剩余没有分组的图片也进行上述的查找操作，最终得到该当前处理的商品网页的若干个图片组，并从若干个图片组中，选择图片数据数量最多的图片组作为当前处理的商品网页的目标图片组。
在本实施例中，为了降低图片的存储空间，可将除了目标图片组之外的其他图片组均删除。
步骤103，根据每个商品网页的目标图片组中商品图片的商品特征向量，确定各个目标图片组的平均商品特征向量。
具体地，针对每个商品网页的目标图片组而言，可通过对对应目标图片组中所有商品图片的商品特征向量进行平均，以得到对应目标图片组的平均商品特征向量。也就是说，本实施例中的平均商品特征向量是通过对对应商品图片组中所有商品图片的商品特征向量进行平均值计算得到的。
可以理解的是，在实际应用中，电商网站中会存在有多个商品网页对相同商品进行销售的情况，因此，在本实施中，需要对商品网页之间进行合并。
步骤104，根据平均商品特征向量，对所有商品网页的目标图片组进行分类，得到至少一类图片集合。
在本实施例中，根据平均商品特征向量，对所有商品网页的目标图片组进行分类，得到至少一类图片集合的具体实现方式，如图3所示，可以包括：
步骤31，根据每个目标图片组的平均商品特征向量，确定出两两平均商品特征向量之间的差异度。
步骤32，从所有商品平均特征向量中随机选择一个商品片平均特征向量作为第二参考特征向量。
步骤33，获取与第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量。
具体地，从所有商品平均特征向量中，获取与第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量。
步骤34，将目标平均商品特征向量作为第二参考特征向量，继续执行步骤33，直至不存在与第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量为止。
步骤35，将与目标平均商品特征向量对应的目标图片组分到同一类图片集合。
步骤36，如果存在未分组的目标图片组，则从未分组目标图片组所对应的平均商品特征向量中随机选择一个第二参考特征向量，继续执行步骤33，直至不存在与第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量为止。
步骤105，根据至少一类图片集合，生成商品训练图片。
在本实施例中，在不同应用场景中，根据至少一类图片集合，生成商品训练图片的方式不同，举例说明如下：
作为一种可能的实现方式，可根据每类图片集合中的商品图片，确定每类图片集合的商品类别，然后，从每类图片集合中随机选择预设数量的商品图片，作为对应商品类别的商品训练图片。
作为另一种可能的实现方式，可将每类图片集合中所有商品图片作为一类商品训练图片；根据每类图片集合中的商品图片，确定每类图片集合所对应的商品类别；将对应图片集合所对应的商品类别作为对应商品训练图片的商品类别。
在本实施例中，在获取商品训练图片以及商品训练图片的商品类别后，可根据商品训练图片以及商品训练图片的商品类别对商品识别模型进行训练，以得到训练后的商品识别模型。
在本实施中，在获取训练后的商品识别模型后，根据训练后的商品识别模型对用户上传的待处理商品图片进行识别，以确定该待处理商品图片的商品类型，并根据商品类型为用户提供商品列表，以方便用户根据所提供的商品列表，快速获得满足自身需求的商品。
本申请实施例的商品训练图片的获取方法，在获取电商网站中每个商品网页上的所有商品图片后，结合每个商品网页上每个商品图片的商品特征向量，对对应商品网页上的所有商品图片进行分组，得到对应商品网页的至少一个图片组，并将至少一个图片组中图片数量最多的图片组作为商品网页的目标图片组，然后，结合每个商品网页的目标图片组中商品图片的商品特征向量，确定各个目标图片组的平均商品特征向量，以及根据平均商品特征向量，对所有商品网页的目标图片组进行分类，得到至少一类图片集合，并根据至少一类图片集合，生成商品训练图片。由此，提出了一种结合商品网页上的所有商品图片，构建商品训练图片的方法，从而可以快速得到大量与真实场景分布一致的训练图片，减少了人工构建与真实场景分布一致的训练图片的麻烦，提高了获取与真实场景分布一致的训练图片的效率，进而可训练得到商品识别好的商品识别模型。
为了实现上述实施例，本申请实施例还提供一种商品训练图片的获取装置。图4为本申请实施例提供的一种商品训练图片的获取装置的结构示意图。
如图4所示，该商品训练图片的获取装置包括：获取模块110、第一确定模块120、第一处理模块130、第二确定模块140、第二处理模块150和训练图片生成模块160，其中：
获取模块110，用于获取电商网站中每个商品网页上的所有商品图片。
第一确定模块120，用于确定每个商品网页上每个商品图片的商品特征向量。
第一处理模块130，用于针对每个商品网页，根据商品网页上每个商品图片的商品特征向量，对商品网页上的所有商品图片进行分组，得到商品网页的至少一个图片组，并将至少一个图片组中图片数量最多的图片组作为商品网页的目标图片组。
第二确定模块140，用于根据每个商品网页的目标图片组中商品图片的商品特征向量，确定各个目标图片组的平均商品特征向量。
第二处理模块150，用于根据平均商品特征向量，对所有商品网页的目标图片组进行分类，得到至少一类图片集合。
训练图片生成模块160，用于根据至少一类图片集合，生成商品训练图片。
在本实施例中，第一确定模块120，具体用于：针对每个商品网页，对商品网页上的每个商品图片进行商品主体检测，以得到每个商品图片的商品主体区域。根据预设商品模型，对每个商品图片的商品主体区域进行特征提取，以得到每个商品图片的商品特征向量。
在本实施例中，第一处理模块130，具体用于：根据商品网页上每个商品图片的商品特征向量，确定两两商品特征向量之间的差异度。从所有商品特征向量中随机选择一个商品特征向量作为第一参考特征向量。获取与第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量。将目标商品特征向量作为第一参考特征向量，继续执行获取与第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量的步骤，直至不存在与第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量为止。将与目标商品特征向量对应的目标商品图片分到同一个图片组中。如果商品网页上的所有商品图片中存在未分组的商品图片，则从未分组商品图片所对应的商品特征向量中随机选择一个第一参考特征向量，继续执行获取与第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量的步骤，直至不存在与第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量为止。
在本申请一个实施例中，第二处理模块150，具体用于：根据每个目标图片组的平均商品特征向量，确定出两两平均商品特征向量之间的差异度。从所有商品平均特征向量中随机选择一个商品片平均特征向量作为第二参考特征向量。获取与第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量。将目标平均商品特征向量作为第二参考特征向量，继续执行获取与第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量的步骤，直至不存在与第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量为止。将与目标平均商品特征向量对应的目标图片组分到同一类图片集合。如果存在未分组的目标图片组，则从未分组目标图片组所对应的平均商品特征向量中随机选择一个第二参考特征向量，继续执行获取与第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量的步骤，直至不存在与第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量为止。
在本申请一个实施例中，训练图片生成模块160，具体用于：根据每类图片集合中的商品图片，确定每类图片集合的商品类别。从每类图片集合中随机选择预设数量的商品图片，作为对应商品类别的商品训练图片。
在本实施例中，商品图片包括商品主图，或者，商品图片包括商品主图和商品晒单图片。
需要说明的是，上述对商品训练图片的获取方法实施例的解释说明，也适用于该实施例的商品训练图片的获取装置，故在此不再赘述。
本申请实施例的商品训练图片的获取装置，通过提取待标注图像的第一图像特征，根据第一图像特征与图像库中各参考图像的各第二图像特征间的相似度，确定图像库中与待标注图像对应的第一参考图像，根据第一参考图像的类别及待标注图像的采集位置，对待标注图像进行兴趣点标注，从而通过图像之间的相似度，确定图像库中与待标注图像对应的已知类别的参考图像，利用该参考图像的类别和待标注图像的采集位置对待标注图像的类别和位置进行自动标注，不仅提高了标注效率，而且标注了兴趣点的位置信息，提高了标注质量。
为了实现上述实施例，本申请实施例还提出一种计算机设备，包括处理器和存储器；
其中，处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于实现如上述实施例的商品训练图片的获取方法。
图5示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图5显示的计算机设备12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5所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。
为了实现上述实施例，本申请实施例还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例的商品训练图片的获取方法。
在本说明书的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (14)

1.一种商品训练图片的获取方法，其特征在于，所述方法包括：
获取电商网站中每个商品网页上的所有商品图片，并确定每个商品网页上每个商品图片的商品特征向量；
针对每个商品网页，根据所述商品网页上每个商品图片的商品特征向量，对所述商品网页上的所有商品图片进行分组，得到所述商品网页的至少一个图片组，并将所述至少一个图片组中图片数量最多的图片组作为所述商品网页的目标图片组；
根据每个商品网页的目标图片组中商品图片的商品特征向量，确定各个目标图片组的平均商品特征向量；
根据所述平均商品特征向量，对所有商品网页的目标图片组进行分类，得到至少一类图片集合；
根据所述至少一类图片集合，生成商品训练图片。
2.根据权利要求1所述的方法，其特征在于，所述确定每个商品网页上每个商品图片的商品特征向量，包括：
针对每个商品网页，对所述商品网页上的每个商品图片进行商品主体检测，以得到每个商品图片的商品主体区域；
根据预设商品模型，对每个商品图片的商品主体区域进行特征提取，以得到每个商品图片的商品特征向量。
3.根据权利要求1所述的方法，其特征在于，所述根据所述商品网页上每个商品图片的商品特征向量，对所述商品网页上的所有商品图片进行分组，得到所述商品网页的至少一个图片组，包括：
根据所述商品网页上每个商品图片的商品特征向量，确定两两商品特征向量之间的差异度；
从所有商品特征向量中随机选择一个商品特征向量作为第一参考特征向量；
获取与所述第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量；
将所述目标商品特征向量作为所述第一参考特征向量，继续执行获取与所述第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量的步骤，直至不存在与所述第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量为止；
将与所述目标商品特征向量对应的目标商品图片分到同一个图片组中；
如果所述商品网页上的所有商品图片中存在未分组的商品图片，则从未分组商品图片所对应的商品特征向量中随机选择一个第一参考特征向量，继续执行获取与所述第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量的步骤，直至不存在与所述第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量为止。
4.根据权利要求1所述的方法，其特征在于，所述根据所述平均商品特征向量，对所有商品网页的目标图片组进行分类，得到至少一类图片集合，包括：
根据每个所述目标图片组的平均商品特征向量，确定出两两平均商品特征向量之间的差异度；
从所有商品平均特征向量中随机选择一个商品片平均特征向量作为第二参考特征向量；
获取与所述第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量；
将所述目标平均商品特征向量作为所述第二参考特征向量，继续执行获取与所述第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量的步骤，直至不存在与所述第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量为止；
将与所述目标平均商品特征向量对应的目标图片组分到同一类图片集合；
如果存在未分组的目标图片组，则从未分组目标图片组所对应的平均商品特征向量中随机选择一个第二参考特征向量，继续执行获取与所述第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量的步骤，直至不存在与所述第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量为止。
5.根据权利要求1所述的方法，其特征在于，所述根据所述至少一类图片集合，生成商品训练图片，包括：
根据每类图片集合中的商品图片，确定每类图片集合的商品类别；
从每类图片集合中随机选择预设数量的商品图片，作为对应商品类别的商品训练图片。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述商品图片包括商品主图，或者，所述商品图片包括商品主图和商品晒单图片。
7.一种商品训练图片的获取装置，其特征在于，所述装置包括：
获取模块，用于获取电商网站中每个商品网页上的所有商品图片；
第一确定模块，用于确定每个商品网页上每个商品图片的商品特征向量；
第一处理模块，用于针对每个商品网页，根据所述商品网页上每个商品图片的商品特征向量，对所述商品网页上的所有商品图片进行分组，得到所述商品网页的至少一个图片组，并将所述至少一个图片组中图片数量最多的图片组作为所述商品网页的目标图片组；
第二确定模块，用于根据每个商品网页的目标图片组中商品图片的商品特征向量，确定各个目标图片组的平均商品特征向量；
第二处理模块，用于根据所述平均商品特征向量，对所有商品网页的目标图片组进行分类，得到至少一类图片集合；
训练图片生成模块，用于根据所述至少一类图片集合，生成商品训练图片。
8.根据权利要求7所述的装置，其特征在于，所述第一确定模块，具体用于：
针对每个商品网页，对所述商品网页上的每个商品图片进行商品主体检测，以得到每个商品图片的商品主体区域；
根据预设商品模型，对每个商品图片的商品主体区域进行特征提取，以得到每个商品图片的商品特征向量。
9.根据权利要求7所述的装置，其特征在于，所述第一处理模块，具体用于：
根据所述商品网页上每个商品图片的商品特征向量，确定两两商品特征向量之间的差异度；
从所有商品特征向量中随机选择一个商品特征向量作为第一参考特征向量；
获取与所述第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量；
将所述目标商品特征向量作为所述第一参考特征向量，继续执行获取与所述第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量的步骤，直至不存在与所述第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量为止；
将与所述目标商品特征向量对应的目标商品图片分到同一个图片组中；
如果所述商品网页上的所有商品图片中存在未分组的商品图片，则从未分组商品图片所对应的商品特征向量中随机选择一个第一参考特征向量，继续执行获取与所述第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量的步骤，直至不存在与所述第一参考特征向量的差异度小于第一差异度阈值的目标商品特征向量为止。
10.根据权利要求7所述的装置，其特征在于，所述第二处理模块，具体用于：
根据每个所述目标图片组的平均商品特征向量，确定出两两平均商品特征向量之间的差异度；
从所有商品平均特征向量中随机选择一个商品片平均特征向量作为第二参考特征向量；
获取与所述第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量；
将所述目标平均商品特征向量作为所述第二参考特征向量，继续执行获取与所述第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量的步骤，直至不存在与所述第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量为止；
将与所述目标平均商品特征向量对应的目标图片组分到同一类图片集合；
如果存在未分组的目标图片组，则从未分组目标图片组所对应的平均商品特征向量中随机选择一个第二参考特征向量，继续执行获取与所述第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量的步骤，直至不存在与所述第二参考特征向量的差异度小于第二差异度阈值的目标平均商品特征向量为止。
11.根据权利要求7所述的装置，其特征在于，所述训练图片生成模块，包括：
根据每类图片集合中的商品图片，确定每类图片集合的商品类别；
从每类图片集合中随机选择预设数量的商品图片，作为对应商品类别的商品训练图片。
12.根据权利要求7-11任一项所述的装置，其特征在于，所述商品图片包括商品主图，或者，所述商品图片包括商品主图和商品晒单图片。
13.一种计算机设备，其特征在于，包括处理器和存储器；
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如权利要求1-6中任一所述的商品训练图片的获取方法。
14.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的商品训练图片的获取方法。
CN201910839137.9A 2019-09-05 2019-09-05 商品训练图片的获取方法、装置、计算机设备和存储介质 Active CN110647826B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910839137.9A CN110647826B (zh) 2019-09-05 2019-09-05 商品训练图片的获取方法、装置、计算机设备和存储介质
US16/865,733 US11599743B2 (en) 2019-09-05 2020-05-04 Method and apparatus for obtaining product training images, and non-transitory computer-readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910839137.9A CN110647826B (zh) 2019-09-05 2019-09-05 商品训练图片的获取方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN110647826A true CN110647826A (zh) 2020-01-03
CN110647826B CN110647826B (zh) 2022-04-29

Family

ID=68991622

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910839137.9A Active CN110647826B (zh) 2019-09-05 2019-09-05 商品训练图片的获取方法、装置、计算机设备和存储介质

Country Status (2)

Country Link
US (1) US11599743B2 (zh)
CN (1) CN110647826B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163139A (zh) * 2020-10-14 2021-01-01 深兰科技（上海）有限公司 图像数据的处理方法和装置
CN113495836A (zh) * 2020-04-03 2021-10-12 北京搜狗科技发展有限公司 一种页面检测方法、装置和用于页面检测的装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609718A (zh) * 2012-01-15 2012-07-25 江西理工大学 一种结合不同聚类算法生成视觉字典集体的方法
EP2557782A1 (en) * 2010-04-09 2013-02-13 Cyber Ai Entertainment Inc. Server system for real-time moving image collection, recognition, classification, processing, and delivery
CN105528374A (zh) * 2014-10-21 2016-04-27 苏宁云商集团股份有限公司 一种电子商务中的商品推荐方法及其系统
CN106202362A (zh) * 2016-07-07 2016-12-07 Tcl集团股份有限公司 图像推荐方法和图像推荐装置
CN106874923A (zh) * 2015-12-14 2017-06-20 阿里巴巴集团控股有限公司 一种商品的风格分类确定方法及装置
CN107862561A (zh) * 2017-09-15 2018-03-30 广州唯品会研究院有限公司 一种基于图片属性提取建立用户兴趣库的方法及设备
CN107870975A (zh) * 2017-09-22 2018-04-03 平安科技（深圳）有限公司 网络图片的爬取方法及应用服务器
CN108536513A (zh) * 2018-03-13 2018-09-14 维沃移动通信有限公司 一种图片显示方向调整方法及移动终端
CN108984577A (zh) * 2018-02-07 2018-12-11 广州集创佳禾知识产权运营有限公司 一种基于机器识别的线上商品专利获取方法及系统
CN109214453A (zh) * 2018-08-30 2019-01-15 上海扩博智能技术有限公司 模型训练用图像的自动标注方法、系统、设备及存储介质
CN109543730A (zh) * 2018-11-09 2019-03-29 广东原昇信息科技有限公司 信息流素材创意图片的分类方法
CN109902636A (zh) * 2019-03-05 2019-06-18 上海扩博智能技术有限公司 商品识别模型训练方法、系统、设备及存储介质

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9361365B2 (en) * 2008-05-01 2016-06-07 Primal Fusion Inc. Methods and apparatus for searching of content using semantic synthesis
US9135363B2 (en) * 2009-06-09 2015-09-15 Gvoto (Hong Kong) Ltd. Methods and systems for automatic content retrieval and organization
US12076149B2 (en) * 2010-06-07 2024-09-03 Affectiva, Inc. Vehicle manipulation with convolutional image processing
US10922567B2 (en) * 2010-06-07 2021-02-16 Affectiva, Inc. Cognitive state based vehicle manipulation using near-infrared image processing
US9454607B1 (en) * 2010-12-10 2016-09-27 A9.Com, Inc. Image as database
US9171088B2 (en) * 2011-04-06 2015-10-27 Google Inc. Mining for product classification structures for internet-based product searching
US20150310100A1 (en) * 2012-01-09 2015-10-29 Google Inc. Presenting user-generated content in search results
WO2014074945A1 (en) * 2012-11-08 2014-05-15 Timothy James Price System and method of incentivized advertising
JP5931829B2 (ja) * 2013-09-30 2016-06-08 富士フイルム株式会社 合成画像作成アシスト装置、合成画像作成アシスト方法、合成画像作成アシストプログラムおよびその記録媒体
US9697232B2 (en) * 2015-03-19 2017-07-04 International Business Machines Corporation System and method for creating a preference profile from shared images
US20170364492A1 (en) * 2016-06-20 2017-12-21 Machine Learning Works, LLC Web content enrichment based on matching images to text
US11170395B2 (en) * 2016-12-02 2021-11-09 Stack Fintech Inc. Digital banking platform and architecture
US10339408B2 (en) * 2016-12-22 2019-07-02 TCL Research America Inc. Method and device for Quasi-Gibbs structure sampling by deep permutation for person identity inference
US20190034541A1 (en) * 2017-07-25 2019-01-31 Cake Technologies, Inc. Automated contextual index suppression
CN111052126B (zh) * 2017-09-04 2024-06-04 华为技术有限公司 行人属性识别与定位方法以及卷积神经网络系统
US10824401B2 (en) * 2018-04-30 2020-11-03 MphasiS Limited Method and system for automated creation of graphical user interfaces
US11328026B2 (en) * 2018-06-13 2022-05-10 The Globe and Mall Inc. Multi-source data analytics system, data manager and related methods
US10846327B2 (en) * 2018-11-02 2020-11-24 A9.Com, Inc. Visual attribute determination for content selection
US10943267B2 (en) * 2019-05-10 2021-03-09 Adobe Inc. Machine learning assisted target segment audience generation
US20210117484A1 (en) * 2019-10-21 2021-04-22 Salesforce.Com, Inc. Webpage template generation
CN111125577A (zh) * 2019-11-22 2020-05-08 百度在线网络技术（北京）有限公司 网页处理方法、装置、设备及存储介质
US11397764B2 (en) * 2020-01-28 2022-07-26 Adobe Inc. Machine learning for digital image selection across object variations

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2557782A1 (en) * 2010-04-09 2013-02-13 Cyber Ai Entertainment Inc. Server system for real-time moving image collection, recognition, classification, processing, and delivery
CN102609718A (zh) * 2012-01-15 2012-07-25 江西理工大学 一种结合不同聚类算法生成视觉字典集体的方法
CN105528374A (zh) * 2014-10-21 2016-04-27 苏宁云商集团股份有限公司 一种电子商务中的商品推荐方法及其系统
CN106874923A (zh) * 2015-12-14 2017-06-20 阿里巴巴集团控股有限公司 一种商品的风格分类确定方法及装置
CN106202362A (zh) * 2016-07-07 2016-12-07 Tcl集团股份有限公司 图像推荐方法和图像推荐装置
CN107862561A (zh) * 2017-09-15 2018-03-30 广州唯品会研究院有限公司 一种基于图片属性提取建立用户兴趣库的方法及设备
CN107870975A (zh) * 2017-09-22 2018-04-03 平安科技（深圳）有限公司 网络图片的爬取方法及应用服务器
CN108984577A (zh) * 2018-02-07 2018-12-11 广州集创佳禾知识产权运营有限公司 一种基于机器识别的线上商品专利获取方法及系统
CN108536513A (zh) * 2018-03-13 2018-09-14 维沃移动通信有限公司 一种图片显示方向调整方法及移动终端
CN109214453A (zh) * 2018-08-30 2019-01-15 上海扩博智能技术有限公司 模型训练用图像的自动标注方法、系统、设备及存储介质
CN109543730A (zh) * 2018-11-09 2019-03-29 广东原昇信息科技有限公司 信息流素材创意图片的分类方法
CN109902636A (zh) * 2019-03-05 2019-06-18 上海扩博智能技术有限公司 商品识别模型训练方法、系统、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XI WANG 等: "Matching User Photos to Online Products with Robust Deep Features", 《ICMR 2016》 *
周晔 等: "基于多尺度深度学习的商品图像检索", 《计算机研究与发展》 *
王傲然 等: "TensorFlow平台上基于MobileNet模型的商品识别", 《信息通信》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113495836A (zh) * 2020-04-03 2021-10-12 北京搜狗科技发展有限公司 一种页面检测方法、装置和用于页面检测的装置
CN112163139A (zh) * 2020-10-14 2021-01-01 深兰科技（上海）有限公司 图像数据的处理方法和装置

Also Published As

Publication number Publication date
CN110647826B (zh) 2022-04-29
US20210073580A1 (en) 2021-03-11
US11599743B2 (en) 2023-03-07

Similar Documents

Publication Publication Date Title
CN108734089B (zh) 识别图片文件中表格内容的方法、装置、设备及存储介质
CN107832662B (zh) 一种获取图片标注数据的方法和系统
CN109086811B (zh) 多标签图像分类方法、装置及电子设备
CN108460098B (zh) 信息推荐方法、装置和计算机设备
CN106327546B (zh) 人脸检测算法的测试方法和装置
CN109977826B (zh) 物体的类别识别方法和装置
CN109977824B (zh) 物品取放识别方法、装置及设备
US20230214989A1 (en) Defect detection method, electronic device and readable storage medium
CN112149663A (zh) 结合rpa和ai的图像文字的提取方法、装置及电子设备
CN111124863B (zh) 智能设备性能测试方法、装置及智能设备
CN113762455B (zh) 检测模型训练方法、单字检测方法、装置、设备及介质
CN110647826B (zh) 商品训练图片的获取方法、装置、计算机设备和存储介质
CN113012200B (zh) 一种运动物体的定位方法、装置、电子设备及存储介质
US8655016B2 (en) Example-based object retrieval for video surveillance
CN115115825B (zh) 图像中的对象检测方法、装置、计算机设备和存储介质
CN112559341A (zh) 一种画面测试方法、装置、设备及存储介质
CN117274133A (zh) 瑕疵侦测方法、电子设备及存储介质
CN114302152A (zh) 直播间的推荐方法、装置、设备及存储介质
JP2011257963A (ja) 画像処理装置、その処理方法及びプログラム
CN113298146A (zh) 一种基于特征检测的图像匹配方法、装置、设备及介质
CN109948515B (zh) 物体的类别识别方法和装置
US11080173B2 (en) Boundary search test support device and boundary search test support method
CN111738009A (zh) 实体词标签生成方法、装置、计算机设备和可读存储介质
CN109388781A (zh) 测量数据的处理方法和装置
CN114639056A (zh) 直播内容的识别方法、装置、计算机设备及存储介质

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
GR01 Patent grant
GR01 Patent grant