CN111144216A - 图片标签的生成方法、装置、电子设备及可读存储介质 - Google Patents
图片标签的生成方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111144216A CN111144216A CN201911185794.2A CN201911185794A CN111144216A CN 111144216 A CN111144216 A CN 111144216A CN 201911185794 A CN201911185794 A CN 201911185794A CN 111144216 A CN111144216 A CN 111144216A
- Authority
- CN
- China
- Prior art keywords
- label
- tag
- target
- candidate
- grade
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Abstract
本公开提供了一种图片标签的生成方法、装置、电子设备及可读存储介质,所述方法包括:获取目标图片;采用标签预测模型和构建的标签体系,预测得到所述目标图片的至少一个标签以及所述标签对应的标签等级和置信度;所述标签预测模型是通过依所述标签体系标注有样本标签的图片样本训练得到的;对于每个所述标签,若所述标签的置信度大于或等于所述标签对应的标签等级的置信度阈值,则将所述标签添加至标签列表中;根据所述标签列表生成所述目标图片的目标标签。本公开可以根据各种粒度对应的不同等级的标签确定目标标签,有助于提高标签的准确度。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种图片标签的生成方法、装置、电子设备及可读存储介质。
背景技术
拍摄设备的普及使得图片的数量剧增,对图片进行有效的管理也日益重要。而为图片添加标签使得用户能够更有效的对图片进行管理。
现有技术中,一种常见的标签生成方法具体包括:首先,识别图片中的内容,例如,图片中的内容为人物;然后,将该内容对应的标签“人物”推荐给用户。
发明人对现有技术进行研究之后发现,现有技术无法准确的提供最低层级即最小粒度的标签,使得标签的准确度较低。
发明内容
本公开提供一种图片标签的生成方法、装置、电子设备及可读存储介质,可以根据各种粒度对应的不同等级的标签确定目标标签,有助于提高标签的准确度。
根据本公开的第一方面,提供了一种图片标签的生成方法,所述方法包括:
获取目标图片;
采用标签预测模型和构建的标签体系,预测得到所述目标图片的至少一个标签以及所述标签对应的标签等级和置信度;所述标签预测模型是通过依所述标签体系标注有样本标签的图片样本训练得到的;
对于每个所述标签,若所述标签的置信度大于或等于所述标签对应的标签等级的置信度阈值,则将所述标签添加至标签列表中;
根据所述标签列表生成所述目标图片的目标标签。
根据本公开的第二方面,提供了一种图片标签的生成装置,所述装置包括:
目标图片获取模块,用于获取目标图片;
标签预测模块,用于采用标签预测模型和构建的标签体系,预测得到所述目标图片的至少一个标签以及所述标签对应的标签等级和置信度;所述标签预测模型是通过依所述标签体系标注有样本标签的图片样本训练得到的;
标签列表生成模块,用于对于每个所述标签,若所述标签的置信度大于或等于所述标签对应的标签等级的置信度阈值,则将所述标签添加至标签列表中;
目标标签生成模块,用于根据所述标签列表生成所述目标图片的目标标签。
根据本公开的第三方面,提供了一种电子设备,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现前述图片标签的生成方法。
根据本公开的第四方面,提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行前述图片标签的生成方法。
本公开提供了一种图片标签的生成方法、装置、电子设备及可读存储介质,可以首先获取目标图片,并采用标签预测模型和构建的标签体系,预测得到目标图片的至少一个标签以及标签对应的标签等级和置信度,其中,标签预测模型是通过依标签体系标注有样本标签的图片样本训练得到的,然后对于每个标签,若标签的置信度大于或等于标签对应的标签等级的置信度阈值,则将标签添加至标签列表中,最后根据标签列表生成目标图片的目标标签。本公开可以根据各种粒度对应的不同等级的标签确定目标标签,有助于提高标签的准确度。
附图说明
为了更清楚地说明本公开的技术方案,下面将对本公开的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公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1示出了本公开的一种实施例中的图片标签的生成方法的步骤流程图;
图2示出了本公开的一种标签体系的示意图;
图3示出了本公开的一种标签推荐过程的示意图;
图4示出了本公开的另一标签推荐过程的示意图;
图5示出了本公开的一种实施例中的图片标签的生成装置的结构图;
图6示出了本公开的另一种实施例中的图片标签的生成装置的结构图;
图7示出了本公开的另一种实施例中的图片标签的生成装置的结构图;
图8示出了本公开的另一种实施例中的图片标签的生成装置的结构图;
图9示出了本公开的另一种实施例中的图片标签的生成装置的结构图;
图10示出了本公开的另一种实施例中的图片标签的生成装置的结构图;
图11示出了本公开的另一种实施例中的图片标签的生成装置的结构图;
图12示出了本公开的另一种实施例中的图片标签的生成装置的结构图;
图13示出了本公开的另一种实施例中的图片标签的生成装置的结构图;
图14示出了本公开的一种实施例中的电子设备的结构图。
具体实施方式
下面将结合本公开中的附图,对本公开中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
参照图1,其示出了本公开的一种实施例中的图片标签的生成方法的步骤流程图,具体如下:
步骤101,获取目标图片。
其中,目标图片可以是包含一个或多个指定对象的图片,从而本公开可以根据该指定对象为该目标图片生成目标标签。可以理解,目标图片可以是用户拍摄的图片,也可以是从网站或社交应用中获取的图片。本公开对目标图片的来源不加以限制。
其中,指定对象是可以在图片中显示的任意领域中的对象,例如,生物领域中的动物、人物、植物,非生物领域中的建筑物等。
步骤102,采用标签预测模型和构建的标签体系,预测得到所述目标图片的至少一个标签、以及所述标签对应的标签等级和置信度;所述标签预测模型是通过依所述标签体系标注有样本标签的图片样本训练得到的。
其中,标签体系是预先通过标签的粒度和标签之间的包含关系建立的,更细粒度的标签作为更粗粒度的标签的子标签,从而在标签体系中更细粒度的标签对应低等级,更粗粒度的标签对应高等级。例如,如图2所示的标签体系,标签“动物”作为第一等级的标签,即最高等级但粒度最粗的标签,标签“狗”和标签“老虎”作为第二等级的标签,即次高等级但粒度较细的标签,标签“泰迪”、标签“拉布拉多”、标签“东北虎”和标签“华南虎”均为第三等级的标签,即最低等级但粒度最细的标签。其中,标签“狗”和标签“老虎”作为标签“动物”的子标签,标签“泰迪”和标签“拉布拉多”作为标签“狗”的子标签,标签“东北虎”和标签“华南虎”作为标签“老虎”的子标签。
目标图片的至少一个标签为建立的标签体系中的多个等级的标签。仍以图2中的标签体系为例,若目标图片中存在一个指定对象“泰迪犬”,则目标图片的至少一个标签可以包括:第一等级的标签“动物”、第二等级的标签“狗”和标签“老虎”,第三等级的标签“泰迪”、标签“拉布拉多”、标签“东北虎”和标签“华南虎”,且标签“动物”、标签“狗”、标签“老虎”、标签“泰迪”、标签“拉布拉多”、标签“东北虎”和标签“华南虎”的置信度分别为1、0.9、0.2、0.88、0.12、0.1、0.06。可以看出,由于图片中仅存在一个指定对象“泰迪犬”,从而标签“动物”、标签“狗”和标签“泰迪”的置信度较大,而标签“老虎”、标签“东北虎”、标签“华南虎”、标签“拉布拉多”的置信度均较小。
此外,目标图片中除指定对象“泰迪犬”之外,还可能存在另一个指定对象“东北虎”,从而目标图片的至少一个标签可以包括:第一等级的标签“动物”、第二等级的标签“狗”和标签“老虎”,第三等级的标签“泰迪”、标签“拉布拉多”、标签“东北虎”和标签“华南虎”,且标签“动物”、标签“狗”、标签“老虎”、标签“泰迪”、标签“拉布拉多”、标签“东北虎”和标签“华南虎”的置信度分别为1、0.9、0.86、0.88、0.12、0.63、0.23。可以看出,由于图片中同时存在指定对象“泰迪犬”和指定对象“东北虎”,从而标签“动物”、标签“狗”、标签“泰迪”、标签“老虎”、标签“东北虎”的置信度较大,而标签“华南虎”和标签“拉布拉多”的置信度均较小。
样本标签可以为上述标签体系中最细粒度的标签,即标签体系中最低等级的标签。如此,既可以减小标注所需工作量的同时,还可以提高样本标签的准确度。
标签预测模型可以是预先训练得到的,以使其学习到图片样本中指定对象对应的图像特征,从而建立图像特征和图片样本对应的样本标签之间的对应关系,并在应用时可以从目标图片中识别到图像特征,并根据该图像特征预测标签。例如,图片样本中包括“泰迪犬”,从而样本标签可以为“泰迪”,标签预测模型可以根据图片样本中“泰迪犬”的图像特征预测一个标签,若预测的该标签为“泰迪”即代表模型可以准确的预测标签。
需要说明的是,标签预测模型在预测标签时,通常会以一定概率预测目标图片的标签,该概率即为该标签的置信度。例如,对于图2中的标签体系,标签“动物”的置信度为P1,标签“狗”和标签“老虎”的置信度分别为P11、P12,标签“泰迪”和标签“拉布拉多”的置信度分别为P111、P112,标签“东北虎”和标签“华南虎”的置信度分别为P121、P122。
在一种常见的场景下,子标签的置信度之和等于父标签的置信度。例如,标签“狗”的置信度P11和标签“老虎”的置信度P12之和等于标签“动物”的置信度P1,标签“泰迪”的置信度P111和标签“拉布拉多”的置信度P112之和等于标签“狗”的置信度P11,标签“东北虎”的置信度P121和标签“华南虎”的置信度P122之和等于标签“老虎”的置信度P12。具体地,各标签的置信度可以为:P1=1,P11=0.7,P12=0.3,P111=0.65,P112=0.05,P121=0.14,P122=0.16。其中,标签的置信度越大,代表标签的可信度越高;标签的置信度越小,代表标签的可信度越低。
当然,子标签的置信度之和也可以不等于父标签的置信度。例如,如图2所示的标签体系,标签“狗”的置信度P11和标签“老虎”的置信度P12之和不等于标签“动物”的置信度P1,标签“泰迪”的置信度P111和标签“拉布拉多”的置信度P112之和不等于标签“狗”的置信度P11,标签“东北虎”的置信度P121和标签“华南虎”的置信度P122之和不等于标签“老虎”的置信度P12。具体地,各标签的置信度可以为:P1=1,P11=0.75,P12=0.4,P111=0.65,P112=0.05,P121=0.14,P122=0.16。
步骤103,对于每个所述标签,若所述标签的置信度大于或等于所述标签对应的标签等级的置信度阈值,则将所述标签添加至标签列表中。
可以理解,若目标图片中包括一个指定对象,则该目标图片对应一个标签列表,初始时标签列表为空,而经过步骤103之后,其中存储有置信度大于或等于对应的标签等级的置信度阈值的一个或多个标签;若目标图片中包括多个指定对象,则该目标图片对应多个标签列表,每个标签列表对应一个指定对象,初始时每个指定对象的标签列表为空,经过步骤103之后,每个指定对象的标签列表中存储有置信度大于或等于对应的标签等级的置信度阈值的一个或多个标签。
当然,对于每个标签,若标签的置信度大于或等于该标签的标签等级对应的置信度阈值,则将该标签添加至标签列表中;若标签的置信度小于该标签的标签等级对应的置信度阈值,则不将该标签添加至标签列表中。例如,对于图2的标签体系,标签“动物”、标签“狗”、标签“老虎”、标签“泰迪”、标签“拉布拉多”、标签“东北虎”和标签“华南虎”的置信度分别为1、0.9、0.2、0.88、0.12、0.1、0.06,若第一等级的置信度阈值为0.8,第二等级的置信度阈值为0.7,第三等级的置信度阈值为0.6,则确定标签“动物”的置信度1大于或等于第一等级的置信度阈值0.8,标签“狗”置信度0.9大于或等于第二等级的置信度阈值0.7,标签“泰迪”的置信度0.88大于或等于第三等级的置信度阈值0.6,而标签“老虎”的置信度0.2小于第二等级的置信度阈值0.7,标签“拉布拉多”的置信度0.12、标签“东北虎”的置信度0.1、标签“华南虎”的置信度0.06均小于第三等级的置信度阈值0.6,从而标签列表包括:标签“动物”、标签“狗”和标签“泰迪”。
又例如,对于图2的标签体系,标签“动物”、标签“狗”、标签“老虎”、标签“泰迪”、标签“拉布拉多”、标签“东北虎”和标签“华南虎”的置信度分别为1、0.83、0.2、0.46、0.35、0.1、0.06,若第一等级的置信度阈值为0.8,第二等级的置信度阈值为0.7,第三等级的置信度阈值为0.6,则确定标签“动物”的置信度1大于或等于第一等级的置信度阈值0.8,标签“狗”的置信度0.83大于或等于第二等级的置信度阈值0.7,而标签“老虎”的置信度0.2小于第二等级的置信度阈值0.7,标签“泰迪”的置信度0.46、标签“拉布拉多”的置信度0.35、标签“东北虎”的置信度0.1、标签“华南虎”的置信度0.06均小于第三等级的置信度阈值0.6,从而得到如图3中所示的标签列表:标签“动物”和标签“狗”。
又例如,对于图2的标签体系,标签“动物”、标签“狗”、标签“老虎”、标签“泰迪”、标签“拉布拉多”、标签“东北虎”和标签“华南虎”的置信度分别为1、0.81、0.86、0.76、0.05、0.63、0.23,若第一等级的置信度阈值为0.8,第二等级的置信度阈值为0.7,第三等级的置信度阈值为0.6,则确定标签“动物”的置信度1大于或等于第一等级的置信度阈值0.8,标签“狗”的置信度0.81和标签“老虎”的置信度0.86均大于或等于第二等级的置信度阈值0.7,标签“泰迪”的置信度0.76和标签“东北虎”的置信度0.63均大于或等于第三等级的置信度阈值0.6,而标签“拉布拉多”的置信度0.05和标签“华南虎”的置信度0.23均小于第三等级的置信度阈值0.6,从而得到标签列表:标签“动物”、标签“狗”、标签“老虎”、标签“泰迪”和标签“东北虎”。
又例如,对于图2的标签体系,标签“动物”、标签“狗”、标签“老虎”、标签“泰迪”、标签“拉布拉多”、标签“东北虎”和标签“华南虎”的置信度分别为1、0.81、0.86、0.7、0.05、0.33、0.43,若第一等级的置信度阈值为0.8,第二等级的置信度阈值为0.7,第三等级的置信度阈值为0.6,则确定标签“动物”的置信度1大于或等于第一等级的置信度阈值0.8,标签“狗”的置信度0.81和标签“老虎”的置信度0.86均大于或等于第二等级的置信度阈值0.7,标签“泰迪”的置信度0.7大于或等于第三等级的置信度阈值0.6,而标签“拉布拉多”的置信度0.05、标签“东北虎”的置信度0.33和标签“华南虎”的置信度0.43均小于第三等级的置信度阈值0.6,从而得到标签列表:标签“动物”、标签“狗”、标签“老虎”和标签“泰迪”。
又例如,对于图2的标签体系,标签“动物”、标签“狗”、标签“老虎”、标签“泰迪”、标签“拉布拉多”、标签“东北虎”和标签“华南虎”的置信度分别为1、0.69、0.31、0.44、0.25、0.15、0.16,若第一等级的置信度阈值为0.8,第二等级的置信度阈值为0.7,第三等级的置信度阈值为0.6,则确定标签“动物”的置信度1大于或等于第一等级的置信度阈值0.8,而标签“狗”的置信度0.69和标签“老虎”的置信度0.31均小于第二等级的置信度阈值0.7,标签“泰迪”的置信度0.44、“拉布拉多”的置信度0.25、标签“东北虎”的置信度0.15和标签“华南虎”的置信度0.16均小于第三等级的置信度阈值0.6,从而得到如图4中所示的标签列表:“动物”。
步骤104,根据所述标签列表生成所述目标图片的目标标签。
具体地,可以直接将标签列表中的所有标签作为目标标签,可以理解,由于标签列表中包含了多个标签等级的置信度大于对应置信度阈值的标签,从而生成的目标标签包含了置信度较高、且较低等级的标签,使得目标标签的准确度较高的同时,粒度也较细。例如,对于步骤103得到的标签列表:标签“动物”、标签“狗”和标签“泰迪”,可以将标签“动物”、标签“狗”和标签“泰迪”均作为目标标签。
可选地,在本公开的另一种实施例中,所述步骤104包括子步骤A:
子步骤A,从所述标签列表中确定所述目标图片的目标标签,所述目标标签对应的标签等级在所述标签列表中为最低等级。
在本公开的一种实施例中,可以直接将标签列表中最低等级的标签作为目标标签。例如,对于步骤103得到的标签列表:标签“动物”、标签“狗”和标签“泰迪”,由于标签“动物”、标签“狗”和标签“泰迪”的标签等级分别为第一等级、第二等级和第三等级,从而可以将标签列表中标签等级最低的标签“泰迪”作为目标标签。
又例如,对于步骤103得到的标签列表:标签“动物”和标签“狗”,由于标签“动物”和标签“狗”的标签等级分别为第一等级和第二等级,从而可以将标签列表中标签等级最低的标签“狗”作为目标标签。
又例如,对于步骤103得到的标签列表:标签“动物”、标签“狗”、标签“老虎”、标签“泰迪”和标签“东北虎”,由于标签“动物”的标签等级为第一等级,标签“狗”和标签“老虎”的标签等级为第二等级,标签“泰迪”和标签“东北虎”的标签等级为第三等级,从而可以将标签列表中标签等级最低的标签“泰迪”和标签“东北虎”均作为目标标签。
又例如,对于步骤103得到的标签列表:标签“动物”、标签“狗”、标签“老虎”和标签“泰迪”,由于标签“动物”的标签等级为第一等级,标签“狗”和标签“老虎”的标签等级为第二等级,标签“泰迪”的标签等级为第三等级,从而可以将标签等级最低的两个标签“泰迪”和“老虎”均作为目标标签,也可以仅将标签等级最低的一个标签“泰迪”作为目标标签。
又例如,对于步骤103得到的标签列表:标签“动物”,由于标签列表中仅存在一个标签“动物”,从而可以标签“动物”作为目标标签。
本公开避免了用户操作,不仅可以保证标签准确度和标签的粒度最细,还可以降低用户的操作复杂度。
可选地,在本公开的另一种实施例中,所述步骤104包括子步骤B1至B4:
子步骤B1,从所述标签列表中确定候选标签,所述候选标签对应的标签等级在所述标签列表中为最低等级。
在本公开的一种实施例中,可以直接将标签列表中最低等级的标签作为候选标签。例如,对于步骤103得到的标签列表:标签“动物”、标签“狗”和标签“泰迪”,由于标签“动物”、标签“狗”和标签“泰迪”的标签等级分别为第一等级、第二等级和第三等级,从而可以将标签列表中标签等级最低的标签“泰迪”作为候选标签。
又例如,对于步骤103得到的标签列表:标签“动物”和标签“狗”,由于标签“动物”和标签“狗”的标签等级分别为第一等级和第二等级,从而如图3所示,可以将标签列表中标签等级最低的标签“狗”作为候选标签。
又例如,对于步骤103得到的标签列表:标签“动物”、标签“狗”、标签“老虎”、标签“泰迪”和标签“东北虎”,由于标签“动物”的标签等级为第一等级,标签“狗”和标签“老虎”的标签等级为第二等级,标签“泰迪”和标签“东北虎”的标签等级为第三等级,从而可以将标签列表中标签等级最低的标签“泰迪”和标签“东北虎”均作为候选标签。
又例如,对于步骤103得到的标签列表:标签“动物”、标签“狗”、标签“老虎”和标签“泰迪”,由于标签“动物”的标签等级为第一等级,标签“狗”和标签“老虎”的标签等级为第二等级,标签“泰迪”的标签等级为第三等级,从而可以将标签等级最低的两个标签“泰迪”和“老虎”均作为候选标签,也可以仅将标签等级最低的一个标签“泰迪”作为候选标签。
又例如,对于步骤103得到的标签列表:标签“动物”,从而如图4所示,可以将标签列表中的唯一的标签“动物”作为候选标签。
子步骤B2,若接收到对所述候选标签的确认操作,且所述候选标签的标签等级在所述目标图片的至少一个标签中为最低等级,则将所述候选标签作为所述目标图片的目标标签。
本公开可以将用户确认的最低等级的候选标签直接作为目标图片的目标标签。例如,对于子步骤B1中得到的候选标签:标签“泰迪”,在将标签“泰迪”推荐给用户,并且用户对标签“泰迪”进行确认之后,由于在目标图片的至少一个标签:标签“动物”、标签“狗”、标签“老虎”、标签“泰迪”、标签“拉布拉多”、标签“东北虎”和标签“华南虎”中,标签“泰迪”为最低等级的标签,从而可以直接将标签“泰迪”作为目标图片的目标标签。
本公开可以在用户确认的候选标签为标签预测模型识别出的标签中的最低等级的标签时,直接将该候选标签作为目标图片的目标标签。从而进一步保证了目标标签的置信度最高且粒度最细。
子步骤B3,若接收到对所述候选标签的确认操作,且所述候选标签对应的标签等级在所述目标图片的至少一个标签中不为最低等级,则从所述候选标签的子标签中,确定置信度最大的子标签作为推荐标签。
本公开可以基于用户确认的候选标签,向用户推荐更低等级即更细粒度的子标签。例如,如图3所示,对于子步骤B1得到候选标签“狗”,可以向用户进行第一次推荐,用户对候选标签“狗”进行确认之后,由于标签“狗”的子标签“泰迪”的置信度0.46大于子标签“拉布拉多”的置信度0.35,从而可以将子标签“泰迪”作为推荐标签,向用户进行第二次推荐。
子步骤B4,在接收到对所述推荐标签的确认操作的情形下,则将所述推荐标签作为所述目标图片的所述目标标签。
对于步骤B3中的推荐标签“泰迪”,若用户确认该推荐标签“泰迪”,则将该推荐标签“泰迪”作为目标图片的目标标签。
本公开可以将标签预测模型确认的最细粒度且置信度最高的标签作为候选标签,并向用户推荐其置信度最高的子标签,有助于结合用户的意愿得到更细粒度的目标标签。
可选地,在本公开的另一种实施例中,在子步骤B1之后,所述方法还包括子步骤B5:
子步骤B5,若未接收到对所述候选标签的确认操作,则将所述候选标签作为所述目标图片的目标标签。
其中,未接收到对所述候选标签的确认操作包括但不限于:用户未对候选标签进行任何操作、用户对候选标签进行了拒绝操作。
本公开可以在用户未对候选标签进行确认时,直接将该候选标签作为目标图片的目标标签,从而保证了目标标签的置信度最高且粒度最细。
可选地,在本公开的另一种实施例中,在所述子步骤B3之后,所述方法还包括子步骤B6:
子步骤B6,若未接收到对所述推荐标签的确认操作,则将所述候选标签作为所述目标图片的所述目标标签。
其中,未接收到对所述推荐标签的确认操作包括但不限于:用户未对推荐标签进行任何操作、用户对推荐标签进行了拒绝操作。
本公开可以在用户未对推荐标签进行确认时,直接将该推荐标签作为目标图片的目标标签,从而保证了目标标签的置信度最高且粒度最细。
可选地,在本公开的另一种实施例中,所述步骤104包括子步骤C1至C2:
子步骤C1,从所述标签列表中确定候选标签,所述候选标签对应的标签等级在所述标签列表中为最低等级。
在本公开的一种实施例中,可以直接将标签列表中最低等级的标签作为候选标签。例如,对于步骤103得到的标签列表:标签“动物”、标签“狗”和标签“泰迪”,由于标签“动物”、标签“狗”和标签“泰迪”的标签等级分别为第一等级、第二等级和第三等级,从而可以将标签列表中标签等级最低的标签“泰迪”作为候选标签。
又例如,对于步骤103得到的标签列表:标签“动物”和标签“狗”,由于标签“动物”和标签“狗”的标签等级分别为第一等级和第二等级,从而如图3所示,可以将标签列表中标签等级最低的标签“狗”作为候选标签。
又例如,对于步骤103得到的标签列表:标签“动物”、标签“狗”、标签“老虎”、标签“泰迪”和标签“东北虎”,由于标签“动物”的标签等级为第一等级,标签“狗”和标签“老虎”的标签等级为第二等级,标签“泰迪”和标签“东北虎”的标签等级为第三等级,从而可以将标签列表中标签等级最低的标签“泰迪”和标签“东北虎”均作为候选标签。
又例如,对于步骤103得到的标签列表:标签“动物”、标签“狗”、标签“老虎”和标签“泰迪”,由于标签“动物”的标签等级为第一等级,标签“狗”和标签“老虎”的标签等级为第二等级,标签“泰迪”的标签等级为第三等级,从而可以将标签等级最低的两个标签“泰迪”和“老虎”作为候选标签,也可以仅将标签等级最低的一个标签“泰迪”作为候选标签。
又例如,对于步骤103得到的标签列表:标签“动物”,由于标签列表中仅存在一个标签“动物”,从而如图4所示,可以将标签列表中的唯一的标签“动物”作为候选标签。
子步骤C2,根据所述候选标签生成所述目标图片的目标标签。
其中,所述子步骤C2包括子步骤D1至D3:
子步骤D1,若接收到对所述候选标签的确认操作,且所述候选标签的标签等级在所述目标图片的至少一个标签中为最低等级,则将所述候选标签作为所述目标图片的目标标签。
本公开可以将用户确认的最低等级的候选标签直接作为目标图片的目标标签。例如,对于子步骤C1中得到的候选标签“泰迪”,在将标签“泰迪”推荐给用户,并且用户对标签“泰迪”进行确认之后,由于在目标图片的至少一个标签:标签“动物”、标签“狗”、标签“老虎”、标签“泰迪”、标签“拉布拉多”、标签“东北虎”、标签“华南虎”中,标签“泰迪”为最低等级的标签,从而可以直接将标签“泰迪”作为目标图片的目标标签。
本公开可以在用户确认的候选标签为标签预测模型识别出的标签中的最低等级的标签时,直接将该候选标签作为目标图片的目标标签。从而进一步保证了目标标签的置信度最高且粒度最细。
子步骤D2,若接收到对所述候选标签的确认操作,且所述候选标签对应的标签等级在所述目标图片的至少一个标签中不为最低等级,则从所述候选标签的子标签中,确定置信度最大的子标签作为推荐标签。
本公开可以基于用户确认的候选标签,向用户推荐更低等级即更细粒度的子标签。例如,如图4所示,对于子步骤C1得到的候选标签“动物”,可以向用户进行第一次推荐,用户对候选标签“动物”进行确认之后,由于标签“动物”的子标签“狗”的置信度0.69大于子标签“老虎”的置信度0.31,从而可以将标签“狗”作为推荐标签,以向用户进行第二次推荐。
子步骤D3,若接收到对所述推荐标签的确认操作,则将所述推荐标签作为候选标签,并进入步骤C2。
本公开可以在用户确认推荐标签之后,继续向用户推荐该推荐标签的子标签,如此循环下去,直至子步骤D1或后面的子步骤D4或后面的子步骤D5。例如,如图4所示,对于子步骤D2得到的第二次推荐的标签“狗”,其子标签“泰迪”的置信度0.44大于子标签“拉布拉多”的置信度0.25,从而推荐标签“狗”可以经过子步骤D5之后,得到目标标签“动物”;推荐标签“狗”还可以经过子步骤D3-子步骤D4之后,得到目标标签“狗”;推荐标签“狗”还可以经过子步骤D3-子步骤D2-子步骤D5之后,得到目标标签“狗”;推荐标签“狗”还可以经过子步骤D3-子步骤D2-子步骤D3-子步骤D1之后,得到目标标签“泰迪”;推荐标签“狗”还可以经过子步骤D3-子步骤D2-子步骤D3-子步骤D4之后,得到目标标签“泰迪”。
其中一种典型的推荐过程可如图4所示,标签“动物”的置信度1大于或等于第一等级的置信度阈值0.8,而标签“狗”的置信度0.69小于第二等级的置信度阈值0.7,标签“泰迪”的置信度0.44、标签“拉布拉多”的置信度0.25、标签“东北虎”的置信度0.14和标签“华南虎”的置信度0.16均小于第三等级的置信度阈值0.6,从而经过子步骤C1得到候选标签“动物”,以向用户进行第一次推荐;在用户对候选标签“动物”确认之后,将置信度较大的子标签“狗”作为推荐标签,以向用户进行第二次推荐;在用户对推荐标签“狗”确认之后,将置信度较大的子标签“泰迪”作为推荐标签,向用户进行第三次推荐。
可选地,在本公开的另一种实施例中,所述步骤C2还包括子步骤D4:
子步骤D4,若未接收到对所述候选标签的确认操作,则将所述候选标签作为所述目标图片的目标标签。
其中,未接收到对所述候选标签的确认操作包括但不限于:用户未对候选标签进行任何操作、用户对候选标签进行了拒绝操作。
本公开可以在用户未对候选标签进行确认时,直接将该候选标签作为目标图片的目标标签,从而保证了目标标签的置信度最高且粒度最细。
可选地,在本公开的另一种实施例中,所述子步骤C2还包括子步骤D5:
子步骤D5,若未接收到对所述推荐标签的确认操作,则将所述候选标签作为所述目标图片的所述目标标签。
其中,未接收到对所述推荐标签的确认操作包括但不限于:用户未对推荐标签进行任何操作、用户对推荐标签进行了拒绝操作。
本公开可以在用户未对推荐标签进行确认时,直接将该推荐标签作为目标图片的目标标签,从而保证了目标标签的置信度最高且粒度最细。
可选地,在本公开的另一种实施例中,所述标签预测模型通过如下步骤E1至E4训练得到:
步骤E1,将标注有样本标签的所述图片样本输入至所述标签预测模型,得到预测标签,所述标签预测模型包括卷积运算单元。
具体地,在本公开中,标签预测模型可以采用现有的卷积神经网络。
步骤E2,根据所述预测标签和所述样本标签确定损失值。
具体地,可以将预测标签和样本标签之间的差值作为损失值。可以理解,差值越大,代表损失值越大;差值越小,代表损失值越小。
步骤E3,若所述损失值大于或等于预设损失值阈值,则调整所述标签预测模型的参数,以继续训练。
其中,预设损失值阈值可以根据实际应用场景设定。可以理解,损失值阈值越大,训练时长越短,模型准确度越低;损失值越小,训练时长越长,模型准确度越高。
在调整标签预测模型的参数时,可以依据损失值对参数的梯度函数调整标签预测模型的参数,使得下一轮迭代的损失值比当前迭代更小。当然,可以同时调整一个或多个参数。
步骤E4,若所述损失值小于所述损失值阈值,则结束训练。
可以理解,损失值小于损失值阈值,代表模型的预测准确度已达到预期,从而结束训练,此时模型的参数为最优参数,此时的模型可以最优模型,即最终的标签预测模型。
可选地,在本公开的另一种实施例中,所述预测标签对应有标签等级,所述步骤E2包括子步骤F1至F3:
子步骤F1,针对每个所述标签等级,根据对应所述标签等级的所述预测标签和所述样本标签计算损失值,得到第一子损失值。
具体地,第一子损失值可以根据如下公式计算得到:
其中,LOSS1i为第i个标签等级的第一子损失值,I为标签等级的数目,J为图片样本的数目,LBLi,j为第j个图片样本的样本标签对应的第i个标签等级的标签,LBLi,j'为第j个图片样本的预测标签对应的第i个标签等级的标签。
子步骤F2,针对每个所述标签等级,采用所述标签等级对应的加权系数,对每个所述标签等级的所述第一子损失值进行加权得到第二子损失值。
具体地,第二子损失值可以参照如下公式计算得到:
其中,LOSS2i为第i个标签等级对应的第二子损失值,wi为第i个标签等级的加权系数。
子步骤F3,根据每个所述标签等级的所述第二子损失值确定所述损失值。
具体地,损失值LOSS可以参照如下公式计算得到:
本公开可以通过权重系数调整不同标签等级的重要性,从而使得模型可以优先保证权重系数较大的标签的准确度。
基于上述原理,可以将最低等级的权重系数设置较大值,然后随着等级的升高,权重系数逐渐减小,从而使得最低等级的准确度最高。
需要说明的是,为了保证图片样本的数量庞大,样本标签的来源很复杂,从而样本标签有可能为最低等级的标签,也有可能为较高等级的标签。若样本标签为最低等级的标签,则可以根据最低等级的标签结合标签体系确定较高等级的标签作为对应等级的样本标签,此时可以根据较高等级的样本标签和预测标签计算该较高等级的第一、第二子损失值;若样本标签不为最低等级的标签,则无法根据该等级的标签确定更低及最低等级的样本标签,此时不计算更低及最低等级的第一、第二子损失值,仅计算样本标签对应的标签等级以及以上等级的第一子损失值和第二子损失值。
综上所述,本公开提供了一种图片标签的生成方法,所述方法包括:获取目标图片;采用标签预测模型和构建的标签体系,预测得到所述目标图片的至少一个标签以及所述标签对应的标签等级和置信度;所述标签预测模型是通过依所述标签体系标注有样本标签的图片样本训练得到的;对于每个所述标签,若所述标签的置信度大于或等于所述标签对应的标签等级的置信度阈值,则将所述标签添加至标签列表中;根据所述标签列表生成所述目标图片的目标标签。本公开可以根据各种粒度对应的不同等级的标签确定目标标签,有助于提高标签的准确度。
参照图5,其示出了在本公开的一种实施例中的图片标签的生成装置的结构图,具体如下:
目标图片获取模块201,用于获取目标图片。
标签预测模块202,用于采用标签预测模型和构建的标签体系,预测得到所述目标图片的至少一个标签以及所述标签对应的标签等级和置信度;所述标签预测模型是通过依所述标签体系标注有样本标签的图片样本训练得到的。
标签列表生成模块203,用于对于每个所述标签,若所述标签的置信度大于或等于所述标签对应的标签等级的置信度阈值,则将所述标签添加至标签列表中。
目标标签生成模块204,用于根据所述标签列表生成所述目标图片的目标标签。
可选地,在本公开的另一种实施例中,所述目标标签生成模块204还用于:
从所述标签列表中确定所述目标图片的目标标签,所述目标标签对应的标签等级在所述标签列表中为最低等级。
可选地,基于图5,在图6所示的本公开的另一种实施例中,所述目标标签生成模块204包括第一候选标签确定子模块2041、第一目标标签生成子模块2042、第一推荐标签确定子模块2043、第二目标标签生成子模块2044:
第一候选标签确定子模块2041,用于从所述标签列表中确定候选标签,所述候选标签对应的标签等级在所述标签列表中为最低等级。
第一目标标签生成子模块2042,用于若接收到对所述候选标签的确认操作,且所述候选标签的标签等级在所述目标图片的至少一个标签中为最低等级,则将所述候选标签作为所述目标图片的目标标签。
第一推荐标签确定子模块2043,用于若接收到对所述候选标签的确认操作,且所述候选标签对应的标签等级在所述目标图片的至少一个标签中不为最低等级,则从所述候选标签的子标签中,确定置信度最大的子标签作为推荐标签。
第二目标标签生成子模块2044,用于在接收到对所述推荐标签的确认操作的情形下,则将所述推荐标签作为所述目标图片的所述目标标签。
可选地,基于图6,在图7所示的本公开的另一种实施例中,所述目标标签生成模块204还包括第三目标标签生成子模块2045:
第三目标标签生成子模块2045,用于若未接收到对所述候选标签的确认操作,则将所述候选标签作为所述目标图片的目标标签。
可选地,基于图6,在图8所示的本公开的另一种实施例中,,所述目标标签生成模块204还包括第四目标标签生成子模块2046:
第四目标标签生成子模块2046,用于若未接收到对所述推荐标签的确认操作,则将所述候选标签作为所述目标图片的所述目标标签。
可选地,基于图5,在图9所示的本公开的另一种实施例中,所述目标标签生成模块204包括第二候选标签生成子模块2047、第五目标标签生成子模块2048:
第二候选标签生成子模块2047,用于从所述标签列表中确定候选标签,所述候选标签对应的标签等级在所述标签列表中为最低等级。
第五目标标签生成子模块2048,用于根据所述候选标签生成所述目标图片的目标标签;
其中,所述第五目标标签生成子模块2048,包括第六目标标签生成单元20481、第二推荐标签生成单元20482、候选标签重新确定单元20483:
第六目标标签生成单元20481,用于若接收到对所述候选标签的确认操作,且所述候选标签的标签等级在所述目标图片的至少一个标签中为最低等级,则将所述候选标签作为所述目标图片的目标标签。
第二推荐标签生成单元20482,用于若接收到对所述候选标签的确认操作,且所述候选标签对应的标签等级在所述目标图片的至少一个标签中不为最低等级,则从所述候选标签的子标签中,确定置信度最大的子标签作为推荐标签。
候选标签重新确定单元20483,用于若接收到对所述推荐标签的确认操作,则将所述推荐标签作为候选标签,并进入根据所述候选标签生成所述目标图片的目标标签的步骤。
可选地,基于图9,在图10所示的本公开的另一种实施例中,所述第五目标标签生成子模块2048还包括第七目标标签生成单元20484:
第七目标标签生成单元20484,用于若未接收到对所述候选标签的确认操作,则将所述候选标签作为所述目标图片的目标标签。
可选地,基于图9,在图11所示的本公开的另一种实施例中,所述第五目标标签生成子模块2048还包括第八目标标签生成单元20485:
第八目标标签生成单元20485,用于若未接收到对所述推荐标签的确认操作,则将所述候选标签作为所述目标图片的所述目标标签。
可选地,基于图5,在图12所示的本公开的另一种实施例中,所述标签预测模型通过如下模块训练得到训练中预测模块205、损失值确定模块206、继续训练模块207、结束训练模块208:
训练中预测模块205,用于将标注有样本标签的所述图片样本输入至所述标签预测模型,得到预测标签,所述标签预测模型包括卷积运算单元。
损失值确定模块206,用于根据所述预测标签和所述样本标签确定损失值。
继续训练模块207,用于若所述损失值大于或等于预设损失值阈值,则调整所述标签预测模型的参数,以继续训练。
结束训练模块208,用于若所述损失值小于所述损失值阈值,则结束训练。
可选地,基于图12,在图13所示的本公开的另一种实施例中,所述预测标签对应有标签等级,所述损失值确定模块206包括第一子损失值计算子模块2061、第二子损失值计算子模块2062、损失值确定子模块2063:
第一子损失值计算子模块2061,用于针对每个所述标签等级,根据对应所述标签等级的所述预测标签和所述样本标签计算损失值,得到第一子损失值。
第二子损失值计算子模块2062,用于针对每个所述标签等级,采用所述标签等级对应的加权系数,对每个所述标签等级的所述第一子损失值进行加权得到第二子损失值。
损失值确定子模块2063,用于根据每个所述标签等级的所述第二子损失值确定所述损失值。
综上所述,本公开提供了一种图片标签的生成装置,所述装置包括:目标图片获取模块,用于获取目标图片;标签预测模块,用于采用标签预测模型和构建的标签体系,预测得到所述目标图片的至少一个标签以及所述标签对应的标签等级和置信度;所述标签预测模型是通过依所述标签体系标注有样本标签的图片样本训练得到的;标签列表生成模块,用于对于每个所述标签,若所述标签的置信度大于或等于所述标签对应的标签等级的置信度阈值,则将所述标签添加至标签列表中;目标标签生成模块,用于根据所述标签列表生成所述目标图片的目标标签。本公开可以根据各种粒度对应的不同等级的标签确定目标标签,有助于提高标签的准确度。
实施例二为实施例一对应的装置实施例,详细说明可以参照实施例一,在此不再赘述。
本公开还提供了一种电子设备,参照图14,包括:处理器301、存储器302以及存储在所述存储器302上并可在所述处理器上运行的计算机程序3021,所述处理器301执行所述程序时实现前述实施例的图片标签的生成方法。
本公开还提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行前述实施例的图片标签的生成方法。
对于装置实施例而言,由于其与方法实施例基本相似,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。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本公开也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本公开的内容,并且上面对特定语言所做的描述是为了披露本公开的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本公开的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的图片标签的生成设备中的一些或者全部部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述仅为本公开的较佳实施例而已,并不用以限制本公开,凡在本公开的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本公开的保护范围之内。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (13)
1.一种图片标签的生成方法,其特征在于,所述方法包括:
获取目标图片;
采用标签预测模型和构建的标签体系,预测得到所述目标图片的至少一个标签以及所述标签对应的标签等级和置信度;所述标签预测模型是通过依所述标签体系标注有样本标签的图片样本训练得到的;
对于每个所述标签,若所述标签的置信度大于或等于所述标签对应的标签等级的置信度阈值,则将所述标签添加至标签列表中;
根据所述标签列表生成所述目标图片的目标标签。
2.根据权利要求1所述的方法,其特征在于,所述根据所述标签列表生成所述目标图片的目标标签的步骤,包括:
从所述标签列表中确定所述目标图片的目标标签,所述目标标签对应的标签等级在所述标签列表中为最低等级。
3.根据权利要求1所述的方法,其特征在于,所述根据所述标签列表生成所述目标图片的目标标签的步骤,包括:
从所述标签列表中确定候选标签,所述候选标签对应的标签等级在所述标签列表中为最低等级;
若接收到对所述候选标签的确认操作,且所述候选标签的标签等级在所述目标图片的至少一个标签中为最低等级,则将所述候选标签作为所述目标图片的目标标签;
若接收到对所述候选标签的确认操作,且所述候选标签对应的标签等级在所述目标图片的至少一个标签中不为最低等级,则从所述候选标签的子标签中,确定置信度最大的子标签作为推荐标签;
在接收到对所述推荐标签的确认操作的情形下,将所述推荐标签作为所述目标图片的目标标签。
4.根据权利要求3所述的方法,其特征在于,在从所述标签列表中确定候选标签的步骤之后,所述方法还包括:
若未接收到对所述候选标签的确认操作,则将所述候选标签作为所述目标图片的目标标签。
5.根据权利要求3所述的方法,其特征在于,在从所述候选标签的子标签中,确定置信度最大的子标签作为推荐标签的步骤之后,还包括:
若未接收到对所述推荐标签的确认操作,则将所述候选标签作为所述目标图片的所述目标标签。
6.根据权利要求1所述的方法,其特征在于,所述根据所述标签列表生成所述目标图片的目标标签的步骤,包括:
从所述标签列表中确定候选标签,所述候选标签对应的标签等级在所述标签列表中为最低等级;
根据所述候选标签生成所述目标图片的目标标签;
其中,所述根据所述候选标签生成所述目标图片的目标标签的步骤,包括:
若接收到对所述候选标签的确认操作,且所述候选标签的标签等级在所述目标图片的至少一个标签中为最低等级,则将所述候选标签作为所述目标图片的目标标签;
若接收到对所述候选标签的确认操作,且所述候选标签对应的标签等级在所述目标图片的至少一个标签中不为最低等级,则从所述候选标签的子标签中,确定置信度最大的子标签作为推荐标签;
若接收到对所述推荐标签的确认操作,则将所述推荐标签作为候选标签,并进入根据所述候选标签生成所述目标图片的目标标签的步骤。
7.根据权利要求6所述的方法,其特征在于,所述根据所述候选标签生成所述目标图片的目标标签的步骤,还包括:
若未接收到对所述候选标签的确认操作,则将所述候选标签作为所述目标图片的目标标签。
8.根据权利要求6所述的方法,其特征在于,所述根据所述候选标签生成所述目标图片的目标标签的步骤,还包括:
若未接收到对所述推荐标签的确认操作,则将所述候选标签作为所述目标图片的所述目标标签。
9.根据权利要求1至8其中任一项所述的方法,其特征在于,所述标签预测模型通过如下步骤训练得到:
将标注有样本标签的所述图片样本输入至所述标签预测模型,得到预测标签,所述标签预测模型包括卷积运算单元;
根据所述预测标签和所述样本标签确定损失值;
若所述损失值大于或等于预设损失值阈值,则调整所述标签预测模型的参数,以继续训练;
若所述损失值小于所述损失值阈值,则结束训练。
10.根据权利要求9所述的方法,其特征在于,所述预测标签对应有标签等级,所述根据所述预测标签和所述样本标签确定损失值的步骤,包括:
针对每个所述标签等级,根据对应所述标签等级的所述预测标签和所述样本标签计算损失值,得到第一子损失值;
针对每个所述标签等级,采用所述标签等级对应的加权系数,对每个所述标签等级的所述第一子损失值进行加权得到第二子损失值;
根据每个所述标签等级的所述第二子损失值确定所述损失值。
11.一种图片标签的生成装置,其特征在于,所述装置包括:
目标图片获取模块,用于获取目标图片;
标签预测模块,用于采用标签预测模型和构建的标签体系,预测得到所述目标图片的至少一个标签以及所述标签对应的标签等级和置信度;所述标签预测模型是通过依所述标签体系标注有样本标签的图片样本训练得到的;
标签列表生成模块,用于对于每个所述标签,若所述标签的置信度大于或等于所述标签对应的标签等级的置信度阈值,则将所述标签添加至标签列表中;
目标标签生成模块,用于根据所述标签列表生成所述目标图片的目标标签。
12.一种电子设备,其特征在于,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-10中任一项所述的图片标签的生成方法。
13.一种可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如方法权利要求1-10中任一项所述的图片标签的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911185794.2A CN111144216A (zh) | 2019-11-27 | 2019-11-27 | 图片标签的生成方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911185794.2A CN111144216A (zh) | 2019-11-27 | 2019-11-27 | 图片标签的生成方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111144216A true CN111144216A (zh) | 2020-05-12 |
Family
ID=70517315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911185794.2A Withdrawn CN111144216A (zh) | 2019-11-27 | 2019-11-27 | 图片标签的生成方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144216A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022193171A1 (en) * | 2021-03-17 | 2022-09-22 | Huawei Cloud Computing Technologies Co., Ltd. | System and method for unsupervised multi-model joint reasoning |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6182242B1 (ja) * | 2016-06-13 | 2017-08-16 | 三菱電機インフォメーションシステムズ株式会社 | データのラベリングモデルに係る機械学習方法、コンピュータおよびプログラム |
CN108776800A (zh) * | 2018-06-05 | 2018-11-09 | Oppo广东移动通信有限公司 | 一种图像处理方法、移动终端及计算机可读存储介质 |
CN108960110A (zh) * | 2018-06-26 | 2018-12-07 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN109189767A (zh) * | 2018-08-01 | 2019-01-11 | 北京三快在线科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN109800373A (zh) * | 2019-01-30 | 2019-05-24 | 腾讯科技(深圳)有限公司 | 标签处理方法、装置、存储介质和计算机设备 |
CN110211670A (zh) * | 2019-05-14 | 2019-09-06 | 广州虎牙信息科技有限公司 | 指标预测方法、装置、电子设备及存储介质 |
CN110378410A (zh) * | 2019-07-16 | 2019-10-25 | 北京字节跳动网络技术有限公司 | 多标签场景分类方法、装置及电子设备 |
CN110458233A (zh) * | 2019-08-13 | 2019-11-15 | 腾讯云计算(北京)有限责任公司 | 混合粒度物体识别模型训练及识别方法、装置及存储介质 |
CN110490221A (zh) * | 2019-07-05 | 2019-11-22 | 平安科技(深圳)有限公司 | 多标签分类方法、电子装置及计算机可读存储介质 |
-
2019
- 2019-11-27 CN CN201911185794.2A patent/CN111144216A/zh not_active Withdrawn
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6182242B1 (ja) * | 2016-06-13 | 2017-08-16 | 三菱電機インフォメーションシステムズ株式会社 | データのラベリングモデルに係る機械学習方法、コンピュータおよびプログラム |
CN108776800A (zh) * | 2018-06-05 | 2018-11-09 | Oppo广东移动通信有限公司 | 一种图像处理方法、移动终端及计算机可读存储介质 |
CN108960110A (zh) * | 2018-06-26 | 2018-12-07 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN109189767A (zh) * | 2018-08-01 | 2019-01-11 | 北京三快在线科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN109800373A (zh) * | 2019-01-30 | 2019-05-24 | 腾讯科技(深圳)有限公司 | 标签处理方法、装置、存储介质和计算机设备 |
CN110211670A (zh) * | 2019-05-14 | 2019-09-06 | 广州虎牙信息科技有限公司 | 指标预测方法、装置、电子设备及存储介质 |
CN110490221A (zh) * | 2019-07-05 | 2019-11-22 | 平安科技(深圳)有限公司 | 多标签分类方法、电子装置及计算机可读存储介质 |
CN110378410A (zh) * | 2019-07-16 | 2019-10-25 | 北京字节跳动网络技术有限公司 | 多标签场景分类方法、装置及电子设备 |
CN110458233A (zh) * | 2019-08-13 | 2019-11-15 | 腾讯云计算(北京)有限责任公司 | 混合粒度物体识别模型训练及识别方法、装置及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022193171A1 (en) * | 2021-03-17 | 2022-09-22 | Huawei Cloud Computing Technologies Co., Ltd. | System and method for unsupervised multi-model joint reasoning |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110211119B (zh) | 图像质量评估方法、装置、电子设备及可读存储介质 | |
CN108960316B (zh) | 用于生成模型的方法和装置 | |
CN112000819A (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN113128478B (zh) | 模型训练方法、行人分析方法、装置、设备及存储介质 | |
CN110096617B (zh) | 视频分类方法、装置、电子设备及计算机可读存储介质 | |
CA3231912A1 (en) | Image classification system | |
CN110135889A (zh) | 智能推荐书单的方法、服务器及存储介质 | |
CN113379045B (zh) | 数据增强方法和装置 | |
CN111241381A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN111144216A (zh) | 图片标签的生成方法、装置、电子设备及可读存储介质 | |
CN110796210A (zh) | 一种标签信息的识别方法及装置 | |
CN109886310B (zh) | 图片排序方法、装置、电子设备及可读存储介质 | |
CN112925924A (zh) | 多媒体文件的推荐方法、装置、电子设备及存储介质 | |
CN101263662A (zh) | 自适应影响区域滤波器 | |
KR101700030B1 (ko) | 사전 정보를 이용한 영상 물체 탐색 방법 및 이를 수행하는 장치 | |
CN107391257B (zh) | 业务所需内存容量的预估方法、装置及服务器 | |
Tariq et al. | Nature inspired algorithm based fast intra mode decision in HEVC | |
CN112329735B (zh) | 人脸识别模型的训练方法及在线教育系统 | |
CN112069806B (zh) | 简历筛选方法、装置、电子设备及存储介质 | |
CN111339367B (zh) | 视频处理方法、装置、电子设备及计算机可读存储介质 | |
CN111506753B (zh) | 推荐方法、装置、电子设备及可读存储介质 | |
CN115858911A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN111783936A (zh) | 卷积神经网络构建方法、装置、设备及介质 | |
CN112949687B (zh) | 差异识别模型的训练方法及装置 | |
CN113378853B (zh) | 一种图像分类方法、装置、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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200512 |