CN110706312A - 一种表情包的文案确定方法、装置及电子设备 - Google Patents
一种表情包的文案确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110706312A CN110706312A CN201910892569.6A CN201910892569A CN110706312A CN 110706312 A CN110706312 A CN 110706312A CN 201910892569 A CN201910892569 A CN 201910892569A CN 110706312 A CN110706312 A CN 110706312A
- Authority
- CN
- China
- Prior art keywords
- picture
- indication
- file
- characteristic information
- feature
- 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 72
- 239000013598 vector Substances 0.000 claims description 137
- 238000013527 convolutional neural network Methods 0.000 claims description 36
- 230000009471 action Effects 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 10
- 241001465754 Metazoa Species 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000008451 emotion Effects 0.000 description 5
- 238000012015 optical character recognition Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Abstract
本发明实施例提供了一种表情包的文案确定方法、装置及电子设备,获取待配文案图片;确定待配文案图片中指示类别对象的特征信息;其中,指示类别对象包括表示待配文案图片中所包含内容的对象;计算待配文案图片中指示类别对象的特征信息分别与各个模板表情包中指示类别对象的特征信息的相似度;选取目标特征信息,目标特征信息为与待配文案图片中指示类别对象的特征信息中相似度最高的特征信息;获取目标特征信息对应的模板表情包中的文字,并将文字作为待配文案图片的文案。通过本发明实施例提供的表情包的文案确定方法、装置及电子设备,能够提高确定表情包对应的文案的效率。
Description
技术领域
本发明涉及计算机应用技术领域,特别是涉及一种表情包的文案确定方法、装置及电子设备。
背景技术
表情包作为人类社交过程中传达情感、信息的重要媒介,已经广泛用于各类社交工具、论坛等社群。表情包是通过图片和文字配合进行表达的一种方式,如图1(a)和图1(b)所示。
现有生成表情包的过程中,基于已有的图片,人工确定添加至图片的文字,并将该文字添加至该图片,以达到传递信息,表达喜、怒、哀、乐的情绪等效果。其中,添加文字后的图片可以称之为表情包,添加的文字为分配给图片的文案,也可以理解为生成的表情包对应的文案。
现有生成表情包的过程中,通过人工确定添加至图片的文字,也即人工确定表情包对应的文案,使得确定表情包对应的文案的效率较低。
发明内容
本发明实施例的目的在于提供一种表情包的文案确定方法、装置及电子设备,以提高确定表情包对应的文案的效率。具体技术方案如下:
第一方面,本发明实施例提供了一种表情包的文案确定方法,包括:
获取待配文案图片;
确定所述待配文案图片中指示类别对象的特征信息;其中,所述指示类别对象包括表示所述待配文案图片中所包含内容的对象;
计算所述待配文案图片中指示类别对象的特征信息分别与各个模板表情包中指示类别对象的特征信息的相似度;
选取目标特征信息,所述目标特征信息为与所述待配文案图片中指示类别对象的特征信息中相似度最高的特征信息;
获取所述目标特征信息对应的模板表情包中的文字,并将所述文字作为所述待配文案图片的文案。
可选的,所述确定所述待配文案图片中指示类别对象的特征信息,包括:
确定所述待配文案图片中指示类别对象对应的第一特征向量,所述第一特征向量用于表示所述待配文案图片中指示类别对象的特征信息;
所述计算所述待配文案图片中指示类别对象的特征信息分别与各个模板表情包中指示类别对象的特征信息的相似度,包括:
计算所述第一特征向量分别与各个模板表情包中指示类别对象对应的第二特征向量的距离,其中,针对各个模板表情包,所述第二特征向量用于表示该模板表情包中指示类别对象的特征信息;
所述选取目标特征信息,包括:
选取与所述第一特征向量距离最小的第二特征向量,并将与所述第一特征向量距离最小的第二特征向量表示的特征信息作为所述目标特征信息。
可选的,所述确定所述待配文案图片中指示类别对象对应的第一特征向量,包括:
将所述待配文案图片输入预先训练的卷积神经网络,通过所述卷积神经网络输出所述待配文案图片中指示类别对象对应的第一特征向量;其中,所述卷积神经网络是根据多个样本图像以及各个样本图像中指示类别对象对应的特征向量训练得到的。
可选的,所述指示类别对象包括动物类对象或人物类对象;
所述确定所述待配文案图片中指示类别对象的特征信息,包括:
确定所述待配文案图片中所述指示类别对象的动作信息和/或表情信息。
可选的,在所述获取所述目标特征信息对应的模板表情包中的文字,并将所述文字作为所述待配文案图片的文案之后,所述方法还包括:
将所述文案添加至所述待配文案图片,得到所述待配文案图片和所述文案组成的表情包。
第二方面,本发明实施例提供了一种表情包的文案确定装置,包括:
第一获取模块,用于获取待配文案图片;
确定模块,用于确定所述待配文案图片中指示类别对象的特征信息;其中,所述指示类别对象包括表示所述待配文案图片中所包含内容的对象;
计算模块,用于计算所述待配文案图片中指示类别对象的特征信息分别与各个模板表情包中指示类别对象的特征信息的相似度;
选取模块,用于选取目标特征信息,所述目标特征信息为与所述待配文案图片中指示类别对象的特征信息中相似度最高的特征信息;
第二获取模块,用于获取所述目标特征信息对应的模板表情包中的文字,并将所述文字作为所述待配文案图片的文案。
可选的,所述确定模块,具体用于确定所述待配文案图片中指示类别对象对应的第一特征向量,所述第一特征向量用于表示所述待配文案图片中指示类别对象的特征信息;
所述计算模块,具体用于计算所述第一特征向量分别与各个模板表情包中指示类别对象对应的第二特征向量的距离,其中,针对各个模板表情包,所述第二特征向量用于表示该模板表情包中指示类别对象的特征信息;
所述选取模块,具体用于选取与所述第一特征向量距离最小的第二特征向量,并将与所述第一特征向量距离最小的第二特征向量表示的特征信息作为所述目标特征信息。
可选的,所述确定模块,具体用于将所述待配文案图片输入预先训练的卷积神经网络,通过所述卷积神经网络输出所述待配文案图片中指示类别对象对应的第一特征向量;其中,所述卷积神经网络是根据多个样本图像以及各个样本图像中指示类别对象对应的特征向量训练得到的。
可选的,所述指示类别对象包括动物类对象或人物类对象;
所述确定模块,具体用于确定所述待配文案图片中所述指示类别对象的动作信息和/或表情信息。
可选的,所述装置还包括:
添加模块,用于在所述获取所述目标特征信息对应的模板表情包中的文字,并将所述文字作为所述待配文案图片的文案之后,将所述文案添加至所述待配文案图片,得到所述待配文案图片和所述文案组成的表情包。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,所述处理器,所述通信接口,所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现第一方面所述的方法步骤。
在本发明实施的又一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行第一方面所述的方法步骤。
在本发明实施的又一方面,本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行第一方面所述的方法步骤。
本发明实施例提供的表情包的文案确定方法、装置及电子设备,可以获取待配文案图片;确定待配文案图片中指示类别对象的特征信息;计算待配文案图片中指示类别对象的特征信息分别与各个模板表情包中指示类别对象的特征信息的相似度;选取目标特征信息,目标特征信息为与待配文案图片中指示类别对象的特征信息中相似度最高的特征信息;获取目标特征信息对应的模板表情包中的文字,并将文字作为待配文案图片的文案。本发明实施例中,确定待配文案图片中指示类别对象的特征信息,选取目标特征信息对应的模板表情包,即选取与待配文案图片中指示类别对象的特征信息中相似度最高的特征信息对应的模板表情包,并将目标特征信息对应的模板表情包中的文字作为待配文案图片的文案。如此,能够实现自动化确定表情包对应的文案,提高确定表情包对应的文案的效率。当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明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。
图1(a)为表情包的一种示意图;
图1(b)为表情包的另一种示意图;
图2为本发明实施例提供的表情包的文案确定方法的一种流程图;
图3(a)为本发明实施例提供的表情包的文案确定方法的另一种流程图;
图3(b)为本发明实施例中训练卷积神经网络的流程图;
图4(a)为本发明实施例提供的待配文案图片的示意图;
图4(b)为本发明实施例中目标特征信息对应的模板表情包的示意图;
图5为本发明实施例提供的表情包的文案确定装置的一种结构示意图;
图6为本发明实施例提供的表情包的文案确定装置的另一种结构示意图;
图7为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
本发明实施例提供了一种表情包的文案确定方法,如图2所示,可以包括:
S201,获取待配文案图片;
S202,确定待配文案图片中指示类别对象的特征信息;其中,指示类别对象包括表示待配文案图片中所包含内容的对象;
S203,计算待配文案图片中指示类别对象的特征信息分别与各个模板表情包中指示类别对象的特征信息的相似度;
S204,选取目标特征信息,目标特征信息为与待配文案图片中指示类别对象的特征信息中相似度最高的特征信息;
S205,获取目标特征信息对应的模板表情包中的文字,并将文字作为待配文案图片的文案。
本发明实施例中,确定待配文案图片中指示类别对象的特征信息,选取目标特征信息对应的模板表情包,即选取与待配文案图片中指示类别对象的特征信息中相似度最高的特征信息对应的模板表情包,并将目标特征信息对应的模板表情包中的文字作为待配文案图片的文案。如此,能够实现自动化确定表情包对应的文案,提高确定表情包对应的文案的效率。
参照图2,对本发明实施例提供的表情包的文案确定方法进行详细说明。本发明实施例提供的表情包的文案确定方法可以应用于电子设备,具体地,电子设备可以包括处理器或移动终端等等。
S201,获取待配文案图片。
待配文案图片可以理解为待分配文案的图片,该待配文案图片添加分配的文案后即可组成表情包。
待分配文案图片可以是任何形式的图片。本发明实施例不对待配文案图片的格式、获取形式等作限制。
S202,确定待配文案图片中指示类别对象的特征信息。
指示类别对象可以包括表示图片中所包含内容的对象。则待配文案图片中指示类别对象包括表示待配文案图片中所包含内容的对象。
一种可实现方式中,指示类别对象可以包括动物类对象或人物类对象等。如,待配文案图片中包括猫、狗等,可以理解为该待配文案图片中指示类别对象为动物类对象,猫、狗即为该待配文案图片中的指示类别对象。待配文案图片中包括人脸等,可以理解为该待配文案图片中指示类别对象为人物类对象,人脸即为该待配文案图片中的指示类别对象。
一种可实现方式中确定待配文案图片中指示类别对象的特征信息,可以包括:
确定待配文案图片中指示类别对象的动作信息和/或表情信息。
指示类别对象的动作信息可以是表示待配文案图片中指示类别对象的动作的信息。如表示指示类别对象的嘴巴张开、跑、跳等动作的信息。
指示类别对象的表情信息可以是表示待配文案图片中指示类别对象的表情的信息。如表示指示类别对象的喜、怒、哀、乐等表情的信息。
一种可实现方式,可以通过图像识别算法确定待配文案图片中指示类别对象的特征信息。具体地,可以识别待配文案图片中包括的指示类别对象,通过特征提取,提取指示类别对象的特征信息。
另一种可实现方式中,可以通过深度学习算法确定待配文案图片中指示类别对象的特征信息。具体地,可以预先训练用于确定待配文案图片中指示类别对象的特征信息的卷积神经网络,将待配文案图片输入该训练好的卷积神经网络,即可得到待配文案图片中指示类别对象的特征信息。
S203,计算待配文案图片中指示类别对象的特征信息分别与各个模板表情包中指示类别对象的特征信息的相似度。
具体地,特征信息可以通过特征向量表示。如动作信息可以通过动作特征向量来表示,表情信息可以通过表情特征向量来表示。
计算待配文案图片中指示类别对象的特征信息分别与各个模板表情包中指示类别对象的特征信息的相似度,可以理解为计算表示待配文案图片中指示类别对象的特征信息的特征向量分别与表示各个模板表情包中指示类别对象的特征信息特征向量的相似度。
计算特征向量之间的相似度可以通过计算特征向量之间的距离来实现。具体地,可以通过计算特征向量之间的欧式距离、余弦距离等表示特征向量之间的相似度。
具体地,计算待配文案图片中指示类别对象的特征信息分别与各个模板表情包中指示类别对象的特征信息的相似度,可以包括:计算待配文案图片中指示类别对象对应的特征向量分别与各个模板表情包中指示类别对象对应的特征向量的距离,如欧式距离或余弦距离。
本发明实施例一种可选的实施例中,各个模板表情包是包括多个表情包的预设表情包库中的表情包。
具体地,可以预先获取多个表情包,将多个表情包构建成预设表情包库。预设表情包库中可以包括多种类型的多个表情包,具体地可以包括上万个表情包,如10000个、20000个或者更多。
本发明实施例可以预先建立包括多个模板表情包的表情包库,从多个模板表情包的文案中为待配文案图片选取文案,能够提高文案的多样性、丰富性。
S204,选取目标特征信息,目标特征信息为与待配文案图片中指示类别对象的特征信息中相似度最高的特征信息。
一种可实现方式中,通过计算待配文案图片中指示类别对象对应的特征向量分别与各个模板表情包中指示类别对象对应的特征向量的距离,来完成计算待配文案图片中指示类别对象的特征信息分别与各个模板表情包中指示类别对象的特征信息的相似度。
通过特征特征向量之间的距离表示特征向量之间的相似度。两个特征向量之间的距离越小,则表示特征向量之间的相似度越高。可以从各个模板表情包中指示类别对象对应的特征向量中,选择与待配文案图片中指示类别对象对应的特征向量之间的距离最小的特征向量,该与待配文案图片中指示类别对象对应的特征向量之间的距离最小的特征向量表示的特征信息即可以理解为目标特征信息。
一种可实现方式中,当从各个模板表情包中指示类别对象的特征信息中,确定出的与待配文案图片中指示类别对象的特征信息中相似度最高的特征信息包括多个时,可以从与待配文案图片中指示类别对象的特征信息中相似度最高的多个特征信息中,随机选取一个作为该目标特征信息。
S205,获取目标特征信息对应的模板表情包中的文字,并将文字作为待配文案图片的文案。
一种可选的实施例中,可以预先识别目标特征信息对应的模板表情包中的文字,并将目标特征信息对应的模板表情包,与该目标特征信息对应的模板表情包中的文字对应保存。如此,在确定目标特征信息对应的模板表情包后,可以直接获取该目标特征信息对应的模板表情包对应的文字。一种可实现方式中,可以在首次确定该目标特征信息对应的模板表情包后,识别该模板表情包的文字,并将该模板表情包与该模板表情包中的文字对应保存,在后续再次确定该模板表情包后,可以直接获取该模板表情包中的文字。
一种可实现方式中,可以通过光学字符识别(Optical Character Recognition,OCR)算法,识别目标特征信息对应的模板表情包中的文字。
如确定出的目标特征信息对应的模板表情包如图1(a)所示,则可以通过OCR算法,识别目标特征信息对应的模板表情包中的文字,如“你看有人理你吗”,并将识别出的该文字作为待分配给待配文案图片的文案。
通过OCR算法识别主要包括文字检测和文字识别过程。本发明实施例中,可以通过文字检测定位文字在目标特征信息对应的模板表情包中的区域,然后提取区域的序列特征,基于该序列特征识别目标特征信息对应的模板表情包中的文字。
具体地,可以通过自然场景文本检测算法(EAST)、场景文本检测算法(DetectingText in Natural Image with Connectionist Text Proposal Network,CTPN)或SegLink,也即Segment检测-Link检测等算法识别目标特征信息对应的模板表情包中的文字。通过EAST、CTPN或SegLink等算法识别图片中的文字是相关领域比较成熟的技术,这里不再赘述。
本发明实施例中,确定待配文案图片中指示类别对象的特征信息,选取目标特征信息对应的模板表情包,即选取与待配文案图片中指示类别对象的特征信息中相似度最高的特征信息对应的模板表情包,并将目标特征信息对应的模板表情包中的文字作为待配文案图片的文案。如此,能够实现自动化确定表情包对应的文案,提高确定表情包对应的文案的效率。在确定表情包对应的文案的过程中无需人工干预,实现高效率地确定表情包对应的文案,进而实现表情包生成过程的高效率特点。
且本发明实施例中,避免人工确定文案过程中,因个人知识面等的限制而导致的文案的局限性、单一性,也即缺乏多样性等问题,如人工确定的文案一般局限于几十句常用语,使得生成的表情包过于单一,缺乏多样性,本发明实施例中从多个模板表情包的文案中为待配文案图片选取文案,可以实现表情包对应的文案的多样性、丰富性。可以在节省人工的同时,提升用户体验。
一种可选的实施例中,如图3(a)所示,在步骤S205:获取目标特征信息对应的模板表情包中的文字,并将文字作为待配文案图片的文案之后,还可以包括:
S206:将文案添加至待配文案图片,得到待配文案图片和文案组成的表情包。
具体地,选取目标特征信息,即选取与待配文案图片中指示类别对象的特征信息中相似度最高的特征信息;获取目标特征信息对应的模板表情包中的文字,并将获取到的目标特征信息对应的模板表情包中的文字添加至待配文案图片,得到目标特征信息对应的模板表情包中的文字和待配文案图片组成的表情包。
待配文案图片可以为包括动物,如宠物的图片,将文案添加至该待配文案图片后,即可得到表情包,该表情包也可以理解为宠物表情包。
一种可选的实现方式中,可以识别待分配文案图片中的空白区域,将确定的文案添加至待分配文案图片中的空白区域得到表情包。如此使得,文案不会遮挡待配文案图片中的内容。
一种可选的实施例中,步骤S202:确定待配文案图片中指示类别对象的特征信息,可以包括:
确定待配文案图片中指示类别对象对应的第一特征向量。
第一特征向量用于表示待配文案图片中指示类别对象的特征信息。
具体地,可以将待配文案图片输入预先训练的卷积神经网络,通过卷积神经网络输出待配文案图片中指示类别对象对应的第一特征向量。
其中,卷积神经网络是根据多个样本图像以及各个样本图像中指示类别对象对应的特征向量训练得到的。
一种可实现方式中,卷积神经网络可以是基于图像分类模型InceptionV3的网络。
具体地,训练该卷积神经网络的过程如图3(b)所示,可以包括:
S11,获取多个样本图像。
为了保证卷积神经网络的准确性等,可以获取大量的样本图像,如1000个、2000个、5000个、10000个等样本图像。
S12,标记出各个样本图像中指示类别对象对应的特征向量。
一种可实现方式中,可以通过人工标记的方式标记各个样本图像中指示类别对象对应的特征向量。
另一种可实现方式中,可以通过图像识别算法确定样本图像中指示类别对象分别对应的特征向量。具体地,可以识别样本图像中包括的指示类别对象,通过特征提取,提取指示类别对象对应的特征向量。
S13,将各个样本图像,以及各个样本图像中指示类别对象分别对应的特征向量输入预设卷积神经网络,对该预设卷积神经网络进行训练,得到训练好的卷积神经网络。
训练好的卷积神经网络可以用于确定图像中指示类别对象对应的特征向量。
在上述实施例通过确定待配文案图片中指示类别对象对应的第一特征向量,来完成确定待配文案图片中指示类别对象的特征信息的基础上,本发明一种可选的实施例中,上述步骤S203:计算待配文案图片中指示类别对象的特征信息分别与各个模板表情包中指示类别对象的特征信息的相似度,可以通过以下方式来实现,具体方式如下:
计算第一特征向量分别与各个模板表情包中指示类别对象对应的第二特征向量的距离。其中,针对各个模板表情包,第二特征向量用于表示该模板表情包中指示类别对象的特征信息。
具体地,可以计算第一特征向量分别与各个模板表情包中指示类别对象对应的第二特征向量的欧式距离或余弦距离,等等。
本实施例一种可实现方式中,可以预先确定各个模板表情包中指示类别对象对应的第二特征向量,并针对各个模板表情包,将该模板表情包与该模板表情包中指示类别对象对应的第二特征向量对应保存。如此,在需确定各个模板表情包中指示类别对象对应的第二特征向量时,可以直接获取预先保存的各个模板表情包中指示类别对象对应的第二特征向量。
具体地,可以将模板表情包输入预先训练的卷积神经网络,通过卷积神经网络输出模板表情包中指示类别对象对应的第二特征向量。其中,卷积神经网络是根据多个样本图像以及各个样本图像中指示类别对象对应的特征向量训练得到的。
本实施例另一种可实现方式中,也可以实时地确定各个模板表情包中指示类别对象对应的第二特征向量。即在需确定各个模板表情包中指示类别对象对应的第二特征向量时,将模板表情包输入预先训练的卷积神经网络,通过卷积神经网络输出模板表情包中指示类别对象对应的第二特征向量。
具体地,用于确定模板表情包中指示类别对象对应的第二特征向量与上述确定待配文案图片中指示类别对象对应的第一特征向量可以使用同一卷积神经网络。
一种可选的实施例中,当通过计算第一特征向量分别与各个模板表情包中指示类别对象对应的第二特征向量的距离,来完成计算待配文案图片中指示类别对象的特征信息分别与各个模板表情包中指示类别对象的特征信息的相似度时,上述步骤S204:选取目标特征信息可以通过以下方式来实现,具体方式如下:
选取与第一特征向量距离最小的第二特征向量,并将与第一特征向量距离最小的第二特征向量表示的特征信息作为目标特征信息。
与第一特征向量距离最小的第二特征向量,也可以理解为与该第一特征向量相似度最高的第二特征向量,该第二特征向量表示的特征信息即可以作为目标特征信息。
本发明实施例一个具体实施例中。待配文案图片如图4(a)所示。预设表情包库中包括多个表情包,即模板表情包。
通过预先训练的卷积神经网络,确定包括多个表情包的预设表情包库中各个模板表情包中指示类别对象对应的动作特征向量。如计算得到各个模板表情包中指示类别对象对应的动作特征向量可以包括:Vaction_1、Vaction_2、…、Vaction_n。可以预先确定各个模板表情包中指示类别对象对应的动作特征向量,或者也可以在获取到待配文案图片后确定各个模板表情包中指示类别对象对应的动作特征向量。
通过预先训练的卷积神经网络,得到待配文案图片中指示类别对象的动作特征向量,如Vaction_proposal。
本发明实施例中,待配文案图片中指示类别对象对应的动作特征向量Vaction_proposal,以及各个模板表情包中指示类别对象对应的动作特征向量是相同长度的二值特征向量。动作特征向量每个位置对应一个动作,动作特征向量对应位置的元素值表示指示类别对象有该位置对应的动作或者没有改位置对应的动作。如动作特征向量可以包括二值向量,如(1,0,0,1,0),其中,第一个元素值1可以表示该动作特征向量对应的指示类别对象有第一个位置对应的动作,第二个元素值0可以表示该动作特征向量对应的指示类别对象没有第二个位置对应的动作。
计算待配文案图片中指示类别对象对应的动作特征向量Vaction_proposal分别与各个模板表情包中指示类别对象对应的动作特征向量如Vaction_1、Vaction_2、…、Vaction_n的相似度,具体地,可以计算Vaction_proposal分别与Vaction_1、Vaction_2、…、Vaction_n的欧氏距离。其中,(x1,y1)和(x2,y2)分别表示两个动作特征向量,计算两个动作特征向量之间的欧氏距离distance可以通过以下公式计算:
举例来讲:包括两个模板表情包,两个模板表情包分别对应的动作特征向量为Vaction_1=(1,0,0,1,0),Vaction_2=(1,0,0,0,0)。待配文案图片中指示类别对象对应的动作特征向量Vaction_proposal=(0,0,0,1,0)。
根据上述计算欧氏距离的公式,可以计算得到Vaction_1与Vaction_proposal的欧氏距离为:同理,计算得到Vaction_2与Vaction_proposal的欧氏距离为:相比较而言,Vaction_1与Vaction_proposal的欧氏距离较小,则可以将Vaction_1作为目标特征信息,也可以称之为Vaction_target,若Vaction_1对应的模板表情包为Target_Img,如图4(b)所示,也即Vaction_target对应的模板表情包为Target_Img。通过OCR识别Target_Img中的文字,如“谁在呼唤本可爱”,也可以将Target_Img中的文字理解为候选文案,并将Target_Img中的文字,即候选文案作为待分配给待配文案图片的文案。可以将Target_Img中的文字添加至待配文案图片,如图4(a)中,得到Target_Img中的文字即“谁在呼唤本可爱”和待配文案图片组成的表情包。
本发明实施例中,在确定表情包对应的文案的过程中无需人工干预,实现自动化地确定表情包对应的文案,能够提高确定表情包对应的文案的效率。且相比较于通过人工思考确定待配文案图片对应的文案的局限性,本发明实施例可以预先建立包括多个模板表情包的表情包库,从多个模板表情包的文案中为待配文案图片选取文案,能够提高文案的多样性、丰富性。
对应于上述实施例提供的表情包的文案确定方法,本发明实施例提供了一种表情包的文案确定装置,如图5所示,可以包括:
第一获取模块501,用于获取待配文案图片;
确定模块502,用于确定待配文案图片中指示类别对象的特征信息;其中,指示类别对象包括表示待配文案图片中所包含内容的对象;
计算模块503,用于计算待配文案图片中指示类别对象的特征信息分别与各个模板表情包中指示类别对象的特征信息的相似度;
选取模块504,用于选取目标特征信息,目标特征信息为与待配文案图片中指示类别对象的特征信息中相似度最高的特征信息;
第二获取模块505,用于获取目标特征信息对应的模板表情包中的文字,并将文字作为待配文案图片的文案。
本发明实施例中,确定待配文案图片中指示类别对象的特征信息,选取目标特征信息对应的模板表情包,即选取与待配文案图片中指示类别对象的特征信息中相似度最高的特征信息对应的模板表情包,并将目标特征信息对应的模板表情包中的文字作为待配文案图片的文案。如此,能够实现自动化确定表情包对应的文案,提高确定表情包对应的文案的效率。
可选的,确定模块502,具体用于确定待配文案图片中指示类别对象对应的第一特征向量,第一特征向量用于表示待配文案图片中指示类别对象的特征信息;
计算模块503,具体用于计算第一特征向量分别与各个模板表情包中指示类别对象对应的第二特征向量的距离,其中,针对各个模板表情包,第二特征向量用于表示该模板表情包中指示类别对象的特征信息;
选取模块504,具体用于选取与第一特征向量距离最小的第二特征向量,并将与第一特征向量距离最小的第二特征向量表示的特征信息作为目标特征信息。
可选的,确定模块502,具体用于将待配文案图片输入预先训练的卷积神经网络,通过卷积神经网络输出待配文案图片中指示类别对象对应的第一特征向量;其中,卷积神经网络是根据多个样本图像以及各个样本图像中指示类别对象对应的特征向量训练得到的。
可选的,指示类别对象包括动物类对象或人物类对象;
确定模块502,具体用于确定待配文案图片中指示类别对象的动作信息和/或表情信息。
可选的,如图6所示,该装置还包括:
添加模块506,用于在获取目标特征信息对应的模板表情包中的文字,并将文字作为待配文案图片的文案之后,将文案添加至待配文案图片,得到待配文案图片和文案组成的表情包。
本发明实施例提供的表情包的文案确定装置是应用上述表情包的文案确定方法的装置,则上述表情包的文案确定方法的所有实施例均适用于该装置,且均能达到相同或相似的有益效果。
对应于上述实施例提供的表情包的文案确定方法,本发明实施例还提供了一种电子设备,如图7所示,包括处理器701、通信接口702、存储器703和通信总线704,其中,处理器701,通信接口702,存储器703通过通信总线704完成相互间的通信。
存储器703,用于存放计算机程序;
处理器701,用于执行存储器703上所存放的程序时,实现上述实施例中表情包的文案确定方法的方法步骤。
本发明实施例中,确定待配文案图片中指示类别对象的特征信息,选取目标特征信息对应的模板表情包,即选取与待配文案图片中指示类别对象的特征信息中相似度最高的特征信息对应的模板表情包,并将目标特征信息对应的模板表情包中的文字作为待配文案图片的文案。如此,能够实现自动化确定表情包对应的文案,提高确定表情包对应的文案的效率。在确定表情包对应的文案的过程中无需人工干预,实现高效率地确定表情包对应的文案,进而实现表情包生成过程的高效率特点。且本发明实施例中,避免人工确定文案过程中,因个人知识面等的限制而导致的文案的局限性、单一性,也即缺乏多样性等问题,可以实现表情包对应的文案的多样性、丰富性。可以在节省人工的同时,提升用户体验。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中表情包的文案确定方法的方法步骤。
本发明实施例中,确定待配文案图片中指示类别对象的特征信息,选取目标特征信息对应的模板表情包,即选取与待配文案图片中指示类别对象的特征信息中相似度最高的特征信息对应的模板表情包,并将目标特征信息对应的模板表情包中的文字作为待配文案图片的文案。如此,能够实现自动化确定表情包对应的文案,提高确定表情包对应的文案的效率。在确定表情包对应的文案的过程中无需人工干预,实现高效率地确定表情包对应的文案,进而实现表情包生成过程的高效率特点。且本发明实施例中,避免人工确定文案过程中,因个人知识面等的限制而导致的文案的局限性、单一性,也即缺乏多样性等问题,可以实现表情包对应的文案的多样性、丰富性。可以在节省人工的同时,提升用户体验。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中表情包的文案确定方法的方法步骤。
本发明实施例中,确定待配文案图片中指示类别对象的特征信息,选取目标特征信息对应的模板表情包,即选取与待配文案图片中指示类别对象的特征信息中相似度最高的特征信息对应的模板表情包,并将目标特征信息对应的模板表情包中的文字作为待配文案图片的文案。如此,能够实现自动化确定表情包对应的文案,提高确定表情包对应的文案的效率。在确定表情包对应的文案的过程中无需人工干预,实现高效率地确定表情包对应的文案,进而实现表情包生成过程的高效率特点。且本发明实施例中,避免人工确定文案过程中,因个人知识面等的限制而导致的文案的局限性、单一性,也即缺乏多样性等问题,可以实现表情包对应的文案的多样性、丰富性。可以在节省人工的同时,提升用户体验。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质及计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (11)
1.一种表情包的文案确定方法,其特征在于,包括:
获取待配文案图片;
确定所述待配文案图片中指示类别对象的特征信息;其中,所述指示类别对象包括表示所述待配文案图片中所包含内容的对象;
计算所述待配文案图片中指示类别对象的特征信息分别与各个模板表情包中指示类别对象的特征信息的相似度;
选取目标特征信息,所述目标特征信息为与所述待配文案图片中指示类别对象的特征信息中相似度最高的特征信息;
获取所述目标特征信息对应的模板表情包中的文字,并将所述文字作为所述待配文案图片的文案。
2.根据权利要求1所述的方法,其特征在于,所述确定所述待配文案图片中指示类别对象的特征信息,包括:
确定所述待配文案图片中指示类别对象对应的第一特征向量,所述第一特征向量用于表示所述待配文案图片中指示类别对象的特征信息;
所述计算所述待配文案图片中指示类别对象的特征信息分别与各个模板表情包中指示类别对象的特征信息的相似度,包括:
计算所述第一特征向量分别与各个模板表情包中指示类别对象对应的第二特征向量的距离,其中,针对各个模板表情包,所述第二特征向量用于表示该模板表情包中指示类别对象的特征信息;
所述选取目标特征信息,包括:
选取与所述第一特征向量距离最小的第二特征向量,并将与所述第一特征向量距离最小的第二特征向量表示的特征信息作为所述目标特征信息。
3.根据权利要求2所述的方法,其特征在于,所述确定所述待配文案图片中指示类别对象对应的第一特征向量,包括:
将所述待配文案图片输入预先训练的卷积神经网络,通过所述卷积神经网络输出所述待配文案图片中指示类别对象对应的第一特征向量;其中,所述卷积神经网络是根据多个样本图像以及各个样本图像中指示类别对象对应的特征向量训练得到的。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述指示类别对象包括动物类对象或人物类对象;
所述确定所述待配文案图片中指示类别对象的特征信息,包括:
确定所述待配文案图片中所述指示类别对象的动作信息和/或表情信息。
5.根据权利要求1至3任一项所述的方法,其特征在于,在所述获取所述目标特征信息对应的模板表情包中的文字,并将所述文字作为所述待配文案图片的文案之后,所述方法还包括:
将所述文案添加至所述待配文案图片,得到所述待配文案图片和所述文案组成的表情包。
6.一种表情包的文案确定装置,其特征在于,包括:
第一获取模块,用于获取待配文案图片;
确定模块,用于确定所述待配文案图片中指示类别对象的特征信息;其中,所述指示类别对象包括表示所述待配文案图片中所包含内容的对象;
计算模块,用于计算所述待配文案图片中指示类别对象的特征信息分别与各个模板表情包中指示类别对象的特征信息的相似度;
选取模块,用于选取目标特征信息,所述目标特征信息为与所述待配文案图片中指示类别对象的特征信息中相似度最高的特征信息;
第二获取模块,用于获取所述目标特征信息对应的模板表情包中的文字,并将所述文字作为所述待配文案图片的文案。
7.根据权利要求6所述的装置,其特征在于,所述确定模块,具体用于确定所述待配文案图片中指示类别对象对应的第一特征向量,所述第一特征向量用于表示所述待配文案图片中指示类别对象的特征信息;
所述计算模块,具体用于计算所述第一特征向量分别与各个模板表情包中指示类别对象对应的第二特征向量的距离,其中,针对各个模板表情包,所述第二特征向量用于表示该模板表情包中指示类别对象的特征信息;
所述选取模块,具体用于选取与所述第一特征向量距离最小的第二特征向量,并将与所述第一特征向量距离最小的第二特征向量表示的特征信息作为所述目标特征信息。
8.根据权利要求7所述的装置,其特征在于,所述确定模块,具体用于将所述待配文案图片输入预先训练的卷积神经网络,通过所述卷积神经网络输出所述待配文案图片中指示类别对象对应的第一特征向量;其中,所述卷积神经网络是根据多个样本图像以及各个样本图像中指示类别对象对应的特征向量训练得到的。
9.根据权利要求6至8任一项所述的装置,其特征在于,所述指示类别对象包括动物类对象或人物类对象;
所述确定模块,具体用于确定所述待配文案图片中所述指示类别对象的动作信息和/或表情信息。
10.根据权利要求6至8任一项所述的装置,其特征在于,所述装置还包括:
添加模块,用于在所述获取所述目标特征信息对应的模板表情包中的文字,并将所述文字作为所述待配文案图片的文案之后,将所述文案添加至所述待配文案图片,得到所述待配文案图片和所述文案组成的表情包。
11.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,所述处理器,所述通信接口,所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910892569.6A CN110706312A (zh) | 2019-09-20 | 2019-09-20 | 一种表情包的文案确定方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910892569.6A CN110706312A (zh) | 2019-09-20 | 2019-09-20 | 一种表情包的文案确定方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110706312A true CN110706312A (zh) | 2020-01-17 |
Family
ID=69195855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910892569.6A Pending CN110706312A (zh) | 2019-09-20 | 2019-09-20 | 一种表情包的文案确定方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110706312A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353064A (zh) * | 2020-02-28 | 2020-06-30 | 北京百度网讯科技有限公司 | 表情包生成方法、装置、设备和介质 |
CN112214632A (zh) * | 2020-11-03 | 2021-01-12 | 虎博网络技术(上海)有限公司 | 文案检索方法、装置及电子设备 |
CN112235182A (zh) * | 2020-08-29 | 2021-01-15 | 上海量明科技发展有限公司 | 基于斗图的图像对抗方法、装置及即时通信客户端 |
KR20210042406A (ko) * | 2020-02-28 | 2021-04-19 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 이모티콘 패키지 생성 방법, 장치, 설비 및 매체 |
CN112905791A (zh) * | 2021-02-20 | 2021-06-04 | 北京小米松果电子有限公司 | 表情包生成方法及装置、存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933113A (zh) * | 2014-06-06 | 2015-09-23 | 北京搜狗科技发展有限公司 | 一种基于语义理解的表情输入方法和装置 |
CN106844659A (zh) * | 2017-01-23 | 2017-06-13 | 宇龙计算机通信科技(深圳)有限公司 | 一种多媒体数据处理方法和装置 |
CN107369196A (zh) * | 2017-06-30 | 2017-11-21 | 广东欧珀移动通信有限公司 | 表情包制作方法、装置、存储介质及电子设备 |
CN109741423A (zh) * | 2018-12-28 | 2019-05-10 | 北京奇艺世纪科技有限公司 | 表情包生成方法及系统 |
-
2019
- 2019-09-20 CN CN201910892569.6A patent/CN110706312A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933113A (zh) * | 2014-06-06 | 2015-09-23 | 北京搜狗科技发展有限公司 | 一种基于语义理解的表情输入方法和装置 |
CN106844659A (zh) * | 2017-01-23 | 2017-06-13 | 宇龙计算机通信科技(深圳)有限公司 | 一种多媒体数据处理方法和装置 |
CN107369196A (zh) * | 2017-06-30 | 2017-11-21 | 广东欧珀移动通信有限公司 | 表情包制作方法、装置、存储介质及电子设备 |
CN109741423A (zh) * | 2018-12-28 | 2019-05-10 | 北京奇艺世纪科技有限公司 | 表情包生成方法及系统 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11521340B2 (en) | 2020-02-28 | 2022-12-06 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Emoticon package generation method and apparatus, device and medium |
JP7212770B2 (ja) | 2020-02-28 | 2023-01-25 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 絵文字パッケージ生成方法、装置、機器および記憶媒体 |
KR102598496B1 (ko) | 2020-02-28 | 2023-11-03 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 이모티콘 패키지 생성 방법, 장치, 설비 및 매체 |
KR20210042406A (ko) * | 2020-02-28 | 2021-04-19 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 이모티콘 패키지 생성 방법, 장치, 설비 및 매체 |
CN111353064B (zh) * | 2020-02-28 | 2023-06-13 | 北京百度网讯科技有限公司 | 表情包生成方法、装置、设备和介质 |
WO2021169134A1 (zh) * | 2020-02-28 | 2021-09-02 | 北京百度网讯科技有限公司 | 表情包生成方法、装置、设备和介质 |
EP3901786A4 (en) * | 2020-02-28 | 2021-12-01 | Beijing Baidu Netcom Science And Technology Co., Ltd. | METHOD AND DEVICE FOR MEME GENERATION AS WELL AS DEVICE AND MEDIUM |
JP2022524669A (ja) * | 2020-02-28 | 2022-05-10 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 絵文字パッケージ生成方法、装置、機器および記憶媒体 |
CN111353064A (zh) * | 2020-02-28 | 2020-06-30 | 北京百度网讯科技有限公司 | 表情包生成方法、装置、设备和介质 |
CN112235182B (zh) * | 2020-08-29 | 2021-11-16 | 上海量明科技发展有限公司 | 基于斗图的图像对抗方法、装置及即时通信客户端 |
CN112235182A (zh) * | 2020-08-29 | 2021-01-15 | 上海量明科技发展有限公司 | 基于斗图的图像对抗方法、装置及即时通信客户端 |
CN112214632A (zh) * | 2020-11-03 | 2021-01-12 | 虎博网络技术(上海)有限公司 | 文案检索方法、装置及电子设备 |
CN112214632B (zh) * | 2020-11-03 | 2023-11-17 | 虎博网络技术(上海)有限公司 | 文案检索方法、装置及电子设备 |
CN112905791A (zh) * | 2021-02-20 | 2021-06-04 | 北京小米松果电子有限公司 | 表情包生成方法及装置、存储介质 |
US11922725B2 (en) | 2021-02-20 | 2024-03-05 | Beijing Xiaomi Pinecone Electronics Co., Ltd. | Method and device for generating emoticon, and storage medium |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110706312A (zh) | 一种表情包的文案确定方法、装置及电子设备 | |
US10191900B2 (en) | Method and apparatus for processing semantic analysis result based on artificial intelligence | |
CN110851641B (zh) | 跨模态检索方法、装置和可读存储介质 | |
CN113111154B (zh) | 相似度评估方法、答案搜索方法、装置、设备及介质 | |
CN109033261B (zh) | 图像处理方法、装置、处理设备及其存储介质 | |
CN109522970B (zh) | 图像分类方法、装置及系统 | |
US9691004B2 (en) | Device and method for service provision according to prepared reference images to detect target object | |
CN110807472B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN113094478B (zh) | 表情回复方法、装置、设备及存储介质 | |
JP6989450B2 (ja) | 画像解析装置、画像解析方法及びプログラム | |
WO2019201024A1 (zh) | 用于更新模型参数的方法、装置、设备和存储介质 | |
US20230410222A1 (en) | Information processing apparatus, control method, and program | |
CN110968697A (zh) | 文本分类方法、装置、设备及可读存储介质 | |
CN108108450B (zh) | 图像处理的方法及相关设备 | |
CN110610131B (zh) | 人脸运动单元的检测方法、装置、电子设备及存储介质 | |
CN111046203A (zh) | 图像检索方法、装置、存储介质及电子设备 | |
CN116701637B (zh) | 一种基于clip的零样本文本分类方法、系统及介质 | |
CN109657710B (zh) | 数据筛选方法、装置、服务器及存储介质 | |
CN112487138A (zh) | 带格式文本的信息抽取方法和装置 | |
CN112163415A (zh) | 针对反馈内容的用户意图识别方法、装置及电子设备 | |
CN111159377A (zh) | 属性召回模型训练方法、装置、电子设备以及存储介质 | |
US20220180190A1 (en) | Systems, apparatuses, and methods for adapted generative adversarial network for classification | |
CN115311664A (zh) | 图像中文本类别的识别方法、装置、介质及设备 | |
CN112711703A (zh) | 用户标签获取方法、装置、服务器及存储介质 | |
CN114548263A (zh) | 标注数据的校验方法、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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |