CN111310001B - 基于区块链的云计算大数据图片查找方法及系统 - Google Patents
基于区块链的云计算大数据图片查找方法及系统 Download PDFInfo
- Publication number
- CN111310001B CN111310001B CN202010179155.1A CN202010179155A CN111310001B CN 111310001 B CN111310001 B CN 111310001B CN 202010179155 A CN202010179155 A CN 202010179155A CN 111310001 B CN111310001 B CN 111310001B
- Authority
- CN
- China
- Prior art keywords
- network
- picture
- output
- chain
- query information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/538—Presentation of query results
-
- 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
-
- 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于区块链的云计算大数据图片查找方法及系统,所述方法包括:客户端获得用户的人脸图像和图片查询信息,将所述人脸图像和图片查询信息发送至云计算终端;云计算终端基于所述人脸图像和图片查询信息,将所述人脸图像和所述图片查询信息输入训练好的第一网络,以所述第一网络的输出作为所述图片查询信息的目标图片索引,将所述目标图片索引发送至所述客户端;所述客户端根据所述目标图片索引,定位到与目标图片索引对应的索引链,获得所述索引链对应的图片链,显示所述图片链中的图片。通过采用以上方案,基于将人脸图像和图片查询信息获得目标图片索引,可以提高查找目图片的准确性。同时,基于索引链查找图片,查找速度快。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种基于区块链的云计算大数据图片查找方法及系统。
背景技术
现有技术中,存储照片一般是拍摄按照时间顺序进行存储,或者按照拍摄地点进行存储。当用户需要查找某一张图片时,需要在众多的照片集中挨个挨个浏览才能找到目标图片。在大数据图片库中,图片很多,如果目标图片拍摄了很久,也没有对目标图片进行收藏标记,那么用户要找到这张目标图片,等同于大海捞针,耗费非常多的精力和时间。
因此,一种可以快速找到目标图片方法为人们所需。
发明内容
本发明的目的在于提供一种基于区块链的云计算大数据图片查找方法及系统,用以解决现有技术中存在的上述问题。
第一方面,本发明实施例提供了一种基于区块链的云计算大数据图片查找方法,包括:
客户端获得用户的人脸图像和图片查询信息,将所述人脸图像和图片查询信息发送至云计算终端;
云计算终端基于所述人脸图像和图片查询信息,将所述人脸图像和所述图片查询信息输入训练好的第一网络,以所述第一网络的输出作为所述图片查询信息的目标图片索引,将所述目标图片索引发送至所述客户端;
所述客户端根据所述目标图片索引,定位到与目标图片索引对应的索引链,获得所述索引链对应的图片链,显示所述图片链中的图片。
可选的,所述方法还包括:
所述客户端将所述图片链中的图片发送到云计算终端;
云计算终端将所述人脸图像、所述图片查询信息和所述图片链中的图片输入到第二网络,第二网络输出所述图片链的图片中与图片查询信息匹配度最高的图片。
可选的,所述第一网络包括图卷积神经网络、长短时记忆网络、一个估计层网络、一个记忆层网络、第一适应层网络和第二适应网络,图卷积神经网络输出的第一信息和长短时记忆网络输出的第二信息是第一适应网络的输入,第一适应网络的第一输出是估计层网络的输入,第一适应网络的第二输出是记忆层网络的输入,估计层网络输出的估计特征数和记忆层网络输出的记忆特征数是第二适应网络的输入,第二适应网络的输出是一个特征值,将所述人脸图像和所述图片查询信息输入训练好的第一网络,训练好的第一网络输出的特征值就是目标图片索引。
可选的,图卷积神经网络的层间映射关系满足公式:
f(H)=σ*A*H*(A*H+I)-1,
其中,此时的H表示人脸图像,σ是非线性激活板书,A是核矩阵,I是单位矩阵。
可选的,卷积神经网络和长短时记忆网络与第一适应网络的映射关系满足公式:
V2=L-f(H)
其中,f(H)表示图卷积神经网络的输出,L表示长短时记忆网络的输出;V1表示第一输出,V2表示第二输出。
可选的,第一适应网络与估计层网络之间的映射关系满足公式:
其中,q1表示估计层网络的输出,V1i,j表示V1中的第i行第j列的元素的像素值,m表示V1中的行数,n表示V1中的列数;σ1表示V1中的元素的像素值的方差。
可选的,第一适应网络与记忆层网络之间的映射关系满足公式:
其中,q2表示记忆层网络的输出(记忆特征数),V2i,j表示V2中的第i行第j列的元素的像素值,k表示W2中的行数,h表示V2中的列数;σ2表示V2中的元素的像素值的方差。
可选的,第二网络包括卷积神经网络、匹配网络和第一网络,卷积神经网络的输入是所述图片链中的图片,卷积神经网络的输出与所述第一网络的第二信息进行加权求和,得到加权第二信息,加权第二信息和第一网络的第一信息作为第一适应网络的输入,以第一网络中第二适应网络的输出以及卷积神经网络的输出作为匹配网络的输入,匹配网络的输出是所述图片链的图片中与图片查询信息匹配度最高的图片。
第二方面,本发明实施例提供了一种基于区块链的云计算大数据图片查找系统,包括:
客户端,用于获得用户的人脸图像和图片查询信息,将所述人脸图像和图片查询信息发送至云计算终端;
云计算终端用于,基于所述人脸图像和图片查询信息,将所述人脸图像和所述图片查询信息输入训练好的第一网络,以所述第一网络的输出作为所述图片查询信息的目标图片索引,将所述目标图片索引发送至所述客户端;
所述客户端,还用于根据所述目标图片索引,定位到与目标图片索引对应的索引链,获得所述索引链对应的图片链,显示所述图片链中的图片。
可选的,客户端包括摄像头和搜索接口;
摄像头用于采集用户的人脸图像;
搜索接口用于获取图片查询信息。
相较于现有技术,本发明实施例达到的有益效果是:
本发明实施例提供了一种基于区块链的云计算大数据图片查找方法及系统,所述方法包括:客户端获得用户的人脸图像和图片查询信息,将所述人脸图像和图片查询信息发送至云计算终端;云计算终端基于所述人脸图像和图片查询信息,将所述人脸图像和所述图片查询信息输入训练好的第一网络,以所述第一网络的输出作为所述图片查询信息的目标图片索引,将所述目标图片索引发送至所述客户端;所述客户端根据所述目标图片索引,定位到与目标图片索引对应的索引链,获得所述索引链对应的图片链,显示所述图片链中的图片。通过采用以上方案,基于将人脸图像和图片查询信息获得目标图片索引,可以提高查找目图片的准确性。同时,基于索引链查找图片,查找速度快。
附图说明
图1是本发明实施例提供的一种基于区块链的云计算大数据图片查找方法的流程图。
图2是本发明实施例提供的第三网络的结构示意图。
图3是本发明实施例提供的第四网络的结构示意图。
图4是本发明实施例提供的第五网络的结构示意图。
图5是本发明实施例提供的一种基于区块链的云计算大数据图片查找系统的示意图。
图中标记:基于区块链的云计算大数据图片查找系统200;客户端210;云计算终端220;区块链300。
具体实施方式
下面结合附图,对本发明作详细的说明。
本发明实施例提供了一种基于区块链的云计算大数据图片查找方法,如图1所示,基于区块链的云计算大数据图片查找包括:
S101:客户端获得用户的人脸图像和图片查询信息,将所述人脸图像和图片查询信息发送至云计算终端。
S102:云计算终端基于所述人脸图像和图片查询信息,将所述人脸图像和所述图片查询信息输入训练好的第一网络,以所述第一网络的输出作为所述图片查询信息的目标图片索引,将所述目标图片索引发送至所述客户端。
S103:所述客户端根据所述目标图片索引,定位到与目标图片索引对应的索引链,获得所述索引链对应的图片链,显示所述图片链中的图片。
通过采用以上方案,基于将人脸图像和图片查询信息获得目标图片索引,可以提高查找目图片的准确性。同时,基于索引链查找图片,查找速度快。
其中,所述第一网络包括图卷积神经网络、长短时记忆网络、一个估计层网络、一个记忆层网络、第一适应层网络和第二适应网络,图卷积神经网络输出的第一信息和长短时记忆网络输出的第二信息是第一适应网络的输入,第一适应网络的第一输出是估计层网络的输入,第一适应网络的第二输出是记忆层网络的输入,估计层网络输出的估计特征数和记忆层网络输出的记忆特征数是第二适应网络的输入,第二适应网络的输出是一个特征值,将所述人脸图像和所述图片查询信息输入训练好的第一网络,训练好的第一网络输出的特征值就是目标图片索引。
图卷积神经网络的层间映射关系满足公式:
f(H)=σ*A*H*(A*H+I)-1,
其中,此时的H表示人脸图像,σ是非线性激活板书,A是核矩阵,I是单位矩阵。
卷积神经网络和长短时记忆网络与第一适应网络的映射关系满足公式:
V2=L-f(H)
其中,f(H)表示图卷积神经网络的输出,L表示长短时记忆网络的输出;V1表示第一输出,V2表示第二输出。
第一适应网络与估计层网络之间的映射关系满足公式:
其中,q1表示估计层网络的输出,V1i,j表示V1中的第i行第j列的元素的像素值,m表示V1中的行数,n表示V1中的列数;σ1表示V1中的元素的像素值的方差。
第一适应网络与记忆层网络之间的映射关系满足公式:
其中,q2表示记忆层网络的输出(记忆特征数),V2i,j表示V2中的第i行第j列的元素的像素值,k表示W2中的行数,h表示V2中的列数;σ2表示V2中的元素的像素值的方差。
作为一种可选的实施方式,所述方法还包括:所述客户端将所述图片链中的图片发送到云计算终端;云计算终端将所述人脸图像、所述图片查询信息和所述图片链中的图片输入到第二网络,第二网络输出所述图片链的图片中与图片查询信息匹配度最高的图片。
其中,第二网络包括卷积神经网络、匹配网络和第一网络,卷积神经网络的输入是所述图片链中的图片,卷积神经网络的输出与所述第一网络的第二信息进行加权求和,得到加权第二信息,加权第二信息和第一网络的第一信息作为第一适应网络的输入,以第一网络中第二适应网络的输出以及卷积神经网络的输出作为匹配网络的输入,匹配网络的输出是所述图片链的图片中与图片查询信息匹配度最高的图片。
作为一种可选的实施方式,在所述客户端根据所述目标图片索引,定位到与目标图片索引对应的索引链,获得所述索引链对应的图片链,显示所述图片链中的图片之前,所述方法还包括:客户端在用户触发存储图片的操作时,获得用户想要存储的图片,所述图片发送至云计算终端和区块链数据库中;云计算终端获得用户在触发存储图片的操作时的生理信息;基于所述生理信息和所述图片,生成所述图片的索引信息;将所述索引信息发送至所述客户端;客户端将所述图片和所述索引信息分别存储在一一对应的图片链和索引链中,所述索引链与客户端的搜索接口连接。
其中,用户想要存储的图片是用户触发存储操作对应的图片。
通过采用以上方案,基于用户在触发存储图片的操作时的生理信息和想要存储的图片,生成对该图片的索引信息,并将图片和索引信息一一对应存储在图片链和索引链中,索引链与客户端的搜索接口连接,以便用户根据索引信息通过搜索接口快速准确地找到图片。
可选的,所述获得用户在触发存储图片的操作时的生理信息,包括:获得用户在触发存储图片的操作时的面部图像信息和手部电信号信息;将所述面部图像信息输入训练好的第三网络中,以训练好的第三网络的输出作为第一特征值;将所述手部电信号信息输入训练好的第四网络中,以训练好的第四网络的输出作为第二特征值;基于所述第一特征值和所述第二特征值获得第三特征值;将所述面部图像信息和所述手部电信号信息输入训练好的第五网络,以训练好的第四特征值的输出作为第四特征值;基于所述第三特征值和所述第四特征值,获得生理特征值;从大数据库中获得与所述生理特征值对应的生理信息。需要解释的是,大数据库中存储有多个生理信息,则从大数据库中获得与所述生理特征值对应的生理信息。
其中,如图2所示,所述第三网络包括一个五层的图卷积神经网络、一个全连接层网络和一个估计层网络,图卷积神经网络的输出是全连接层网络的输入,全连接层网络的输出是估计层网络的输入,估计层网络的输出是一个估计特征数;将所述面部图像信息输入训练好的第三网络中,训练好的第三网络输出的估计特征数就是第一特征值。五层的图卷积神经网络中,每层网络之间的层间映射函数为:
f(H)=σ*A*H*(A*H+I)-1
其中,H通过层间映射函数f映射后,得到f(H),五层的图卷积神经网络中,第一层树输入层,第五层是输出层,第一层的输入H指的是面部图像信息,是一个矩阵。σ是非线性激活板书,A是核矩阵,I是单位矩阵。
全连接层网络将第五层的图卷积神经网络的输出层的输出矩阵f(H)进行全连接映射,具体为:
其中,S(f(H))表示全连接层与五层的图卷积神经网络的输出层之间的映射关系,Si表示全连接层的第i个元素,∑f(H)i,j表示五层的图卷积神经网络的输出层的输出矩阵中第i行,第j列的元素f(H)i,j之和,N表示五层的图卷积神经网络的输出层的输出矩阵的对角线元素的个数。
估计层网络与全连接层网络之间的连接映射关系为:
其中,q表示估计层网络的输出(估计特征数),即第一特征值。γi表示地i个协调因子,γi是0到1之间的随机数。
如图3所示,所述第四网络包括一个五层的图卷积神经网络和一个记忆层网络,图卷积神经网络的输出是记忆层网络的输入,记忆层网络的输出是一个记忆特征数;将所述手部电信号信息输入训练好的第四网络中,训练好的第四网络输出的记忆特征数就是第二特征值。
在本发明实施例中,将所述手部电信号信息输入训练好的第四网络中之前还包括将手部电信号信息转换成图像矩阵序列,然后将图像矩阵序列的手部电信号信息输入训练好的第四网络中。将手部电信号信息转换成图像矩阵序列的具体方式为:将手部电信号信息转换成手部电信号的波形图像信息,对波形图像信息进行去噪和增强处理,得到图像矩阵序列。在第四网络中,五层的图卷积神经网络的输入H就是电信号信息的图像矩阵序列。
记忆层网络将图卷积神经网络输出的矩阵图像中的波形特征,对波形特征进行低通滤波处理,然后对低通滤波处理后的波形特征进行加权求和,得到记忆特征数(第二特征值)。
在本发明实施例中,基于所述第一特征值和所述第二特征值获得第三特征值,具体按照如下公式得到:
其中,t表示第三特征值,p表示第二特征值。
可选的,如图4所示,所述第五网络包括第一图卷积神经网络、第二图卷积神经网络、一个估计层网络、一个记忆层网络、第一适应层网络和第二适应网络,第一图卷积神经网络输出的第一信息和第二图卷积神经网络输出的第二信息是第一适应网络的输入,第一适应网络的第一输出是估计层网络的输入,第一适应网络的第二输出是记忆层网络的输入,估计层网络输出的估计特征数和记忆层网络输出的记忆特征数是第二适应网络的输入,第二适应网络的输出是一个特征值;将所述面部图像信息和所述手部电信号信息输入训练好的第五网络,训练好的第五网络输出的特征值就是第四特征值。
其中,第一图卷积神经网络、第二图卷积神经网络的层间映射关系满足公式:
f(H)=σ*A*H*(A*H+I)-1
第一适应网络与第一图卷积神经网络、第二图卷积神经网络之间的映射关系满足公式:
W2=f(H1)-f(H2)
其中,f(H1)表示第一图卷积神经网络的输出(第一信息),f(H2)表示第二图卷积神经网络的输出(第二信息)。W1表示第一输出,W2表示第二输出。
第一适应网络与估计层网络之间的映射关系满足公式:
其中,q1表示估计层网络的输出(估计特征数),W1i,j表示W1中的第i行第j列的元素的像素值,m表示W1中的行数,n表示W1中的列数。σ1表示W1中的元素的像素值的方差。
第一适应网络与记忆层网络之间的映射关系满足公式:
其中,q2表示记忆层网络的输出(记忆特征数),W2i,j表示W2中的第i行第j列的元素的像素值,k表示W2中的行数,h表示W2中的列数。σ2表示W2中的元素的像素值的方差。
第二适应网络对估计特征数和记忆特征数进行如下公式的计算,得到第四特征值:
其中,g是第二适应网络的输出(第四特征值),e是自然对数的底数。
基于所述第三特征值和所述第四特征值,获得生理特征值,具体为:
v=|cos(t*π)+sin(g*π)|
其中,v表示生理特征值,π等于3.171592653。
其中,基于所述生理信息和所述图片,生成所述图片的索引信息,包括:
将所述生理信息和所述图片输入训练好的第五网络,以第五网络输出的特征值作为索引指数;
从大数据库中获得与索引指数对应的索引信息作为检索所述图片的索引信息,将所述云计算终端。
客户端采集用户的面部图像信息和手部电信号信息,将面部图像信息和手部电信号信息发送至区块链数据库和云计算终端。
本发明实施例还提供了一种基于区块链的云计算大数据图片查找系统200,用于执行上述的基于区块链的云计算大数据图片查找方法,如图5所示,基于区块链的云计算大数据图片查找系统200包括客户端210和云计算终端220,所述客户端210与云计算终端220连接,客户端210是区块链300中的节点。其中:
客户端210,用于获得用户的人脸图像和图片查询信息,将所述人脸图像和图片查询信息发送至云计算终端220;
云计算终端220用于,基于所述人脸图像和图片查询信息,将所述人脸图像和所述图片查询信息输入训练好的第一网络,以所述第一网络的输出作为所述图片查询信息的目标图片索引,将所述目标图片索引发送至所述客户端210;
所述客户端210,还用于根据所述目标图片索引,定位到与目标图片索引对应的索引链,获得所述索引链对应的图片链,显示所述图片链中的图片。
客户端210包括摄像头和搜索接口;摄像头用于采集用户的人脸图像;搜索接口用于获取图片查询信息。
Claims (8)
1.一种基于区块链的云计算大数据图片查找方法,其特征在于,包括:
客户端获得用户的人脸图像和图片查询信息,将所述人脸图像和图片查询信息发送至云计算终端;
云计算终端基于所述人脸图像和图片查询信息,将所述人脸图像和所述图片查询信息输入训练好的第一网络,以所述第一网络的输出作为所述图片查询信息的目标图片索引,将所述目标图片索引发送至所述客户端;
所述客户端根据所述目标图片索引,定位到与目标图片索引对应的索引链,获得所述索引链对应的图片链,显示所述图片链中的图片;
所述客户端将所述图片链中的图片发送到云计算终端;
云计算终端将所述人脸图像、所述图片查询信息和所述图片链中的图片输入到第二网络,第二网络输出所述图片链的图片中与图片查询信息匹配度最高的图片;
所述第一网络包括图卷积神经网络、长短时记忆网络、一个估计层网络、一个记忆层网络、第一适应层网络和第二适应网络,图卷积神经网络输出的第一信息和长短时记忆网络输出的第二信息是第一适应网络的输入,第一适应网络的第一输出是估计层网络的输入,第一适应网络的第二输出是记忆层网络的输入,估计层网络输出的估计特征数和记忆层网络输出的记忆特征数是第二适应网络的输入,第二适应网络的输出是一个特征值,将所述人脸图像和所述图片查询信息输入训练好的第一网络,训练好的第一网络输出的特征值就是目标图片索引。
2.根据权利要求1所述的方法,其特征在于,图卷积神经网络的层间映射关系满足公式:
f(H)=σ*A*H*(A*H+I)-1,
其中,此时的H表示人脸图像,σ是非线性激活板书,A是核矩阵,I是单位矩阵。
6.根据权利要求5所述的方法,其特征在于,第二网络包括卷积神经网络、匹配网络和第一网络,卷积神经网络的输入是所述图片链中的图片,卷积神经网络的输出与所述第一网络的第二信息进行加权求和,得到加权第二信息,加权第二信息和第一网络的第一信息作为第一适应网络的输入,以第一网络中第二适应网络的输出以及卷积神经网络的输出作为匹配网络的输入,匹配网络的输出是所述图片链的图片中与图片查询信息匹配度最高的图片。
7.一种基于区块链的云计算大数据图片查找系统,其特征在于,包括:
客户端,用于获得用户的人脸图像和图片查询信息,将所述人脸图像和图片查询信息发送至云计算终端;
云计算终端用于,基于所述人脸图像和图片查询信息,将所述人脸图像和所述图片查询信息输入训练好的第一网络,以所述第一网络的输出作为所述图片查询信息的目标图片索引,将所述目标图片索引发送至所述客户端;
所述客户端,还用于根据所述目标图片索引,定位到与目标图片索引对应的索引链,获得所述索引链对应的图片链,显示所述图片链中的图片;
所述客户端将所述图片链中的图片发送到云计算终端;
云计算终端将所述人脸图像、所述图片查询信息和所述图片链中的图片输入到第二网络,第二网络输出所述图片链的图片中与图片查询信息匹配度最高的图片;
所述第一网络包括图卷积神经网络、长短时记忆网络、一个估计层网络、一个记忆层网络、第一适应层网络和第二适应网络,图卷积神经网络输出的第一信息和长短时记忆网络输出的第二信息是第一适应网络的输入,第一适应网络的第一输出是估计层网络的输入,第一适应网络的第二输出是记忆层网络的输入,估计层网络输出的估计特征数和记忆层网络输出的记忆特征数是第二适应网络的输入,第二适应网络的输出是一个特征值,将所述人脸图像和所述图片查询信息输入训练好的第一网络,训练好的第一网络输出的特征值就是目标图片索引。
8.根据权利要求7所述的系统,其特征在于,客户端包括摄像头和搜索接口;
摄像头用于采集用户的人脸图像;
搜索接口用于获取图片查询信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010179155.1A CN111310001B (zh) | 2020-03-16 | 2020-03-16 | 基于区块链的云计算大数据图片查找方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010179155.1A CN111310001B (zh) | 2020-03-16 | 2020-03-16 | 基于区块链的云计算大数据图片查找方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310001A CN111310001A (zh) | 2020-06-19 |
CN111310001B true CN111310001B (zh) | 2020-12-11 |
Family
ID=71145658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010179155.1A Active CN111310001B (zh) | 2020-03-16 | 2020-03-16 | 基于区块链的云计算大数据图片查找方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310001B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572905B (zh) * | 2014-12-26 | 2018-09-04 | 小米科技有限责任公司 | 照片索引创建方法、照片搜索方法及装置 |
US10498751B2 (en) * | 2017-05-31 | 2019-12-03 | Infoblox Inc. | Inline DGA detection with deep networks |
CN108460089B (zh) * | 2018-01-23 | 2022-03-01 | 海南师范大学 | 基于Attention神经网络的多元特征融合中文文本分类方法 |
CN109918530A (zh) * | 2019-03-04 | 2019-06-21 | 北京字节跳动网络技术有限公司 | 用于推送图像的方法和装置 |
-
2020
- 2020-03-16 CN CN202010179155.1A patent/CN111310001B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111310001A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110941740B (zh) | 视频推荐方法及计算机可读存储介质 | |
US9443011B2 (en) | Searching for images by video | |
US8995716B1 (en) | Image search results by seasonal time period | |
Stone et al. | Autotagging facebook: Social network context improves photo annotation | |
CN110503076B (zh) | 基于人工智能的视频分类方法、装置、设备和介质 | |
Xu et al. | Remote sensing image scene classification based on generative adversarial networks | |
CN110580482A (zh) | 图像分类模型训练、图像分类、个性化推荐方法及装置 | |
WO2022199504A1 (zh) | 内容识别方法、装置、计算机设备和存储介质 | |
CN110765882B (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
CN102375987B (zh) | 图像处理设备及图像特征向量提取与图像匹配方法 | |
CN111027576A (zh) | 基于协同显著性生成式对抗网络的协同显著性检测方法 | |
CN115482395B (zh) | 模型训练方法、图像分类方法、装置、电子设备和介质 | |
Cui et al. | Semantic annotation in earth observation based on active learning | |
JP2023520625A (ja) | 画像特徴マッチング方法及び関連装置、機器並びに記憶媒体 | |
CN115080801A (zh) | 基于联邦学习和数据二进制表示的跨模态检索方法及系统 | |
CN110704741A (zh) | 基于时空点过程的兴趣点预测方法 | |
CN111177282A (zh) | 一种融入注意力机制的预测方法 | |
CN115238855A (zh) | 基于图神经网络的时序知识图谱的补全方法及相关设备 | |
CN109597906B (zh) | 图像检索方法及装置 | |
Zhao et al. | Learning expression features via deep residual attention networks for facial expression recognition from video sequences | |
Zhou et al. | SiamET: a Siamese based visual tracking network with enhanced templates | |
Wang et al. | Computer vision for lifelogging: Characterizing everyday activities based on visual semantics | |
CN111310001B (zh) | 基于区块链的云计算大数据图片查找方法及系统 | |
CN111353060B (zh) | 基于区块链的云计算大数据图片存储方法及系统 | |
CN113158831A (zh) | 检测摄像设备移动的方法、装置、计算机设备和存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201125 Address after: No.1202, 12 / F, building 18, No.51 Tengfei Avenue, Qingyang District, Chengdu, Sichuan 610000 Applicant after: China Construction e-commerce Co.,Ltd. Address before: No.38 Yingpan West Road, Ximen street, Kaili City, Qiandongnan Miao and Dong Autonomous Prefecture, Guizhou Province Applicant before: Yang Xianlian |
|
GR01 | Patent grant | ||
GR01 | Patent grant |