CN111339331A - 一种以图搜文的方法、智能终端及计算机可读介质 - Google Patents

一种以图搜文的方法、智能终端及计算机可读介质 Download PDF

Info

Publication number
CN111339331A
CN111339331A CN202010098332.3A CN202010098332A CN111339331A CN 111339331 A CN111339331 A CN 111339331A CN 202010098332 A CN202010098332 A CN 202010098332A CN 111339331 A CN111339331 A CN 111339331A
Authority
CN
China
Prior art keywords
pictures
picture
same
searching
similar
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
Application number
CN202010098332.3A
Other languages
English (en)
Inventor
王国杰
何伟
廖宏俭
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.)
Shenzhen Xinke Communication Technology Co ltd
Original Assignee
Shenzhen Xinke Communication 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 Shenzhen Xinke Communication Technology Co ltd filed Critical Shenzhen Xinke Communication Technology Co ltd
Priority to CN202010098332.3A priority Critical patent/CN111339331A/zh
Publication of CN111339331A publication Critical patent/CN111339331A/zh
Pending legal-status Critical Current

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
    • G06F16/50—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
    • 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
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

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

Abstract

本申请实施例公开了一种以图搜文的方法，包括：智能终端获取用户终端发送的图片；以所述图片为基础，在图库中搜索相同或近似的图片；获取所述搜索到的相同或近似图片的全部文章，并将所述文章链接发送给用户。相应地，本发明实施例还公开了一种以图搜文的智能终端，解决了如何利用图片获取文章链接的问题，提高了搜索效率。

Description

一种以图搜文的方法、智能终端及计算机可读介质
技术领域
本申请涉及数据处理技术领域，尤其涉及一种以图搜文的方法、智能终端及计算机可读介质。
背景技术
随着图片处理技术的发展，目前用户可以使用主流的搜索网站进行以图搜图的操作，而目前，大部分的以图搜图方式均是基于图片和别内容进行的匹配度查找，例如CN110532415A公开的图片搜索方法，其对每一个图像主体进行定位处理，得到每一个图像主体在待识别图像中的位置信息，并对每一个图像主体进行内容识别处理，得到每一个图像主体的识别结果，并根据每一个图像主体的位置信息和识别结果，确定并显示与该待识别图像匹配的图像组。
以此同时，随之而来的问题是，如何在以图搜图技术发展的基础上，实现以图搜文(即，以图片的形式搜索相同的文章或关联度较高的文章)，以供学术研究及工业研发，提升搜索的效率。
发明内容
本申请实施例提供一种以图搜文的方法、智能终端及计算机可读介质，用于解决现有技术中如何实现以图搜文的问题，提升搜索效率。
本发明实施例提供一种以图搜文的方法，包括：
智能终端获取用户终端发送的图片；
以所述图片为基础，在图库中搜索相同或近似的图片；
获取所述搜索到的相同或近似图片的全部文章，并将所述文章链接发送给用户。
可选地，所述以所述图片为基础，在图库中搜索相同的图片，获取所述搜索到的相同或近似图片的全部文章，包括：
从文库文章中提取图片，并将所述提取的图片转换为灰度图，并基于所述灰度图建立灰度图库，将所述灰度图片和包含有该灰度图片的文章链接起来；
将所述用户终端发送的图片转换为灰度图，并在图库中搜索相同或近似的图片；
将所述搜索到的相同图片链接的文章列举出来。
可选地，在图库中搜索相同或近似的图片，包括：
基于神经网络技术分别对所述用户发送的图片和图库中的图片进行特征提取，并将图片抽化为高维向量；
将图片库中未整理过的图片向量按照不同聚类类别分别进行聚类并建立一级索引，然后对结果再次进行聚类并建立二级索引，
依照所述的二级索引、一级索引、向量的顺序进行搜索，将所述特征分别进行匹配，并按照特征匹配度进行排序，确定匹配度高于预设阈值的为相同或相似的图片。
可选地，在图库中搜索相同或近似的图片，包括：
对所述图库中的图片及所述用户终端发送的图片分别进行二值化处理、几何形态分析、聚类分析处理，识别出所述图片的拟合数据，并利用机器学习法识别出所述图片中人和物的信息；
将所述不同图片识别出的人和物的信息进行匹配，并按照信息匹配度进行排序，确定匹配度高于预设阈值的为相同或相似的图片。
本发明实施例还提供一种以图搜文的智能终端，所述智能终端包括：
获取模块，用于获取用户终端发送的图片；
搜索模块，用于以所述图片为基础，在图库中搜索相同或近似的图片；
发送模块，用于获取所述搜索到的相同或近似图片的全部文章，并将所述文章链接发送给用户。
可选地，所述智能终端用于以所述图片为基础，在图库中搜索相同的图片，获取所述搜索到的相同或近似图片的全部文章，包括：
从文库文章中提取图片，并将所述提取的图片转换为灰度图，并基于所述灰度图建立灰度图库，将所述灰度图片和包含有该灰度图片的文章链接起来；
将所述用户终端发送的图片转换为灰度图，并在图库中搜索相同或近似的图片；
将所述搜索到的相同图片链接的文章列举出来。
可选地，所述智能终端用于在图库中搜索相同或近似的图片，包括：
基于神经网络技术分别对所述用户发送的图片和图库中的图片进行特征提取，并将图片抽化为高维向量；
将图片库中未整理过的图片向量按照不同聚类类别分别进行聚类并建立一级索引，然后对结果再次进行聚类并建立二级索引，
依照所述的二级索引、一级索引、向量的顺序进行搜索，将所述特征分别进行匹配，并按照特征匹配度进行排序，确定匹配度高于预设阈值的为相同或相似的图片。
可选地，所述智能终端用于在图库中搜索相同或近似的图片，包括：
对所述图库中的图片及所述用户终端发送的图片分别进行二值化处理、几何形态分析、聚类分析处理，识别出所述图片的拟合数据，并利用机器学习法识别出所述图片中人和物的信息；
将所述不同图片识别出的人和物的信息进行匹配，并按照信息匹配度进行排序，确定匹配度高于预设阈值的为相同或相似的图片。
本发明实施例还提供一种智能终端，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述方法。
上述以图搜文的方法、智能终端及计算机可读存储介质，通过对图库中图片与文章的链接关系，通过以图搜图实现以图搜文，提高了搜索的效率。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
图1为一个实施例中以图搜文方法的流程图。
图2为一个实施例中以图搜文智能终端的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
图1为一个实施例中以图搜文方法的流程图。如图1所示，上述方法包括：
步骤102，智能终端获取用户终端发送的图片；
智能终端可以为电脑、移动终端机及便携式设备，还可以为云服务器，本发明实施例对此并无限制。
智能终端可以包括数据库，并实时与数据库进行数据存储与采集操作，将文库中的图片信息提取出来，并制作图片与文章链接的关联关系表。
步骤104，以所述图片为基础，在图库中搜索相同或近似的图片；
步骤106，获取所述搜索到的相同或近似图片的全部文章，并将所述文章链接发送给用户。
其中，所述以所述图片为基础，在图库中搜索相同的图片，获取所述搜索到的相同或近似图片的全部文章，具体可以为：
从文库文章中提取图片，并将所述提取的图片转换为灰度图，并基于所述灰度图建立灰度图库，将所述灰度图片和包含有该灰度图片的文章链接起来；
将所述用户终端发送的图片转换为灰度图，并在图库中搜索相同或近似的图片；
将所述搜索到的相同图片链接的文章列举出来。
此外，在图库中搜索相同或近似的图片，具体可以为：
基于神经网络技术分别对所述用户发送的图片和图库中的图片进行特征提取，并将图片抽化为高维向量；
将图片库中未整理过的图片向量按照不同聚类类别分别进行聚类并建立一级索引，然后对结果再次进行聚类并建立二级索引，
依照所述的二级索引、一级索引、向量的顺序进行搜索，将所述特征分别进行匹配，并按照特征匹配度进行排序，确定匹配度高于预设阈值的为相同或相似的图片。
可选地，在图库中搜索相同或近似的图片，包括：
对所述图库中的图片及所述用户终端发送的图片分别进行二值化处理、几何形态分析、聚类分析处理，识别出所述图片的拟合数据，并利用机器学习法识别出所述图片中人和物的信息；
将所述不同图片识别出的人和物的信息进行匹配，并按照信息匹配度进行排序，确定匹配度高于预设阈值的为相同或相似的图片。
更具体地，上述步骤具体为：
图像二值化。使用自适应阈值算法将所有图片转换为黑白二值图像，以突显出教学道具的边框。自适应阈值算法的判断依据为：
Figure BDA0002386037800000061
其中
Figure BDA0002386037800000062
其中，v为像素的灰度值，N(v)为v附近的像素集合，C是预先设置的的阈值，v’代表领域N(v)里面的像素点。
对该结果进行二值轮廓提取及轮廓筛选。具体而言，首先使用局部平均的方法对轮廓线进行一次平滑，然后使用近邻差分法计算轮廓线上每个点的切向量，最后使用分级聚类方法对所有的切向量坐标进行分析。
对轮廓线的拟合数据进行最小二乘拟合。
对图片内容进行识别。本发明使用机器学习方法对图片内容进行识别，首先在样本数据库中有数百至上千张已定义的图片，对这些样本提取方向梯度直方图特征(HOG)之后，训练SVM多类别分类器；若数据库中的样本非常多(超过一千)，也可直接使用深度神经网络进行训练。使用分类器对上一步得到的图像进行判别，判别之后根据结果再与数据库中的标准样本进行一次比对(验算)，验算通过之后认为成功检测到结果。
图2为一个实施例中以图搜文智能终端的结构示意图。如图2所示，
该智能终端包括：
获取模块202，用于获取用户终端发送的图片；
搜索模块204，用于以所述图片为基础，在图库中搜索相同或近似的图片；
发送模块206，用于获取所述搜索到的相同或近似图片的全部文章，并将所述文章链接发送给用户。
其中，所述智能终端用于以所述图片为基础，在图库中搜索相同的图片，获取所述搜索到的相同或近似图片的全部文章，具体为：
从文库文章中提取图片，并将所述提取的图片转换为灰度图，并基于所述灰度图建立灰度图库，将所述灰度图片和包含有该灰度图片的文章链接起来；
将所述用户终端发送的图片转换为灰度图，并在图库中搜索相同或近似的图片；
将所述搜索到的相同图片链接的文章列举出来。
可选地，所述智能终端用于在图库中搜索相同或近似的图片，具体可以为：
基于神经网络技术分别对所述用户发送的图片和图库中的图片进行特征提取，并将图片抽化为高维向量；
将图片库中未整理过的图片向量按照不同聚类类别分别进行聚类并建立一级索引，然后对结果再次进行聚类并建立二级索引，
依照所述的二级索引、一级索引、向量的顺序进行搜索，将所述特征分别进行匹配，并按照特征匹配度进行排序，确定匹配度高于预设阈值的为相同或相似的图片。
可选地，所述智能终端用于在图库中搜索相同或近似的图片，具体可以为：
对所述图库中的图片及所述用户终端发送的图片分别进行二值化处理、几何形态分析、聚类分析处理，识别出所述图片的拟合数据，并利用机器学习法识别出所述图片中人和物的信息；
将所述不同图片识别出的人和物的信息进行匹配，并按照信息匹配度进行排序，确定匹配度高于预设阈值的为相同或相似的图片。
可以理解的是，图2仅仅示出了动作识别装置的简化设计。在实际应用中，通信模组运行装置还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出装置、处理器、控制器、存储器等，而所有可以实现本申请实施例的动作识别装置都在本申请的保护范围之内。
存储器包括但不限于是随机存储记忆体(random access memory，RAM)、只读存储器(read至only memory，ROM)、可擦除可编程只读存储器(erasable programmable readonly memory，EPROM)、或便携式只读存储器(compact disc read至only memory，CD至ROM)，该存储器用于相关指令及数据。
输入装置用于输入数据和/或信号，以及输出装置用于输出数据和/或信号。输出装置和输入装置可以是独立的器件，也可以是一个整体的器件。
处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器(centralprocessing unit，CPU)，在处理器是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。处理器还可以包括一个或多个专用处理器，专用处理器可以包括GPU、FPGA等，用于进行加速处理。
存储器用于存储网络设备的程序代码和数据。
处理器用于调用该存储器中的程序代码和数据，执行上述方法实施例中的步骤。具体可参见方法实施例中的描述，在此不再赘述。
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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，该单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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。该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该计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。该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。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该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(digital subscriber line，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。该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。该可用介质可以是只读存储器(read至onlymemory，ROM)，或随机存储存储器(random access memory，RAM)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，DVD)、或者半导体介质，例如，固态硬盘(solid state disk，SSD)等。
以上上述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种以图搜文的方法，其特征在于，包括：
智能终端获取用户终端发送的图片；
以所述图片为基础，在图库中搜索相同或近似的图片；
获取所述搜索到的相同或近似图片的全部文章，并将所述文章链接发送给用户。
2.根据权利要求1所述的方法，其特征在于，所述以所述图片为基础，在图库中搜索相同的图片，获取所述搜索到的相同或近似图片的全部文章，包括：
从文库文章中提取图片，并将所述提取的图片转换为灰度图，并基于所述灰度图建立灰度图库，将所述灰度图片和包含有该灰度图片的文章链接起来；
将所述用户终端发送的图片转换为灰度图，并在图库中搜索相同或近似的图片；
将所述搜索到的相同图片链接的文章列举出来。
3.根据权利要求2所述的方法，其特征在于，在图库中搜索相同或近似的图片，包括：
基于神经网络技术分别对所述用户发送的图片和图库中的图片进行特征提取，并将图片抽化为高维向量；
将图片库中未整理过的图片向量按照不同聚类类别分别进行聚类并建立一级索引，然后对结果再次进行聚类并建立二级索引，
依照所述的二级索引、一级索引、向量的顺序进行搜索，将所述特征分别进行匹配，并按照特征匹配度进行排序，确定匹配度高于预设阈值的为相同或相似的图片。
4.根据权利要求2所述的方法，其特征在于，在图库中搜索相同或近似的图片，包括：
对所述图库中的图片及所述用户终端发送的图片分别进行二值化处理、几何形态分析、聚类分析处理，识别出所述图片的拟合数据，并利用机器学习法识别出所述图片中人和物的信息；
将所述不同图片识别出的人和物的信息进行匹配，并按照信息匹配度进行排序，确定匹配度高于预设阈值的为相同或相似的图片。
5.一种以图搜文的智能终端，其特征在于，所述智能终端包括：
获取模块，用于获取用户终端发送的图片；
搜索模块，用于以所述图片为基础，在图库中搜索相同或近似的图片；
发送模块，用于获取所述搜索到的相同或近似图片的全部文章，并将所述文章链接发送给用户。
6.根据权利要求1所述的智能终端，其特征在于，所述智能终端用于以所述图片为基础，在图库中搜索相同的图片，获取所述搜索到的相同或近似图片的全部文章，包括：
从文库文章中提取图片，并将所述提取的图片转换为灰度图，并基于所述灰度图建立灰度图库，将所述灰度图片和包含有该灰度图片的文章链接起来；
将所述用户终端发送的图片转换为灰度图，并在图库中搜索相同或近似的图片；
将所述搜索到的相同图片链接的文章列举出来。
7.根据权利要求6所述的智能终端，其特征在于，所述智能终端用于在图库中搜索相同或近似的图片，包括：
基于神经网络技术分别对所述用户发送的图片和图库中的图片进行特征提取，并将图片抽化为高维向量；
将图片库中未整理过的图片向量按照不同聚类类别分别进行聚类并建立一级索引，然后对结果再次进行聚类并建立二级索引，
依照所述的二级索引、一级索引、向量的顺序进行搜索，将所述特征分别进行匹配，并按照特征匹配度进行排序，确定匹配度高于预设阈值的为相同或相似的图片。
8.根据权利要求6所述的智能终端，其特征在于，所述智能终端用于在图库中搜索相同或近似的图片，包括：
对所述图库中的图片及所述用户终端发送的图片分别进行二值化处理、几何形态分析、聚类分析处理，识别出所述图片的拟合数据，并利用机器学习法识别出所述图片中人和物的信息；
将所述不同图片识别出的人和物的信息进行匹配，并按照信息匹配度进行排序，确定匹配度高于预设阈值的为相同或相似的图片。
9.一种智能终端，其特征在于，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现权利要求1至4任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现权利要求1至4任一项所述的方法。
CN202010098332.3A 2020-02-18 2020-02-18 一种以图搜文的方法、智能终端及计算机可读介质 Pending CN111339331A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010098332.3A CN111339331A (zh) 2020-02-18 2020-02-18 一种以图搜文的方法、智能终端及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010098332.3A CN111339331A (zh) 2020-02-18 2020-02-18 一种以图搜文的方法、智能终端及计算机可读介质

Publications (1)

Publication Number Publication Date
CN111339331A true CN111339331A (zh) 2020-06-26

Family

ID=71185336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010098332.3A Pending CN111339331A (zh) 2020-02-18 2020-02-18 一种以图搜文的方法、智能终端及计算机可读介质

Country Status (1)

Country Link
CN (1) CN111339331A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102012934A (zh) * 2010-11-30 2011-04-13 百度在线网络技术（北京）有限公司 图片搜索方法及搜索系统
CN108038195A (zh) * 2017-12-12 2018-05-15 广东小天才科技有限公司 一种智能终端搜题的方法、装置、智能终端及存储介质
CN109753981A (zh) * 2017-11-06 2019-05-14 彼乐智慧科技（北京）有限公司 一种图像识别的方法及装置
CN110633379A (zh) * 2019-08-29 2019-12-31 北京睿企信息科技有限公司 一种基于gpu并行运算的以图搜图系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102012934A (zh) * 2010-11-30 2011-04-13 百度在线网络技术（北京）有限公司 图片搜索方法及搜索系统
CN109753981A (zh) * 2017-11-06 2019-05-14 彼乐智慧科技（北京）有限公司 一种图像识别的方法及装置
CN108038195A (zh) * 2017-12-12 2018-05-15 广东小天才科技有限公司 一种智能终端搜题的方法、装置、智能终端及存储介质
CN110633379A (zh) * 2019-08-29 2019-12-31 北京睿企信息科技有限公司 一种基于gpu并行运算的以图搜图系统及方法

Similar Documents

Publication Publication Date Title
WO2021203863A1 (zh) 基于人工智能的物体检测方法、装置、设备及存储介质
US10762387B2 (en) Method and apparatus for processing image
CN112949710B (zh) 一种图像的聚类方法和装置
US9349076B1 (en) Template-based target object detection in an image
CN109919077B (zh) 姿态识别方法、装置、介质和计算设备
CN109471944B (zh) 文本分类模型的训练方法、装置及可读存储介质
CN113656582B (zh) 神经网络模型的训练方法、图像检索方法、设备和介质
CN113255694A (zh) 训练图像特征提取模型和提取图像特征的方法、装置
US20200410280A1 (en) Methods and apparatuses for updating databases, electronic devices and computer storage mediums
CN112069319A (zh) 文本抽取方法、装置、计算机设备和可读存储介质
CN111325156A (zh) 人脸识别方法、装置、设备和存储介质
CN112464803A (zh) 图像比较方法和装置
JP2022110132A (ja) 陳列シーン認識方法、モデルトレーニング方法、装置、電子機器、記憶媒体およびコンピュータプログラム
CN112800919A (zh) 一种检测目标类型视频方法、装置、设备以及存储介质
CN114898266B (zh) 训练方法、图像处理方法、装置、电子设备以及存储介质
Lahiani et al. Hand pose estimation system based on Viola-Jones algorithm for android devices
CN112766284A (zh) 图像识别方法和装置、存储介质和电子设备
CN111177450B (zh) 一种图像检索云识别方法、系统及计算机可读存储介质
CN114692778A (zh) 用于智能巡检的多模态样本集生成方法、训练方法及装置
CN107992872B (zh) 一种对图片进行文本识别的方法及移动终端
CN114090792A (zh) 基于对比学习的文档关系抽取方法及其相关设备
CN112364821A (zh) 一种继电保护设备电力模式数据自识别方法和自识别设备
CN113420295A (zh) 恶意软件的检测方法及装置
CN111753618A (zh) 图像识别方法、装置、计算机设备及计算机可读存储介质
CN111339331A (zh) 一种以图搜文的方法、智能终端及计算机可读介质

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