CN110704654A - 一种图片搜索方法和装置 - Google Patents
一种图片搜索方法和装置 Download PDFInfo
- Publication number
- CN110704654A CN110704654A CN201910921301.0A CN201910921301A CN110704654A CN 110704654 A CN110704654 A CN 110704654A CN 201910921301 A CN201910921301 A CN 201910921301A CN 110704654 A CN110704654 A CN 110704654A
- Authority
- CN
- China
- Prior art keywords
- picture
- neural network
- network model
- content description
- sentences
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 46
- 238000013135 deep learning Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Library & Information Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种图片搜索方法和装置，其中方法包括：对于存储在用户设备上的每张图片，所述用户设备利用预先训练的神经网络模型，对该图片进行内容分析，得到相应的图片内容描述语句并保存在图片信息数据库中；当所述用户设备接收到用户的图片查询命令时，根据所述图片查询命令，使用预设的匹配方式，对所述图片信息数据库进行全文检索，得到相匹配的图片。应用本申请公开的技术方案，能够有效提高图片搜索的准确性。
Description
技术领域
本申请涉及计算机应用技术领域，特别涉及一种图片搜索方法和装置。
背景技术
近年来随着机器学习算法的优化和预测准确性的长足进步，将各种机器学习技术应用到移动设备已成为一种潮流。而深度学习相对于传统的机器学习算法在多个方面都表现出很强的优势。移动设备也从软硬件多个角度开始支持深度学习模型。目前提出了一些基于深度学习实现移动设备中图片搜索的方案。
申请人在实现本发明的过程中发现，现有基于深度学习实现移动设备的图片搜索方案存在搜索准确度较低的问题。具体原因分析如下：
现有移动设备的图片搜索方案中，在提取图片信息生成标签时，通常是基于人脸识别、文字号码识别、图像分类、表情分类等深度学习技术，并结合地理位置、人名、人物关系、时间等信息，给图片打上各种标签，之后再根据标签对图片进行分类，以便查询和显示。上述打标签的方法，无法体现出图片中对象与对象之间的丰富关系和对象自身的属性。比如对于一张“人骑车爬山”的图片，利用上述打标签的方法，只能提取出“人”，“自行车”，“山”这些标签，基于这些标签是无法获知其中“人”和“自行车”以及“人”和“山”之间的关系，同样的，也无法知道“自行车”和“山”是各自是什么颜色，人穿着什么衣服等等。这样，仅基于采用上述打标签的方法生成的标签，只能获得搜索颗粒度较粗的结果，无法对用户想要搜索的图片进行准确定位，从而导致搜索准确度较低的问题。
发明内容
本申请提供了一种图片搜索方法和装置，能够有效提高图片搜索的准确度。
一种图片搜索方法，包括：
对于存储在用户设备上的图片，所述用户设备利用预先训练的神经网络模型，对该图片进行内容分析，得到相应的图片内容描述语句并保存在图片信息数据库中；
当所述用户设备接收到用户的图片查询命令时，根据所述图片查询命令，使用预设的匹配方式，对所述图片信息数据库进行全文检索，得到相匹配的图片。
较佳地，将所述图片内容描述语句保存在所述图片信息数据库中包括：
对于每张所述图片，将该图片的所有图片内容描述语句、图片标识和存储路径信息关联后保存在所述图片信息数据库中。
较佳地，所述匹配方式包括：全文匹配、近义词匹配和相似性匹配。
较佳地，所述图片查询命令中的搜索条件为自然语言，所述自然语言包括单词、短语和/或句子，以及单词、短语和/或句子的与、或和/或非的组合。
较佳地，所述神经网络模型由云端服务器训练得到；所述方法进一步包括：
在每个预设的模型更新周期，所述用户设备从所述云端服务器获取所述神经网络模型的最新版本号，判断所述最新版本号与本地的所述神经网络模型的版本号是否一致，如果不一致，则利用当前从所述云端服务器下载的最新版本的所述神经网络模型和参数，对本地的所述神经网络模型进行相应更新。
一种图片搜索装置，设于用户设备中，包括：处理器，所述处理器用于：
对于存储在用户设备上的图片，利用预先训练的神经网络模型，对该图片进行内容分析，得到相应的图片内容描述语句并保存在图片信息数据库中；
当所述用户设备接收到用户的图片查询命令时，根据所述图片查询命令，使用预设的匹配方式，对所述图片信息数据库进行全文检索，得到相匹配的图片。
较佳地，将所述图片内容描述语句保存在所述图片信息数据库中包括：
对于每张所述图片，将该图片的所有图片内容描述语句、图片标识和存储路径信息关联后保存在所述图片信息数据库中。
较佳地，所述匹配方式包括：全文匹配、近义词匹配和相似性匹配。
较佳地，所述图片查询命令中的搜索条件为自然语言，所述自然语言包括单词、短语和/或句子，以及单词、短语和/或句子的与、或和/或非的组合。
较佳地，所述神经网络模型由云端服务器训练得到；
所述处理器进一步用于：在每个预设的模型更新周期，从所述云端服务器获取所述神经网络模型的最新版本号，判断所述最新版本号与本地的所述神经网络模型的版本号是否一致，如果不一致，则利用当前从所述云端服务器下载的最新版本的所述神经网络模型和参数，对本地的所述神经网络模型进行相应更新。
本申请还公开了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如前所述的图片搜索方法的步骤。
本申请还公开了一种电子设备，包括如前所述的非易失性计算机可读存储介质、以及可访问所述非易失性计算机可读存储介质的所述处理器。
由上述技术方案可见，本申请通过利用预先训练的神经网络模型，可以对用户设备上相册中的图片内容进行语义分析，生成与图片内容相关的若干内容描述语句，并以图片内容描述语句为基础，进行反向全文检索，匹配最接近用户搜索语句的内容，如此，通过充分发掘和利用图片中的对象关系，一方面有效提高图片搜索的准确度，另一方面实现了基于图片内容的全文检索，使得用户使用自然语言即可进行图片搜索，增加了搜索的便捷性。
附图说明
图1为本发明实施例的方法流程示意图；
图2为本发明实施例的深度学习神经网络模型的网络示意图。
具体实施方式
为使本申请的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本申请作进一步详细说明。
本发明实施例的核心思想是：利用预先训练的神经网络模型，对每张图片中的丰富语义进行提取，生成关于该图片的若干图片内容描述语句并存储至图片信息数据库中，在用户进行图片查询的时候，根据用户的查询语句，对图片信息数据库中的图片内容描述语句进行全文检索，找到与查询语句相匹配的图片内容描述语句对应的图片。如此，通过基于能够充分反映图片语义的内容描述语句，进行全文检索，使得用户可以使用自然语言作为搜索条件对用户设备中的图片进行检索，并且可以有效提高检索的准确度。
图1为本发明实施例的图片搜索方法示意图，如图1所示，该图片搜索方法包括：
步骤101、对于存储在用户设备上的图片，所述用户设备利用预先训练的神经网络模型，对该图片进行内容分析，得到相应的图片内容描述语句并保存在图片信息数据库中。
本步骤中，需要利用神经网络模型，对存储在用户设备上的图片进行语义分析，生成相应的图片内容描述语句，并保存在数据库中，以便此后用户进行图片搜索时，可以基于这些携带丰富图片内容信息的图片内容描述语句，进行全文检索，以使搜索结果与用户的搜索需求更匹配，进而提高搜索的准确性和搜索效率。
另外，本步骤中考虑到：用户的照片通常都在本移动设备的本地存储，利用网络上的搜索引擎无法对本地数据进行搜索，将本地数据传于网络，又会侵犯用户隐私，这里，通过利用神经网络模型在本地对图片内容进行语义分析，提取出自然语言描述并保存，可以有效保障用户隐私。
在实际应用中，需要生成图片内容描述语句的图片可以是用户设备中的所有图片也可以是部分图片，具体可以根据实际需要设置。
较佳地，为了获得能够更准确地对图片内容进行描述的语句，所述神经网络模型可以是一个卷积神经网络(CNN)和循环神经网络(RNN)相结合的深度学习神经网络模型，如图2所示。CNN部分可以选取的算法有且不限于AlexNet、VGG Net、GoogLeNet、ResNet等。RNN部分可以选取的算法有且不限于LSTM、GRU，同时可以适用beam search、LRN、attention和ensemble等机制。
较佳地，所述神经网络模型可以借助云端强大的计算能力和数据资源，由云端服务器训练得到。
较佳地，为了尽可能地提高图片内容描述语句的准确性，用户设备可以周期性地从云端服务器获取最新版本的神经网络模型，具体采用下述方法实现：
在每个预设的模型更新周期，所述用户设备从所述云端服务器获取所述神经网络模型的最新版本号，判断所述最新版本号与本地的所述神经网络模型的版本号是否一致，如果不一致，则利用当前从所述云端服务器下载的最新版本的所述神经网络模型和参数，对本地的所述神经网络模型进行相应更新。
为了确保信息安全性，用户设备在从所述云端服务器获取神经网络模型的最新版本号时，需要先由服务器对其鉴权，只有鉴权通过后才可查询到该最新版本号。
本步骤中，利用预先训练的神经网络模型对图片进行内容分析的具体实现方法为本领域技术人员所掌握，在此不再赘述。
另外，为了便于实现，为图片生成相应图片内容描述语句的时机可以是图片存储到用户设备相册中时，当然也不限于此，例如可以在图片存储到用户设备相册中后根据用户的指令触发。
较佳地，对于一张图片，在将其图片内容描述语句保存在所述图片信息数据库中时，可以将该图片的所有图片内容描述语句、图片标识和存储路径信息关联后保存在所述图片信息数据库中，以便全文检索后可以快速定位相匹配的图片。
在实际应用中，所述图片信息数据库可以使用SQLite，，但不限于该数据库，只要支持全文检索即可。以SQLite为例，可使用SQLite3内置的全文检索扩展模块FTS3/FTS4，相比于普通表，FTS3/FTS4其实是两种虚表。当创建一个名为t的FTS虚表的时候，会发现数据库中其实创建了若干个普通表用于存储物理数据，它们被称为影子表(shadow tables)，分别命名为t_content、t_messageize、t_segdir、t_segments、t_stat等。
具体地，所述用户设备可以是智能手机、智能手表、笔记本电脑、平板电脑等，但不限于上述设备。
步骤102、当所述用户设备接收到用户的图片查询命令时，根据所述图片查询命令，使用预设的匹配方式，对所述图片信息数据库进行全文检索，得到相匹配的图片。
这里需要说明的是，由于所述图片信息数据库中保存的是基于语义分析获得的能够体现图片内容语义的图片内容描述语句，因此，可以支持使用自然语言描述的检索条件，从而可以提高全文匹配的处理效率，大大缩短了查询时间。
较佳地，为了提高检索的准确性，可以对所述匹配方式进行扩展，增加近义词匹配，相似性匹配等功能，即所述匹配方式可以包括：全文匹配、近义词匹配和相似性匹配等。
较佳地，所述图片查询命令中的搜索条件为自然语言，所述自然语言包括单词、短语和/或句子，以及单词、短语和/或句子的与、或和/或非的组合。
与上述方法实施例相对应，本申请还提供了一种图片搜索装置，设于用户设备中，包括：处理器，所述处理器用于：
对于存储在用户设备上的每张图片，利用预先训练的神经网络模型，对该图片进行内容分析，得到相应的图片内容描述语句并保存在图片信息数据库中；
当所述用户设备接收到用户的图片查询命令时，根据所述图片查询命令，使用预设的匹配方式，对所述图片信息数据库进行全文检索，得到相匹配的图片。
较佳地，将所述图片内容描述语句保存在所述图片信息数据库中包括：
对于每张图片，将该图片的所有图片内容描述语句、图片标识和存储路径信息关联后保存在所述图片信息数据库中。
较佳地，所述匹配方式包括：全文匹配、近义词匹配和相似性匹配。
较佳地，所述图片查询命令中的搜索条件为自然语言，所述自然语言包括单词、短语和/或句子，以及单词、短语和/或句子的与、或和/或非的组合。
较佳地，所述神经网络模型由云端服务器训练得到；
所述处理器进一步用于：在每个预设的模型更新周期，从所述云端服务器获取所述神经网络模型的最新版本号，判断所述最新版本号与本地的所述神经网络模型的版本号是否一致，如果不一致，则利用当前从所述云端服务器下载的最新版本的所述神经网络模型和参数，对本地的所述神经网络模型进行相应更新。
下面给出基于上述实施例实现的几个不同应用场景下的实施示例。
实施例一：手机或其他移动设备用户，新拍摄一张照片。
1)当用户新拍摄了一张照片时，图片描述生成模块会自动读取照片。
2)将照片输入给Deep-Learning网络模型，生成多条照片内容的描述语句。
3)将描述语句对应照片的ID和存储路径一并存入图片信息数据库中，供后续查询。
实施例二：手机或其他移动设备用户，查询相册中的照片。
1)当用户进入相册的查询界面，点击输入框，输入一段话，可以是单词、短语或者完整句子，或这种与、或、非组合。
2)相册app触发用户设备查询图片信息数据库，在图片信息数据库中匹配符合查询条件的图片内容描述，并返回所有符合条件的图片ID。
3)相册app根据查询结果展示所有符合查询条件的图片。
实施例三：手机或其他移动设备用户，想要更佳详细地查询复杂内容的照片时。
1)用户是一个骑行爱好者，相册中有很多他和他的自行车在一起的照片。
2)用户想要在众多的照片中查询到一张他和友人一起骑车爬山的照片。
3)用户在搜索框中输入“我和朋友一起骑车爬山”这样的语句。
4)相册app触发根据查询条件在图片信息数据库中匹配所有相似语句，可以是全文匹配、近义词匹配、相似性匹配等，并展示相应的查询结果。
实施例四：手机或其他移动设备用户，想要查询包含多个内容的照片。
1)用户是一个旅游爱好者，相册中有很多他在美景中的照片。
2)用户想要在众多的照片中查询到一张他在湖边坐在一个木筏上，后面是层叠的远山的照片。
3)用户在搜索框中输入“我+木筏+湖+山”这样的条件语句。
4)相册app触发根据查询条件在图片信息数据库中匹配所有包含这四项内容的图片描述，可以是全文匹配、近义词匹配、相似性匹配等，并展示相应的查询结果。
此外，本申请还提供了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如前所述的图片搜索方法的步骤。
此外，本申请还提供了一种电子设备，包括如上所述的非易失性计算机可读存储介质、以及可访问所述非易失性计算机可读存储介质的所述处理器。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。
Claims (12)
1.一种图片搜索方法，其特征在于，包括：
对于存储在用户设备上的图片，所述用户设备利用预先训练的神经网络模型，对该图片进行内容分析，得到相应的图片内容描述语句并保存在图片信息数据库中；
当所述用户设备接收到用户的图片查询命令时，根据所述图片查询命令，使用预设的匹配方式，对所述图片信息数据库进行全文检索，得到相匹配的图片。
2.如权利要求1所述的方法，其特征在于：将所述图片内容描述语句保存在所述图片信息数据库中包括：
对于每张所述图片，将该图片的所有图片内容描述语句、图片标识和存储路径信息关联后保存在所述图片信息数据库中。
3.如权利要求1所述的方法，其特征在于：所述匹配方式包括：全文匹配、近义词匹配和相似性匹配。
4.如权利要求1所述的方法，其特征在于：所述图片查询命令中的搜索条件为自然语言，所述自然语言包括单词、短语和/或句子，以及单词、短语和/或句子的与、或和/或非的组合。
5.如权利要求1所述的方法，其特征在于：所述神经网络模型由云端服务器训练得到；
所述方法进一步包括：
在每个预设的模型更新周期，所述用户设备从所述云端服务器获取所述神经网络模型的最新版本号，判断所述最新版本号与本地的所述神经网络模型的版本号是否一致，如果不一致，则利用当前从所述云端服务器下载的最新版本的所述神经网络模型和参数，对本地的所述神经网络模型进行相应更新。
6.一种图片搜索装置，其特征在于，设于用户设备中，包括：处理器，所述处理器用于：
对于存储在用户设备上的图片，利用预先训练的神经网络模型，对该图片进行内容分析，得到相应的图片内容描述语句并保存在图片信息数据库中；
当所述用户设备接收到用户的图片查询命令时，根据所述图片查询命令，使用预设的匹配方式，对所述图片信息数据库进行全文检索，得到相匹配的图片。
7.如权利要求6所述的装置，其特征在于：将所述图片内容描述语句保存在所述图片信息数据库中包括：
对于每张所述图片，将该图片的所有图片内容描述语句、图片标识和存储路径信息关联后保存在所述图片信息数据库中。
8.如权利要求6所述的装置，其特征在于：所述匹配方式包括：全文匹配、近义词匹配和相似性匹配。
9.如权利要求6所述的装置，其特征在于：所述图片查询命令中的搜索条件为自然语言，所述自然语言包括单词、短语和/或句子，以及单词、短语和/或句子的与、或和/或非的组合。
10.如权利要求6所述的装置，其特征在于：所述神经网络模型由云端服务器训练得到；
所述处理器进一步用于：在每个预设的模型更新周期，从所述云端服务器获取所述神经网络模型的最新版本号，判断所述最新版本号与本地的所述神经网络模型的版本号是否一致，如果不一致，则利用当前从所述云端服务器下载的最新版本的所述神经网络模型和参数，对本地的所述神经网络模型进行相应更新。
11.一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储指令，其特征在于，所述指令在由处理器执行时使得所述处理器执行如权利要求1至5中任一项所述的图片搜索方法的步骤。
12.一种电子设备，其特征在于，包括如权利要求11所述的非易失性计算机可读存储介质、以及可访问所述非易失性计算机可读存储介质的所述处理器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910921301.0A CN110704654A (zh) | 2019-09-27 | 2019-09-27 | 一种图片搜索方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910921301.0A CN110704654A (zh) | 2019-09-27 | 2019-09-27 | 一种图片搜索方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110704654A true CN110704654A (zh) | 2020-01-17 |
Family
ID=69197784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910921301.0A Pending CN110704654A (zh) | 2019-09-27 | 2019-09-27 | 一种图片搜索方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110704654A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111460177A (zh) * | 2020-03-27 | 2020-07-28 | 北京奇艺世纪科技有限公司 | 影视类表情搜索方法、装置、存储介质、计算机设备 |
| CN111966856A (zh) * | 2020-06-29 | 2020-11-20 | 北京百度网讯科技有限公司 | 图片数据处理方法、装置、电子设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108681541A (zh) * | 2018-01-17 | 2018-10-19 | 百度在线网络技术（北京）有限公司 | 图片搜索方法、装置及计算机设备 |
| CN109101565A (zh) * | 2018-07-16 | 2018-12-28 | 浪潮软件集团有限公司 | 一种基于图数据库的语义搜索实现方法 |
| CN109635135A (zh) * | 2018-11-30 | 2019-04-16 | Oppo广东移动通信有限公司 | 图像索引生成方法、装置、终端及存储介质 |
-
2019
- 2019-09-27 CN CN201910921301.0A patent/CN110704654A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108681541A (zh) * | 2018-01-17 | 2018-10-19 | 百度在线网络技术（北京）有限公司 | 图片搜索方法、装置及计算机设备 |
| CN109101565A (zh) * | 2018-07-16 | 2018-12-28 | 浪潮软件集团有限公司 | 一种基于图数据库的语义搜索实现方法 |
| CN109635135A (zh) * | 2018-11-30 | 2019-04-16 | Oppo广东移动通信有限公司 | 图像索引生成方法、装置、终端及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111460177A (zh) * | 2020-03-27 | 2020-07-28 | 北京奇艺世纪科技有限公司 | 影视类表情搜索方法、装置、存储介质、计算机设备 |
| CN111460177B (zh) * | 2020-03-27 | 2023-12-15 | 北京奇艺世纪科技有限公司 | 影视类表情搜索方法、装置、存储介质、计算机设备 |
| CN111966856A (zh) * | 2020-06-29 | 2020-11-20 | 北京百度网讯科技有限公司 | 图片数据处理方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109145153B (zh) | 意图类别的识别方法和装置 | |
| AU2018214675B2 (en) | Systems and methods for automatic semantic token tagging | |
| CN113283551B (zh) | 多模态预训练模型的训练方法、训练装置及电子设备 | |
| CN106560810B (zh) | 使用图像中找到的特定属性进行搜索 | |
| CN106560809B (zh) | 用从另一图像提取的至少一个属性修改图像的至少一个属性 | |
| US11514235B2 (en) | Information extraction from open-ended schema-less tables | |
| CN106537370B (zh) | 在存在来源和翻译错误的情况下对命名实体鲁棒标记的方法和系统 | |
| Joby | Expedient information retrieval system for web pages using the natural language modeling | |
| CN109508458B (zh) | 法律实体的识别方法及装置 | |
| US10482146B2 (en) | Systems and methods for automatic customization of content filtering | |
| CN110083729B (zh) | 一种图像搜索的方法及系统 | |
| KR20200087977A (ko) | 멀티모달 문서 요약 시스템 및 방법 | |
| CN108345612A (zh) | 一种问题处理方法和装置、一种用于问题处理的装置 | |
| CN112434533B (zh) | 实体消歧方法、装置、电子设备及计算机可读存储介质 | |
| US20200065395A1 (en) | Efficient leaf invalidation for query execution | |
| CN110704654A (zh) | 一种图片搜索方法和装置 | |
| GB2542890A (en) | Searching using specific attributes found in images | |
| CN113343108B (zh) | 推荐信息处理方法、装置、设备及存储介质 | |
| Tran et al. | V-first: A flexible interactive retrieval system for video at vbs 2022 | |
| CN113761887A (zh) | 基于文本处理的匹配方法、装置、计算机设备和存储介质 | |
| KR20200141387A (ko) | 딥러닝 알고리즘을 이용한 영상데이터 검색방법, 장치 및 프로그램 | |
| CN111223014B (zh) | 一种从大量细分教学内容在线生成细分场景教学课程的方法和系统 | |
| Hoang-Xuan et al. | V-first 2.0: video event retrieval with flexible textual-visual intermediary for VBS 2023 | |
| CN115827951A (zh) | 网页内容的优化方法、装置及设备 | |
| US11645095B2 (en) | Generating and utilizing a digital knowledge graph to provide contextual recommendations in digital content editing applications |
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 |
Application publication date: 20200117 |
|
| RJ01 | Rejection of invention patent application after publication |