CN111966850A - 一种图片筛选方法、装置、电子设备及存储介质 - Google Patents
一种图片筛选方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111966850A CN111966850A CN202010705823.XA CN202010705823A CN111966850A CN 111966850 A CN111966850 A CN 111966850A CN 202010705823 A CN202010705823 A CN 202010705823A CN 111966850 A CN111966850 A CN 111966850A
- Authority
- CN
- China
- Prior art keywords
- model
- target
- keyword
- picture
- picture set
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 36
- 238000004891 communication Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 241001465754 Metazoa Species 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 210000000225 synapse Anatomy 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
- G06F16/535—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
- G06F16/51—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
- G06F16/538—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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种图片筛选方法、装置、电子设备及存储介质,方法包括:获取目标关键词,获取与目标关键词相匹配的目标图像识别模型,利用目标图像识别模型对获取的待筛选图片集中的图片进行识别,得到各图片的识别结果,识别结果用于指示图片是否与目标关键词相匹配,根据各图片的识别结果,输出待筛选图片集中与目标关键词相匹配的目标图片。通过本方案可以根据目标关键词从待筛选图片集中筛选出与目标关键词相匹配的图片,在使用时,可以根据要筛选出的图片中包含的特定内容设定目标关键词,进而可以根据目标关键词筛选出包含特定内容的图片,无需用户再一张一张的查找,节省了人力和时间。
Description
技术领域
本申请涉及图像处理领域,尤其涉及一种图片筛选方法、装置、电子设备及存储介质。
背景技术
目前终端中一般都会设置有用于存储图片的图库,图库中的图片通常为用户通过相机拍摄的图片和用户下载的图片。
目前在对图库中的图片进行筛选时,只能通过拍摄日期、拍摄地点等拍照时自动生成的标签、或者图片的存储路径、下载路径等属性来对图库中的图片进行筛选。
而用户若想从图库中筛选出具有某一特定内容的图片(比如包含动物的图片、包含植物的图片、包含证件的图片、包含交通工具的图片等),则只能手动的一张一张的对图库中的图片进行查找,会耗费过多的人力和时间。
发明内容
为了解决现有的手动对包含特定内容的图片进行筛选存在的耗费人力和时间过多的技术问题,本申请提供了一种图片筛选方法、装置、电子设备及存储介质。
第一方面,本申请提供了一种图片筛选方法,包括:
获取目标关键词;
获取与所述目标关键词相匹配的目标图像识别模型;
将待筛选图片集中的各图片分别输入所述目标图像识别模型,输出各图片对应的识别结果,所述识别结果用于指示图片是否与所述目标关键词相匹配;
根据所述各图片对应的识别结果对所述待筛选图片集进行筛选,输出所述待筛选图片集中与所述目标关键词相匹配的目标图片。
在一种可能的实现方式中,获取与所述目标关键词相匹配的目标图像筛选模型,包括:
从模型库中匹配出与所述目标关键词相匹配的目标图像识别模型,所述模型库包括多个预先训练好的图像识别模型,每个所述图像识别模型设置有对应的关键词标签,所述关键词标签用于与所述目标关键词进行匹配。
在一种可能的实现方式中,获取与所述目标关键词相匹配的目标图像筛选模型,还包括:
若未从所述模型库中匹配出与所述目标关键词相匹配的目标图像识别模型,则基于所述目标关键词确定对应的训练图片集和测试图片集;
利用所述训练图片集对初始模型进行训练,得到第一模型;
在所述第一模型对所述测试图片集的识别准确率不大于预设的准确率阈值的情况下,继续使用所述训练图片集对所述第一模型进行训练,以调整所述第一模型的参数,直至所述第一模型对所述测试图片集的识别准确率大于所述准确率阈值;
在所述第一模型对所述测试图片集的识别准确率大于所述准确率阈值的情况下,将所述第一模型作为与所述目标关键词相匹配的目标图像识别模型。
在一种可能的实现方式中,在所述第一模型对所述测试图片集的识别准确率大于所述准确率阈值的情况下,所述方法还包括:
基于所述目标关键词为所述第一模型设置关键词标签,并将设置有关键词标签的所述第一模型存储至模型库中。
第二方面,本申请实施例还提供了一种图片筛选装置,包括:
关键词获取模块,用于获取目标关键词;
模型获取模块,用于获取与所述目标关键词相匹配的目标图像识别模型;
识别模块,用于将待筛选图片集中的各图片分别输入所述目标图像识别模型,输出各图片对应的识别结果,所述识别结果用于指示图片是否与所述目标关键词相匹配;
输出模块,用于根据所述各图片对应的识别结果对所述待筛选图片集进行筛选,输出所述待筛选图片集中与所述目标关键词相匹配的目标图片。
在一种可能的实现方式中,所述模型获取模块包括:
匹配子模块,用于从模型库中匹配出与所述目标关键词相匹配的目标图像识别模型,所述模型库包括多个预先训练好的图像识别模型,每个所述图像识别模型设置有对应的关键词标签,所述关键词标签用于与所述目标关键词进行匹配。
在一种可能的实现方式中,所述模型获取模块还包括:
建模子模块,用于若未从所述模型库中匹配出与所述目标关键词相匹配的目标图像识别模型,则基于所述目标关键词确定对应的训练图片集和测试图片集,利用所述训练图片集对初始模型进行训练,得到第一模型,在所述第一模型对所述测试图片集的识别准确率不大于预设的准确率阈值的情况下,继续使用所述训练图片集对所述第一模型进行训练,以调整所述第一模型的参数,直至所述第一模型对所述测试图片集的识别准确率大于所述准确率阈值,在所述第一模型对所述测试图片集的识别准确率大于所述准确率阈值的情况下,将所述第一模型作为与所述目标关键词相匹配的目标图像识别模型。
在一种可能的实现方式中,所述模型获取模块还包括:
存储子模块,用于在所述第一模型对所述测试图片集的识别准确率大于所述准确率阈值的情况下,基于所述目标关键词为所述第一模型设置关键词标签,并将设置有关键词标签的所述第一模型存储至模型库中。
第三方面,本申请实施例还提供了一种电子设备,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的数据处理程序,以实现第一方面所述的图片筛选方法。
第四方面,本申请实施例还提供了一种存储介质,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现第一方面所述的图片筛选方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:
本申请实施例提供的一种图片筛选方法,获取目标关键词,获取与目标关键词相匹配的目标图像识别模型,利用目标图像识别模型对获取的待筛选图片集中的图片进行识别,得到各图片的识别结果,识别结果用于指示图片是否与目标关键词相匹配,根据各图片的识别结果,输出待筛选图片集中与目标关键词相匹配的目标图片。通过本方案可以根据目标关键词从待筛选图片集中筛选出与目标关键词相匹配的图片,在使用时,可以根据要筛选出的图片中包含的特定内容设定目标关键词,进而可以根据目标关键词筛选出包含特定内容的图片,无需用户再一张一张的查找,节省了人力和时间。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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,显而易见地,对于本领域普通技术人员而言,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为本申请实施例提供的一种图片筛选方法流程图;
图2为本申请实施例提供的一种关键词输入界面示意图;
图3为本申请实施例提供的一种关键词输入界面示意图;
图4为本申请实施例提供的一种关键词输入界面示意图;
图5为本申请实施例提供的一种获取目标图像识别模型方法的流程图;
图6为本申请实施例提供的一种图片筛选装置的框图;
图7为本申请实施例提供的一种电子设备的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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的一部分实施例,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的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。
首先,在对本申请实施例进行描述的过程中出现的部分名词或者术语适用于如下解释:
机器学习,机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心,是使计算机具有智能的根本途径。传统机器学习的研究方向主要包括决策树、随机森林、人工神经网络、贝叶斯学习等方面的研究。
人工神经网络(Artificial Neural Networks,简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model),是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型,在工程与学术界也常直接简称为“神经网络”或类神经网络,可模仿动物神经网络行为特征,是进行分布式并行信息处理的算法数学模型,这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
随着手机照相功能的不断强大,人们越来越习惯用手机随手拍下生活中的场景、旅途中的美景以及闲暇时的自拍,但随之而来的是相册中照片量过大的问题给用户筛选想要的图片带来了很大困难。为了解决背景技术中提及的图片筛选费时费力的问题,本申请提供一种图片筛选方法,目的是实现高效、便捷的图片筛选。
图1为本申请实施例提供的一种图片筛选方法的流程图,在一个例子中,该方法可应用于电子设备,这里的电子设备可以是支持网络连接从而提供各种网络服务的硬件设备,包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、服务器等。如图1所示,该方法可以包括如下步骤:
S11.获取目标关键词。
目标关键词可以为对用户想要筛选出的图片的描述内容。用户可以根据自己想要筛选出的图片中包含的特定内容设置对应的目标关键词,比如用户想要筛选出包含植物的图片,则可以设置“植物”为目标关键词,用户若想要筛选出包含动物的图片,则可以设置“动物”为目标关键词等。
在一实施例中,上述电子设备中展示有关键词输入界面,例如图2所示界面,图2所示界面中包含关键词输入窗口,用户可以通过键盘将目标关键词输入到关键词输入窗口中,例如图2所示关键词输入窗口中输入的目标关键词为“植物”,图2所示的界面中还包含“确定”按钮,当用户触发“确定”按钮后,则电子设备会自动获取关键词输入窗口中的关键词作为目标关键词。
在另一实施例中,上述电子设备还可以展示图3所示界面,即除了关键词输入窗口外,界面中还设置有关键词选取按钮,如图3所示关键词选取按钮可以包含“植物”、“动物”、“单人”、“多人”、“绿色”、“证件”、“表格”等等,用户可以通过点击关键词选取按钮来选取目标关键词,当关键词选取按钮被点击后,被点击的关键词选取按钮对应的关键词会输入到关键词输入窗口中,例如“植物”这一关键词选取按钮被点击,则“植物”会输入到关键词输入窗口中,然后当用户触发“确定”按钮后,电子设备会自动获取关键词输入窗口中的关键词作为目标关键词,在该例子中,用户只需点击按钮即可,无需通过键盘进行输入关键词,能够节省用户操作。
在一例子中,为了节省空间,使界面更简洁,在关键词选取按钮不使用的时候,多个关键词选取按钮可以进行折叠,折叠后在界面中只展示一个“选取按钮列表”,如图4所示。用户点击“选取按钮列表”后多个折叠的关键词选取按钮再以列表的方式展示,比如按照图3所示的样式进行展示,通过这种方式可以使界面更简洁。
S12.获取与所述目标关键词相匹配的目标图像识别模型。
目标图像识别模型是采用训练图片集训练得到的可以识别图片是否与目标关键词相匹配的模型,训练图片集中包含与目标关键词相匹配的图片和与目标关键词不匹配的图片,并且训练图片集中的图片都具有标记信息,标记信息用于标记图片是否与目标关键词相匹配,其中与目标关键词相匹配的图片指的是包含与目标关键词对应的特定内容的图片,比如目标关键词为“植物”,与目标关键词相匹配的图片就是包含有植物的图片,与目标关键词不匹配的图片指的是不包含与目标关键词对应的特定内容的图片,比如目标关键词为“植物”,与目标关键词不匹配的图片就是不包含植物的图片。
至于是如何获取目标图像识别模型的,在下文通过图5所示的流程进行说明,这里先不详述。
S13.将待筛选图片集中的各图片分别输入所述目标图像识别模型,输出各图片对应的识别结果,所述识别结果用于指示图片是否与所述目标关键词相匹配。
将图片输入到目标图像识别模型即可输出与输入的图片对应的识别结果,识别结果中包含标记信息,根据标记信息就可以确定输入的图片是否与目标关键词相匹配,即确定图片中是否包含与目标关键词对应的特定内容。
在执行S13之前需要先确定待筛选图片集。
在一实施例中,用户可以从本地文件中选取图片集作为待筛选图片集,在另一实施例中,用户还可以输入或者从网络中下载图片集作为待筛选图片集。
S14.根据所述各图片对应的识别结果对所述待筛选图片集进行筛选,输出所述待筛选图片集中与所述目标关键词相匹配的目标图片。
在一实施例中,根据待筛选图片集中各图片的识别结果对待筛选图片集进行筛选就是根据识别结果将标记信息表示为与目标关键词相匹配的图片作为目标图片。
输出目标图片可以是将目标图片复制到预设的目标文件夹中,和/或将目标图片在电子设备中展示。
本申请实施例提供的一种图片筛选方法,获取目标关键词,获取与目标关键词相匹配的目标图像识别模型,利用目标图像识别模型对待筛选图片集中的图片进行识别,得到各图片的识别结果,识别结果指示图片是否与目标关键词相匹配,根据各图片的识别结果,输出待筛选图片集中与目标关键词相匹配的目标图片。通过本方案可以根据目标关键词从待筛选图片集中筛选出与目标关键词相匹配的图片,在使用时,可以根据要筛选出的图片中包含的特定内容设定目标关键词,进而可以根据目标关键词筛选出包含特定内容的图片,无需用户再一张一张的查找,节省了人力和时间。
因为模型的准确度是建立在大量的数据训练上的,如果训练数据不足够,模型的准确性也不够。因此用户可以从待筛选图片集的最终筛选结果中,也就是从目标图片中选取出与目标关键词不匹配的图片,将选取出的图片添加到用于对目标图像识别模型再次进行训练的训练图片集中,通过训练图片集再次对目标图像识别模型进行训练更新,达到完善模型准确度的效果。
目标图像识别模型更新后,根据目标关键词为更新后的目标图像识别模型设置关键词标签,将设有关键词标签的更新后的目标图像识别模型存储到模型库中,并将原来未更新的目标图像识别模型从模型库中删除,通过上述操作保证了模型库中的图片识别模式是最新且准确率最高的模型。
以上从整体上对本申请实施例提供的图片筛选方法进行了说明,下面将结合附图5以具体实施例对上述S12做进一步的解释说明,实施例并不构成对本申请实施例的限定。
参见图5,为本申请实施例提供的一种S12的实现流程,该流程包括以下步骤:
S121.将目标关键词与模型库中的图像识别模型进行匹配,其中模型库包括多个预先训练好的图像识别模型,每个所述图像识别模型设置有对应的关键词标签,所述关键词标签用于与所述目标关键词进行匹配。
其中关键词标签用于指示与图像识别模型相匹配的关键词,比如图像识别模型与“植物”这一关键词相匹配,则该图像识别模型的关键词标签就可以为“植物”,因为同样的内容不同的人可能会有不同的描述,这就使得在对同一类型的图片进行筛选时,不同的人设置的目标关键词可能是不同的,比如要筛选包含狗的图片,有的用户可能会将目标关键词设置为“狗”,有的用户就有可能将目标关键词设置为“dog”,虽然这两个目标关键词不同,但是其目的是一样的,均是要筛选出包含狗的图片,这也就是说这两个目标关键词可以对应同一个目标图像识别模型,因此一个图像识别模型可以有多个关键词标签,比如用于识别图片中是否有狗的图像识别模型对应的关键词标签可以为“狗”和“dog”。
将目标关键词与模型库中的图像识别模型进行匹配,实际上就是将目标关键词与图像识别模型的关键词标签进行匹配,若图像识别模型的任意一个关键词标签与目标关键词相匹配(即相同),则确定该图像识别模型与目标关键词相匹配。
S122.若从模型库中匹配出与所述目标关键词匹配的图像识别模型,则将匹配出的图像识别模型作为目标图像识别模型。
S123.若未从所述模型库中匹配出与所述目标关键词相匹配的目标图像识别模型,则基于所述目标关键词确定对应的训练图片集和测试图片集,利用训练图片集和测试图片集对初始模型进行训练,得到与目标关键词匹配的目标图像识别模型。
其中,初始模型可以为构建的人工神经网络模型,基于目标关键词确定的训练图片集和测试图片集中均包含有与目标关键词匹配的图片和与关键词不匹配的图片,且训练图片集和测试图片集中包含的图片都是带有标识信息。
利用训练图片集通过机器学习算法对初始模型进行训练得到第一模型,在第一模型对测试图片集的识别准确率不大于预设的准确率阈值的情况下,继续使用所述训练图片集对所述第一模型进行训练,以调整所述第一模型的参数,直至所述第一模型对所述测试图片集的识别准确率大于所述准确率阈值;在所述第一模型对所述测试图片集的识别准确率大于所述准确率阈值的情况下,将所述第一模型作为与所述目标关键词相匹配的目标图像识别模型。
其中准确率阈值为根据需求设定的值,具体取值本实施例不做限定。
在一实施例中,训练图片集和测试图片集可以预先通过下述方式设置:
根据目标关键词从本地或网络中获取图片集,图片集中包含有与目标关键词匹配的图片和与关键词不匹配的图片,然后为图片集中的图片添加标识信息,将添加了标识信息的图片集分为训练图片集和测试图片集,需要注意的是,为了保证最终得到的目标图像识别模型的准确性,训练图片集中和测试图片集中不能有重复的照片。
通过图5所示的流程,可以获取到与目标关键词相匹配的目标图像识别模型。
在上述实施例的基础上,S123之后还可以包括:
基于目标关键词为第一模型设置关键词标签,并将设置有关键词标签的第一模型存储至模型库中。
通过上述方法,方便下次可以直接从模型库中获取与目标关键词相匹配的目标图像识别模型,无需再构建和训练模型,节省时间。
一个具体的例子:
用户想要从相册中筛选出包含绿色的图片,然后用户设置“绿色”为目标关键词,首先从模型库中查找是否有关键词标签为“绿色”的图像识别模型,若有,则将该图像识别模型作为目标图像识别模型,若没有,则获取与绿色相关的训练图片集和测试图片集,利用训练图片集和测试图片集采用机器学习的方法,训练一个模型,将该模型作为目标图像识别模型,并为该模型设置“绿色”这一关键词标签,然后将该模型存储到模型库中,利用目标图像识别模型对相册中的各张图片进行识别,得到各张图片的识别结果,根据识别结果自输出与“绿色”相关的图片,也就是包含绿色的图片,从而实现了从相册中筛选出包含绿色的图片。
与前述图片筛选方法的实施例相对应,本申请还提供图片筛选装置的实施例。
参见图6,为本申请实施例提供的一种图片筛选装置的实施例框图,如图6所示,该装置可以包括:关键词获取模块601、模型获取模块602、识别模块603,以及输出模块604。
其中,关键词获取模块601,用于获取目标关键词;
模型获取模块602,用于获取与所述目标关键词相匹配的目标图像识别模型;
识别模块603,用于将待筛选图片集中的各图片分别输入所述目标图像识别模型,输出各图片对应的识别结果,所述识别结果用于指示图片是否与所述目标关键词相匹配;
输出模块604,用于根据所述各图片对应的识别结果对所述待筛选图片集进行筛选,输出所述待筛选图片集中与所述目标关键词相匹配的目标图片。
在一种可能的实现方式中,所述模型获取模块602包括:
匹配子模块,用于从模型库中匹配出与所述目标关键词相匹配的目标图像识别模型,所述模型库包括多个预先训练好的图像识别模型,每个所述图像识别模型设置有对应的关键词标签,所述关键词标签用于与所述目标关键词进行匹配。
在一种可能的实现方式中,所述模型获取模块602还包括:
建模子模块,用于若未从所述模型库中匹配出与所述目标关键词相匹配的目标图像识别模型,则基于所述目标关键词确定对应的训练图片集和测试图片集,利用所述训练图片集对初始模型进行训练,得到第一模型,在所述第一模型对所述测试图片集的识别准确率不大于预设的准确率阈值的情况下,继续使用所述训练图片集对所述第一模型进行训练,以调整所述第一模型的参数,直至所述第一模型对所述测试图片集的识别准确率大于所述准确率阈值,在所述第一模型对所述测试图片集的识别准确率大于所述准确率阈值的情况下,将所述第一模型作为与所述目标关键词相匹配的目标图像识别模型。
在一种可能的实现方式中,所述模型获取模块602还包括:
存储子模块,用于在所述第一模型对所述测试图片集的识别准确率大于所述准确率阈值的情况下,基于所述目标关键词为所述第一模型设置关键词标签,并将设置有关键词标签的所述第一模型存储至模型库中。
在本申请另一实施例中,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,实现如下步骤:
获取目标关键词;
获取与所述目标关键词相匹配的目标图像识别模型;
将待筛选图片集中的各图片分别输入所述目标图像识别模型,输出各图片对应的识别结果,所述识别结果用于指示图片是否与所述目标关键词相匹配;
根据所述各图片对应的识别结果对所述待筛选图片集进行筛选,输出所述待筛选图片集中与所述目标关键词相匹配的目标图片。
上述电子设备提到的通信总线704可以是外设部件互连标准(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。该通信总线704可以分为地址总线、数据总线、控制总线等。为便于表示,图7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702用于上述电子设备与其他设备之间的通信。
存储器703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701可以是通用处理器,包括中央处理器(Central ProcessingUnit,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。
在本申请另一实施例中,还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有图片筛选方法程序,所述图片筛选方法程序被处理器执行时实现上述任一所述的图片筛选方法的步骤。
本申请实施例在具体实现时,可以参阅上述各个实施例,具有相应的技术效果。
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。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种图片筛选方法,其特征在于,包括:
获取目标关键词;
获取与所述目标关键词相匹配的目标图像识别模型;
将待筛选图片集中的各图片分别输入所述目标图像识别模型,输出各图片对应的识别结果,所述识别结果用于指示图片是否与所述目标关键词相匹配;
根据所述各图片对应的识别结果对所述待筛选图片集进行筛选,输出所述待筛选图片集中与所述目标关键词相匹配的目标图片。
2.根据权利要求1所述的方法,其特征在于,获取与所述目标关键词相匹配的目标图像筛选模型,包括:
从模型库中匹配出与所述目标关键词相匹配的目标图像识别模型,所述模型库包括多个预先训练好的图像识别模型,每个所述图像识别模型设置有对应的关键词标签,所述关键词标签用于与所述目标关键词进行匹配。
3.根据权利要求2所述的方法,其特征在于,获取与所述目标关键词相匹配的目标图像筛选模型,还包括:
若未从所述模型库中匹配出与所述目标关键词相匹配的目标图像识别模型,则基于所述目标关键词确定对应的训练图片集和测试图片集;
利用所述训练图片集对初始模型进行训练,得到第一模型;
在所述第一模型对所述测试图片集的识别准确率不大于预设的准确率阈值的情况下,继续使用所述训练图片集对所述第一模型进行训练,以调整所述第一模型的参数,直至所述第一模型对所述测试图片集的识别准确率大于所述准确率阈值;
在所述第一模型对所述测试图片集的识别准确率大于所述准确率阈值的情况下,将所述第一模型作为与所述目标关键词相匹配的目标图像识别模型。
4.根据权利要求3所述的方法,其特征在于,在所述第一模型对所述测试图片集的识别准确率大于所述准确率阈值的情况下,所述方法还包括:
基于所述目标关键词为所述第一模型设置关键词标签,并将设置有关键词标签的所述第一模型存储至模型库中。
5.一种图片筛选装置,其特征在于,包括:
关键词获取模块,用于获取目标关键词;
模型获取模块,用于获取与所述目标关键词相匹配的目标图像识别模型;
识别模块,用于将待筛选图片集中的各图片分别输入所述目标图像识别模型,输出各图片对应的识别结果,所述识别结果用于指示图片是否与所述目标关键词相匹配;
输出模块,用于根据所述各图片对应的识别结果对所述待筛选图片集进行筛选,输出所述待筛选图片集中与所述目标关键词相匹配的目标图片。
6.根据权利要求5所述的装置,其特征在于,所述模型获取模块包括:
匹配子模块,用于从模型库中匹配出与所述目标关键词相匹配的目标图像识别模型,所述模型库包括多个预先训练好的图像识别模型,每个所述图像识别模型设置有对应的关键词标签,所述关键词标签用于与所述目标关键词进行匹配。
7.根据权利要求6所述的装置,其特征在于,所述模型获取模块还包括:
建模子模块,用于若未从所述模型库中匹配出与所述目标关键词相匹配的目标图像识别模型,则基于所述目标关键词确定对应的训练图片集和测试图片集,利用所述训练图片集对初始模型进行训练,得到第一模型,在所述第一模型对所述测试图片集的识别准确率不大于预设的准确率阈值的情况下,继续使用所述训练图片集对所述第一模型进行训练,以调整所述第一模型的参数,直至所述第一模型对所述测试图片集的识别准确率大于所述准确率阈值,在所述第一模型对所述测试图片集的识别准确率大于所述准确率阈值的情况下,将所述第一模型作为与所述目标关键词相匹配的目标图像识别模型。
8.根据权利要求7所述的装置,其特征在于,所述模型获取模块还包括:
存储子模块,用于在所述第一模型对所述测试图片集的识别准确率大于所述准确率阈值的情况下,基于所述目标关键词为所述第一模型设置关键词标签,并将设置有关键词标签的所述第一模型存储至模型库中。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的数据处理程序,以实现权利要求1-4任一所述的图片筛选方法。
10.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1-4任一所述的图片筛选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010705823.XA CN111966850A (zh) | 2020-07-21 | 2020-07-21 | 一种图片筛选方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010705823.XA CN111966850A (zh) | 2020-07-21 | 2020-07-21 | 一种图片筛选方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111966850A true CN111966850A (zh) | 2020-11-20 |
Family
ID=73362809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010705823.XA Pending CN111966850A (zh) | 2020-07-21 | 2020-07-21 | 一种图片筛选方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111966850A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113656622A (zh) * | 2021-08-16 | 2021-11-16 | 稿定(厦门)科技有限公司 | 一种背景图片的筛选方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107209861A (zh) * | 2015-01-22 | 2017-09-26 | 微软技术许可有限责任公司 | 使用否定数据优化多类别多媒体数据分类 |
CN108416003A (zh) * | 2018-02-27 | 2018-08-17 | 百度在线网络技术(北京)有限公司 | 一种图片分类方法和装置、终端、存储介质 |
CN109033472A (zh) * | 2018-09-05 | 2018-12-18 | 深圳灵图慧视科技有限公司 | 图片检索方法及装置、计算机设备及计算机可读介质 |
CN109165249A (zh) * | 2018-08-07 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 数据处理模型构建方法、装置、服务器和用户端 |
CN109345302A (zh) * | 2018-09-27 | 2019-02-15 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
CN110968684A (zh) * | 2019-12-18 | 2020-04-07 | 腾讯科技(深圳)有限公司 | 一种信息处理方法、装置、设备及存储介质 |
CN111062435A (zh) * | 2019-12-13 | 2020-04-24 | 北京奇艺世纪科技有限公司 | 图像分析方法、装置及电子设备 |
CN111090763A (zh) * | 2019-11-22 | 2020-05-01 | 北京视觉大象科技有限公司 | 一种图片自动标签方法及装置 |
CN111104536A (zh) * | 2019-12-24 | 2020-05-05 | Oppo广东移动通信有限公司 | 图片搜索方法、装置、终端及存储介质 |
-
2020
- 2020-07-21 CN CN202010705823.XA patent/CN111966850A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107209861A (zh) * | 2015-01-22 | 2017-09-26 | 微软技术许可有限责任公司 | 使用否定数据优化多类别多媒体数据分类 |
CN108416003A (zh) * | 2018-02-27 | 2018-08-17 | 百度在线网络技术(北京)有限公司 | 一种图片分类方法和装置、终端、存储介质 |
CN109165249A (zh) * | 2018-08-07 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 数据处理模型构建方法、装置、服务器和用户端 |
CN109033472A (zh) * | 2018-09-05 | 2018-12-18 | 深圳灵图慧视科技有限公司 | 图片检索方法及装置、计算机设备及计算机可读介质 |
CN109345302A (zh) * | 2018-09-27 | 2019-02-15 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
CN111090763A (zh) * | 2019-11-22 | 2020-05-01 | 北京视觉大象科技有限公司 | 一种图片自动标签方法及装置 |
CN111062435A (zh) * | 2019-12-13 | 2020-04-24 | 北京奇艺世纪科技有限公司 | 图像分析方法、装置及电子设备 |
CN110968684A (zh) * | 2019-12-18 | 2020-04-07 | 腾讯科技(深圳)有限公司 | 一种信息处理方法、装置、设备及存储介质 |
CN111104536A (zh) * | 2019-12-24 | 2020-05-05 | Oppo广东移动通信有限公司 | 图片搜索方法、装置、终端及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113656622A (zh) * | 2021-08-16 | 2021-11-16 | 稿定(厦门)科技有限公司 | 一种背景图片的筛选方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6745857B2 (ja) | 学習装置、学習システム、および学習方法 | |
CN104573054B (zh) | 一种信息推送方法和设备 | |
CN110210542B (zh) | 图片文字识别模型训练方法、装置及文字识别系统 | |
CN109408731A (zh) | 一种多目标推荐方法、多目标推荐模型生成方法以及装置 | |
CN111061946A (zh) | 场景化内容推荐方法、装置、电子设备及存储介质 | |
CN110363084A (zh) | 一种上课状态检测方法、装置、存储介质及电子 | |
CN110276406A (zh) | 表情分类方法、装置、计算机设备及存储介质 | |
CN107909038B (zh) | 一种社交关系分类模型训练方法、装置、电子设备及介质 | |
CN114564666B (zh) | 百科信息展示方法、装置、设备和介质 | |
CN112257808B (zh) | 用于零样本分类的集成协同训练方法、装置及终端设备 | |
CN110390086A (zh) | 一种生成文本的方法、装置和存储介质 | |
CN107766316B (zh) | 评价数据的分析方法、装置及系统 | |
CN110515986A (zh) | 一种社交网络图的处理方法、装置及存储介质 | |
KR20210090273A (ko) | 음성패킷 추천방법, 장치, 설비 및 저장매체 | |
CN114880514B (zh) | 图像检索方法、装置以及存储介质 | |
CN111222557A (zh) | 图像分类方法、装置、存储介质及电子设备 | |
CN116204714A (zh) | 推荐方法、装置、电子设备及存储介质 | |
CN111966850A (zh) | 一种图片筛选方法、装置、电子设备及存储介质 | |
CN110851622A (zh) | 文本生成方法和装置 | |
CN114969487A (zh) | 一种课程推荐方法、装置、计算机设备及存储介质 | |
CN111414966B (zh) | 分类方法、装置、电子设备及计算机存储介质 | |
CN113486248A (zh) | 一种应用程序中功能模块的推荐方法及装置 | |
CN112950167A (zh) | 设计服务匹配方法、装置、设备及存储介质 | |
CN110895924B (zh) | 一种文档内容朗读方法、装置、电子设备及可读存储介质 | |
CN111611481A (zh) | 书籍推荐方法、计算设备及计算机存储介质 |
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 |
Application publication date: 20201120 |
|
RJ01 | Rejection of invention patent application after publication |