CN111985531B - 异常资源需求集群的确定方法、装置、设备和存储介质 - Google Patents
异常资源需求集群的确定方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111985531B CN111985531B CN202010662187.7A CN202010662187A CN111985531B CN 111985531 B CN111985531 B CN 111985531B CN 202010662187 A CN202010662187 A CN 202010662187A CN 111985531 B CN111985531 B CN 111985531B
- Authority
- CN
- China
- Prior art keywords
- resource demand
- cluster
- resource
- user
- terminal
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000013598 vector Substances 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000004091 panning Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06F16/906—Clustering; Classification
-
- 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
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Library & Information Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种异常资源需求集群的确定方法、装置、设备和存储介质；上述方法包括：基于各资源需求终端触发资源获取请求时具有的终端位置特征，对各资源需求终端进行聚类，得到至少一个第一资源需求集群；根据第一资源需求集群包括的多个资源需求终端之间的用户背景图像的相似度，对第一资源需求集群包括的多个资源需求终端进行聚类，得到至少一个第二资源需求集群；用户背景图像在各资源需求终端触发资源获取请求时采集得到；将至少一个第二资源需求集群中，包括的资源需求终端数大于或者等于终端数阈值的第二资源需求集群确定为异常资源需求集群，进而提高确定异常资源需求终端的准确性。
Description
技术领域
本申请涉及信息安全技术领域，特别是涉及一种异常资源需求集群的确定方法、装置、计算机设备和存储介质。
背景技术
在资源调度中，资源需求端可以向资源提供端申请对资源的使用，资源需求端对该资源的使用后归还至资源提供端，由此可以提高资源需求端业务执行效率，并且可以避免资源提供端的资源损失。不同资源需求者在向资源提供端申请资源的使用时，可以通过同一个终端设备向资源提供端申请所需资源；也就是说，不同的资源需求者通过同一个终端设备发生直接的关联，属于强关联行为，而在该强关联行为中，该终端设备可以看作是强介质。
在资源调度时，资源提供端可以通过强关联图谱网络，将该终端设备确定为异常的资源需求端。但若各资源需求者在向资源提供端申请资源的使用时，通过不同的终端设备向资源提供端申请资源的使用，此时则无法准确确定出异常的资源需求端。
发明内容
基于此，有必要针对上述技术问题，提供一种异常资源需求集群的确定方法、装置、计算机设备和存储介质。
一种异常资源需求集群的确定方法，所述方法包括：
基于各资源需求终端触发资源获取请求时具有的终端位置特征，对所述各资源需求终端进行聚类，得到至少一个第一资源需求集群；
根据第一资源需求集群包括的多个资源需求终端之间的用户背景图像的相似度，对所述第一资源需求集群包括的多个资源需求终端进行聚类，得到至少一个第二资源需求集群；所述用户背景图像在各资源需求终端触发资源获取请求时采集得到；
将所述至少一个第二资源需求集群中，包括的资源需求终端数大于或者等于终端数阈值的第二资源需求集群确定为异常资源需求集群。
一种异常资源需求集群的确定装置，所述装置包括：
位置聚类模块，用于基于各资源需求终端触发资源获取请求时具有的终端位置特征，对所述各资源需求终端进行聚类，得到至少一个第一资源需求集群；
背景图像聚类模块，用于根据第一资源需求集群包括的多个资源需求终端之间的用户背景图像的相似度，对所述第一资源需求集群包括的多个资源需求终端进行聚类，得到至少一个第二资源需求集群；所述用户背景图像在各资源需求终端触发资源获取请求时采集得到；
异常集群确定模块，用于将所述至少一个第二资源需求集群中，包括的资源需求终端数大于或者等于终端数阈值的第二资源需求集群确定为异常资源需求集群。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行上述方法的步骤。
上述异常资源需求集群的确定方法、装置、计算机设备和存储介质，服务器基于各资源需求终端触发资源获取请求时具有的终端位置特征，对各资源需求终端进行聚类，得到相似度，对第一资源需求集群包括的多个资源需求终端至少一个第一资源需求集群；根据第一资源需求集群包括的多个资源需求终端之间的用户背景图像的进行聚类，得到至少一个第二资源需求集群；用户背景图像在各资源需求终端触发资源获取请求时采集得到；将至少一个第二资源需求集群中，包括的资源需求终端数大于或者等于终端数阈值的第二资源需求集群确定为异常资源需求集群。若触发资源获取请求的各资源需求终端没有与同一个终端设备进行关联，难以通过具有强关联属性的强介质的上述终端设备确定异常的资源需求终端；基于此，相对于具有强关联属性的终端设备，本申请将各资源需求终端在触发资源获取请求时的终端位置特征和用户背景图像的相似度作为用于确定异常资源需求终端的弱关联属性数据，并基于终端位置特征和用户背景图像的相似度对资源需求终端进行聚类，得到对应的资源需求集群，在资源需求集群包括的资源需求终端数大于或者等于终端数阈值时，将该资源需求集群确定为异常资源需求集群，进而可以将该异常资源需求集群中的资源需求终端作为异常资源需求终端，提高确定异常的资源需求终端的准确性。
附图说明
图1为一个实施例中异常资源需求集群的确定方法的应用环境图；
图2为一个实施例中异常资源需求集群的确定方法的流程示意图；
图3为又一个实施例中异常资源需求集群的确定方法的流程示意图；
图4为另一个实施例中异常资源需求集群的确定方法的流程示意图；
图5为一个实施例中异常资源需求集群的确定装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本申请所描述的实施例可以与其它实施例相结合。
本申请提供的异常资源需求集群的确定方法，可以应用于如图1所示应用环境中，其中，
在一个实施例中，如图2所示，提供了一种异常资源需求集群的确定方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S201，基于各资源需求终端触发资源获取请求时具有的终端位置特征，对各资源需求终端进行聚类，得到至少一个第一资源需求集群。
资源需求终端可以是指需要向资源提供终端请求获取资源的终端；资源需求终端在触发资源获取请求时可以通过资源调度平台实现，资源调度平台用于在资源需求终端和资源提供终端之间进行资源调度，示例性地，可以是网上银行系统。资源需求终端在触发资源获取请求时，具有对应的终端位置特征，终端位置特征用于表征该资源需求终端所属的地址，示例性地，资源需求终端在第一省第一市第一区触发资源获取请求，那么该资源需求终端具有的终端位置特征表征该资源需求终端所属的地址是第一省第一市第一区。
示例性地，资源需求终端a、b、c和d在触发资源获取请求时，具有的终端位置特征分别表征第一省第一市第一区、第一省第一市第二区、第一省第一市第一区和第一省第一市第一区，那么服务器可以基于这些终端位置特征对资源需求终端a、b、c和d进行聚类，将表征同一地址的资源需求终端归属至同一个第一资源需求集群，如将资源需求终端a、c和d归入同一个第一资源需求集群，将将资源需求终端b归入另外一个第一资源需求集群，得到两个第一资源需求集群。
步骤S202，根据第一资源需求集群包括的多个资源需求终端之间的用户背景图像的相似度，对第一资源需求集群包括的多个资源需求终端进行聚类，得到至少一个第二资源需求集群；用户背景图像在各资源需求终端触发资源获取请求时采集得到。
其中，用户背景图像在各资源需求终端触发资源获取请求时采集得到，也就是说，各资源需求终端存在对应的用户背景图像，可以由各资源需求终端采集。各用户在操作对应的资源需求终端时，资源需求终端可以对应采集操作用户的用户背景图像。
服务器在进行用户背景图像的相似度分析时，对同一个的第一资源需求集群中的资源需求终端的用户背景图像进行相似度分析，基于相似度，对资源需求终端a、c和d进行聚类，得到至少一个第二资源需求集群；示例性地，其中一个第一资源需求集群包括资源需求终端a、c和d，那么服务器可以获取资源需求终端a、c和d对应的用户背景图像，并对这些用户背景图像进行相似度分析，得到资源需求终端a、c和d的用户背景图像之间的相似度，例如，资源需求终端a和c的用户背景图像的相似度为xiangsi1，资源需求终端a和d的用户背景图像的相似度为xiangsi2(xiangsi1>xiangsi2)，说明资源需求终端a和c的用户背景较相似，此时可以将资源需求终端a和c归属至同一个第二资源需求集群，将资源需求终端d归属至另一个第二资源需求集群。
步骤S203，将至少一个第二资源需求集群中，包括的资源需求终端数大于或者等于终端数阈值的第二资源需求集群确定为异常资源需求集群。
服务器在得到多个第二资源需求集群后，确定各个第二资源需求集群中的资源需求终端的数量，即资源需求终端数，若存在资源需求终端数大于或等于终端数阈值的第二资源需求集群，则将第二资源需求集群确定为异常资源需求集群。示例性地，在其中一个第二资源需求集群中，包括2个资源需求终端，若此时预设的终端数阈值为2，那么服务器可以将该第二资源需求集群确定为异常资源需求集群。
上述异常资源需求集群的确定方法中，服务器基于各资源需求终端触发资源获取请求时具有的终端位置特征，对各资源需求终端进行聚类，得到至少一个第一资源需求集群；根据第一资源需求集群包括的多个资源需求终端之间的用户背景图像的相似度，对第一资源需求集群包括的多个资源需求终端进行聚类，得到至少一个第二资源需求集群；用户背景图像在各资源需求终端触发资源获取请求时采集得到；将至少一个第二资源需求集群中，包括的资源需求终端数大于或者等于终端数阈值的第二资源需求集群确定为异常资源需求集群。若触发资源获取请求的各资源需求终端没有与同一个终端设备进行关联，难以通过具有强关联属性的强介质的终端设备确定异常的资源需求终端；基于此，相对于具有强关联属性的终端设备，本申请将各资源需求终端在触发资源获取请求时的终端位置特征和用户背景图像的相似度作为用于确定异常资源需求终端的弱关联属性数据，并基于终端位置特征和用户背景图像的相似度对资源需求终端进行聚类，得到对应的资源需求集群，在资源需求集群包括的资源需求终端数大于或者等于终端数阈值时，将该资源需求集群确定为异常资源需求集群，进而将该异常资源需求集群中的资源需求终端作为异常资源需求终端，提高确定异常的资源需求终端的准确性。
在一个实施例中，为了进一步提高确定异常的资源需求终端的准确性，服务器可以基于移动网络位置特征和卫星定位位置特征，确定第一资源需求集群。具体地，服务器在执行步骤S201时，可以包括以下步骤：基于各资源需求终端触发资源获取请求时具有的移动网络位置特征，对各资源需求终端进行聚类，得到第三资源需求集群；基于第三资源需求集群包括的资源需求终端触发资源获取请求时具有的卫星定位位置特征，对第三资源需求集群包括的资源需求终端进行聚类，得到至少一个第一资源需求集群；其中，至少一个第一资源需求集群包括的资源需求终端数小于或等于第三资源需求集群包括的资源需求终端数。
可以理解的是，在本实施例中，移动网络位置特征和卫星定位位置特征属于资源需求终端的终端位置特征；其中，移动网络位置特征可以与资源需求终端接入的移动网络位置对应，可以是IP地址数据，服务器可以基于IP地址数据将资源需求集群的距离范围精确至街道级别；卫星定位位置特征为基于卫星定位方式确定的位置，也就是说，与资源需求终端所处的地理位置对应。
其中，移动网络位置特征和卫星定位位置特征分别可以是IP地址数据(InternetProtocol Address，互联网协议地址，也就是说，IP地址数据也可以称为互联网协议地址)和GPS数据(GPS，Global Positioning System，全球定位系统)。示例性地，服务器基于资源需求终端a、b、c和d在触发资源获取请求时的IP地址数据，对资源需求终端a、b、c和d进行地址上的聚类，得到其中一个包括资源需求终端a、c和d的资源需求集群；服务器进一步获取资源需求终端a、c和d的GPS数据，并基于GPS数据对资源需求终端a、c和d进行距离上的聚类，得到包括资源需求终端a和c的第一资源需求集群；进而服务器获取资源需求终端a和c的用户背景图像，对资源需求终端a和c进行聚类，得到对应的资源需求集群。也就是说，服务器可以基于IP地址数据将资源需求集群的范围精确至街道级别，实现终端地址区域划分，并进一步结合GPS数据进行聚类辅助进一步缩小范围，实现终端距离划分，将距离较近的资源需求终端划分至同一个资源需求集群，最后依靠计算机视觉技术加持，计算并比较用户背景图像的相似度，精准确定异常资源需求集群，进而提高确定异常的资源需求终端的准确性。
在一个实施例中，为了进一步提高确定异常的资源需求终端的准确性，服务器执行步骤S201时，可以包括以下步骤：获取预设的终端位置特征与地址数据的对应关系；根据各资源需求终端触发资源获取请求时具有的终端位置特征以及对应关系，确定各资源需求终端对应的地址数据；获取预设地址划分层级；从各地址数据中，分别提取与预设地址划分层级对应的目标子地址数据；将与具有相同的目标子地址数据的地址数据对应的资源需求终端聚类至同一个第一资源需求集群，得到至少一个第一资源需求集群。
其中，地址数据可以包括多个子地址数据，各子地址数据对应不同的地址划分层级(如省、市、区、街道)，示例性地，若地址数据为第一省第一市第一区第一街道，那么该地址数据包括的子地址数据为第一省、第一市、第一区、第一街。若预设地址划分层级为省、市和区，且资源需求终端a、c的地址数据分别为第一省第一市第一区第一街道、第一省第一市第一区第二街道，由于资源需求终端a、c的省、市和区的子地址数据相同，那么服务器可以将资源需求终端a、c归属至同一个资源需求集群。
进一步地，以终端位置特征包括IP地址数据和GPS数据为例介绍，其中IP聚类算法和GPS聚类算法是将IP地址、GPS距离相似或相近的资源需求终端分成一类的算法。服务器在接收到IP地址数据、GPS数据等资源需求终端的设备信息后，通过地址解析服务将IP地址数据和GPS数据转成地址IP_address(互联网协议地址)和GPS_address(GPS地址)，如：xxx省xx市xx区xxx街道。利用地址的省、市、区、街道等信息，可以将N个资源需求终端分成M个资源需求集群，每一个资源需求集群对应一个集群编号address_id。
在一个实施例中，为了进一步提高确定异常的资源需求终端的准确性，服务器执行步骤S202之前，还可以执行以下步骤：获取第一资源需求集群包括的多个资源需求终端的用户原始图像；用户原始图像包括用户和除用户外的用户背景；对各用户原始图像中的用户与用户背景之间的语义分割处理，得到对应的用户背景图像；在各用户背景图像中，保留用户背景在用户原始图像中的面积占比达到预设面积占比的用户背景图像。
进一步地，为了进一步提高确定异常的资源需求终端的准确性，可以从提高用户背景图像的准确性进行；具体地，用户背景图像可以来源于图像预处理后的用户原始图像；图像预处理包括图像翻转、图像平移和图像像素增强中的至少一项。
其中，图像预处理是将每一个文字图像分检出来交给识别模块识别，这一过程称为图像预处理。图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。服务器可以针对上传照片质量参差不齐、角度偏斜等现象，对照片进行图像翻转、图像平移和图像像素增强等图像预处理操作。
图像的语义分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。服务器可以采用DeepLab v3模型将用户原始图像中的用户与用户背景分离出来，生成人脸图像和用户背景图像。
结合图3介绍上述实施例，服务器可以先获取第一资源需求集群包括的多个资源需求终端的用户原始图像(步骤S301)，对用户原始图像进行图像预处理(步骤S302)，然后对图像预处理后的用户原始图像进行用户与用户背景之间的语义分割处理，得到对应的用户背景图像(步骤S303)；并且服务器在各用户背景图像中，保留用户背景在用户原始图像中的面积占比达到预设面积占比的用户背景图像，也就是说，若其中一张用户背景图像对应的用户背景在用户原始图像中的面积占比达到预设的面积占比，服务器则保留该用户背景图像，并提取对应的用户背景特征向量(步骤S304)且存储至背景特征数据库中；其中，若面积占比不满足预设的面积占比，则可以判定为无效图片，退出对该用户背景图像的处理(步骤S307)；接着服务器在对不同资源需求终端的用户背景图像进行相似度对比时，可以从背景特征数据库中提取用户背景特征向量(步骤S306)，以确定在背景特征数据库中是否有相似的用户背景图像的样例(步骤S307)。
其中，用户原始图像可以是用户自拍图像，也可以称为自拍照片；在本申请的介绍中，图像、照片和图片可以等同理解，不做区分。
在一个实施例中，为了进一步提高确定异常的资源需求终端的准确性，服务器执行步骤S306之前，还可以执行如下步骤，以准确确定用户背景图像的相似度：对保留的用户背景图像进行均值填充的图像修复处理(步骤S305)；从图像修复处理后的保留的用户背景图像中，提取对应的用户背景特征向量，并计算各用户背景特征向量之间的欧式距离；根据欧式距离，确定各图像修复处理后的保留的用户背景图像的相似度。
其中，图像修复指重建的图像和视频中丢失或损坏的部分的过程。服务器可以采用均值填充法，对用户背景图像中的每一行，使用本行中非空白区域的RGB通道(图像的色阶通道)的均值分别进行填充，得到修复后的用户背景图像。
其中，从用户背景图像中提取用户背景特征向量，可以理解为对用户背景图像进行特征提取处理，特征提取处理是计算机视觉和图像处理中的一个概念，是利用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。服务器可以使用Places365-CNNs场景分类模型，把用户背景图像加工成2048维用户背景特征向量。用户背景特征向量的每一个维度代表一种场景A1、A2……A2048，用户背景特征向量则是对应用户背景图像可能是场景A1、A2……A2048的可能概率，如：用户背景图像对应每一种概率的可能性是P1:A1＝0.001，P1:A2＝0.998,……，P1:A2048＝0.001，则向量C＝(0.001,0.998,0……,0.001)。
在上述实施例中，服务器可以通过对用户原始图像进行图像预处理和语音分割处理，得到用户背景图像，并对用户背景图像进行图像修复处理(步骤S305)，从图像修复处理后的用户背景图像中提取用户背景特征向量(步骤S306)，计算不同用户背景特征向量的欧式距离，将欧式距离作为用户背景图像的相似度，基于该相似度对资源需求终端进行聚类，也就是说，将相似度较高的用户背景图像对应的资源需求终端归属至同一个资源需求集群。其中，用户背景图像的相似度可以是基于用户背景特征向量的欧式距离确定的，也就是说，欧式距离越小，相似度越高。
示例性地，如图4所示，上述实施例的实现过程可以包括如下步骤：
步骤S401，服务器获取资源需求终端触发资源获取请求时的IP地址数据、GPS数据和用户原始图像(可以是用户自拍图像)；
步骤S402，通过IP地址数据和GPS数据等弱关联属性数据，对距离较近的资源需求终端进行聚类；
步骤S403，对用户原始图像进行用户背景图像的特征抽取处理，具体可以包括：基于深度学习和计算机视觉的图像级联模块，把图像预处理、图像语义分割、图像修复串联在一起。首先，使用PCN渐进式人脸检测技术对用户原始图像进行平面翻转，使用户原始图像内用户的站立方向、背景是垂直于水平面的。然后，把图像预处理后的用户原始图像通过语义分割模型DeepLabv3将用户原始图像中的用户人脸与用户背景分离，分为用户人脸图像和用户背景图像。接着，把用户背景图像拿出来单独进行处理，采用均值填充法，对图片中的每一行，使用本行中非空白区域的RGB通道的均值分别进行填充，得到修复后的用户背景图像。最后，使用Places365-CNNs场景分类模型，把用户背景图像加工成2048维的用户背景特征向量，并计算不同用户背景特征向量的欧式距离，得到不同用户背景图像的相似度。
在一个实施例中，为了实时对触发资源获取请求但未进行聚类的资源需求终端进行聚类，归属至对应的资源需求集群中，以保证确定异常资源需求集群的准确性，服务器在得到各个资源需求终端的用户背景图像的用户背景特征向量后，可以将用户背景特征向量与对应的终端位置特征进行关联存储，如存储至基于HBase搭建的背景特征数据库中(步骤S404)。
示例性地，在基于HBase搭建的背景特征数据库中，背景特征数据库通过指定rowkey(行键)、column(列)、value(值)的形式可以存储一个值v1，需要时，可以通过rowkey将值v1取出。具体做法：首先新建HBase表1，以IP、GPS生成的address_id作为rowkey，用户编号user_id作为column，用户背景图像的2048维特征向量作为value，实时存储更新照片背景特征数据。例如：资源需求终端a上传照片和IP、GPS信息后，通过IP、GPS聚类生成address_id_1表示集群id，通过图像处理生成用户背景特征向量vA，然后将rowkey＝address_id_1，column＝A，value＝vA存储到HBase表1中，同理资源需求终端b、c等其他资源需求终端的数据存储到表1中。
| Rowkey | Column | Value |
| address_id_1 | A | vA |
| address_id_1 | B | vB |
| address_id_2 | C | vC |
表1
服务器若接收到未进行聚类的目标资源需求终端的资源获取请求，则基于目标资源需求终端的目标终端位置特征，对目标资源需求终端进行聚类，确定在至少一个第一资源需求集群中目标资源需求终端所归属的目标第一资源需求集群；获取目标第一资源需求集群中的各资源需求终端的用户背景特征向量；计算所获取的用户背景特征向量与目标资源需求终端的用户背景特征向量之间的欧式距离；其中，目标资源需求终端的用户背景特征向量对应的用户背景图像的面积占比达到预设面积占比，且在从用户背景图像中提取用户背景特征向量之前，用户背景图像进行过均值填充的图像修复处理；若欧式距离小于预设欧式距离，则确定对应的资源需求终端与目标资源需求终端之间的用户背景图像的相似度符合预设相似度；在至少一个第二资源集群中，确定对应的资源需求终端归属的目标第二资源集群，将目标资源需求终端归属至目标第二资源集群。
示例性地，服务器在接收到未进行聚类的目标资源需求终端f的资源获取请求时，先对目标资源需求终端f的IP、GPS聚类生成address_id_1，通过图像处理生成用户背景图像的用户背景特征向量vF，先将目标资源需求终端f的数据存储到表1中，再将rowkey＝address_id_1的数据从1中取出得到向量vA、vB、vF。通过计算vA、vB、vF间的欧式距离dAB、dBF、dAF，欧式距离越小，相似度越高，得到资源需求终端a、b的用户背景图像与资源需求终端f的用户背景图像之间的相似度。又例如，dAB<d(d为预先设定的欧式距离)时，认为资源需求终端a、b不仅满足IP聚类、GPS聚类要求，而且用户背景图像的用户背景相似，此时在address_id_1的用户背景图像相似个数＝2(相似个数相当于资源需求终端数)(步骤S405)，判断相似个数与阈值m(m为预先设定的阈值，相当于终端数阈值)之间的大小(步骤S406)；当相似个数>阈值m时，将与address_id_1对应的资源需求集群确定为异常资源需求集群(步骤S407)；当相似个数<阈值m时，将与address_id_1对应的资源需求集群确定为非异常资源需求集群(步骤S408)。
在上述实施例中，若触发资源获取请求的各资源需求终端没有与同一个终端设备进行关联，难以通过具有强关联属性的强介质的上述终端设备确定异常的资源需求终端；基于此，相对于具有强关联属性的上述终端设备，本申请将各资源需求终端在触发资源获取请求时的终端位置特征和用户背景图像的相似度作为用于确定异常资源需求终端的弱关联属性数据，并基于终端位置特征和用户背景图像的相似度对资源需求终端进行聚类，得到对应的资源需求集群，在资源需求集群包括的资源需求终端数大于或者等于终端数阈值时，将该资源需求集群确定为异常资源需求集群，进而可以管控异常资源需求集群包括的各资源需求终端，提高确定异常的资源需求终端的准确性。
应该理解的是，虽然图2-图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种异常资源需求集群的确定装置，包括：
位置聚类模块501，用于基于各资源需求终端触发资源获取请求时具有的终端位置特征，对各资源需求终端进行聚类，得到至少一个第一资源需求集群；
背景图像聚类模块502，用于根据第一资源需求集群包括的多个资源需求终端之间的用户背景图像的相似度，对第一资源需求集群包括的多个资源需求终端进行聚类，得到至少一个第二资源需求集群；用户背景图像在各资源需求终端触发资源获取请求时采集得到；
异常集群确定模块503，用于将至少一个第二资源需求集群中，包括的资源需求终端数大于或者等于终端数阈值的第二资源需求集群确定为异常资源需求集群。
在一个实施例中，终端位置特征包括移动网络位置特征和卫星定位位置特征；位置聚类模块501，还用于基于各资源需求终端触发资源获取请求时具有的移动网络位置特征，对各资源需求终端进行聚类，得到第三资源需求集群；基于第三资源需求集群包括的资源需求终端触发资源获取请求时具有的卫星定位位置特征，对第三资源需求集群包括的资源需求终端进行聚类，得到至少一个第一资源需求集群；其中，至少一个第一资源需求集群包括的资源需求终端数小于或等于第三资源需求集群包括的资源需求终端数。
在一个实施例中，上述装置，还用于获取第一资源需求集群包括的多个资源需求终端的用户原始图像；用户原始图像包括用户和除用户外的用户背景；对各用户原始图像中的用户与用户背景之间的语义分割处理，得到对应的用户背景图像；在各用户背景图像中，保留用户背景在用户原始图像中的面积占比达到预设面积占比的用户背景图像。
在一个实施例中，上述装置，还用于对保留的用户背景图像进行均值填充的图像修复处理；从图像修复处理后的保留的用户背景图像中，提取对应的用户背景特征向量，并计算各用户背景特征向量之间的欧式距离；根据欧式距离，确定各图像修复处理后的保留的用户背景图像的相似度。
在一个实施例中，上述装置，还用于将各用户背景特征向量与对应的终端位置特征进行关联存储；若接收到未进行聚类的目标资源需求终端的资源获取请求，基于目标资源需求终端的目标终端位置特征，对目标资源需求终端进行聚类，确定在至少一个第一资源需求集群中目标资源需求终端所归属的目标第一资源需求集群；获取目标第一资源需求集群中的各资源需求终端的用户背景特征向量；计算所获取的用户背景特征向量与目标资源需求终端的用户背景特征向量之间的欧式距离；其中，目标资源需求终端的用户背景特征向量对应的用户背景图像的面积占比达到预设面积占比，且在从用户背景图像中提取用户背景特征向量之前，用户背景图像进行过均值填充的图像修复处理；若欧式距离小于预设欧式距离，则确定对应的资源需求终端与目标资源需求终端之间的用户背景图像的相似度符合预设相似度；在至少一个第二资源集群中，确定对应的资源需求终端归属的目标第二资源集群，将目标资源需求终端归属至目标第二资源集群。
在一个实施例中，用户背景图像来源于图像预处理后的用户原始图像；图像预处理包括图像翻转、图像平移和图像像素增强中的至少一项。
位置聚类模块501，还用于获取预设的终端位置特征与地址数据的对应关系；根据各资源需求终端触发资源获取请求时具有的终端位置特征以及对应关系，确定各资源需求终端对应的地址数据；各地址数据包括多个子地址数据；各子地址数据对应不同的地址划分层级；获取预设地址划分层级；从各地址数据中，分别提取与预设地址划分层级对应的目标子地址数据；将与具有相同的目标子地址数据的地址数据对应的资源需求终端聚类至同一个第一资源需求集群，得到至少一个第一资源需求集群。
关于异常资源需求集群的确定装置的具体限定可以参见上文中对于异常资源需求集群的确定方法的限定，在此不再赘述。上述异常资源需求集群的确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储异常资源需求集群的确定数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种异常资源需求集群的确定方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述各个方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种异常资源需求集群的确定方法，其特征在于，包括：
基于各资源需求终端触发资源获取请求时具有的终端位置特征，对所述各资源需求终端进行聚类，得到至少一个第一资源需求集群；
获取所述第一资源需求集群包括的多个资源需求终端的用户原始图像；所述用户原始图像包括用户和除所述用户外的用户背景；
对各用户原始图像中的用户与用户背景之间的语义分割处理，得到对应的用户背景图像；
在各用户背景图像中，保留用户背景在用户原始图像中的面积占比达到预设面积占比的用户背景图像；
根据第一资源需求集群包括的多个资源需求终端之间的用户背景图像的相似度，对所述第一资源需求集群包括的多个资源需求终端进行聚类，得到至少一个第二资源需求集群；所述用户背景图像在各资源需求终端触发资源获取请求时采集得到；
将所述至少一个第二资源需求集群中，包括的资源需求终端数大于或者等于终端数阈值的第二资源需求集群确定为异常资源需求集群。
2.根据权利要求1所述的方法，其特征在于，所述终端位置特征包括移动网络位置特征和卫星定位位置特征；
所述基于各资源需求终端触发资源获取请求时具有的终端位置特征，对所述各资源需求终端进行聚类，得到至少一个第一资源需求集群，包括：
基于所述各资源需求终端触发资源获取请求时具有的所述移动网络位置特征，对所述各资源需求终端进行聚类，得到第三资源需求集群；
基于所述第三资源需求集群包括的资源需求终端触发资源获取请求时具有的所述卫星定位位置特征，对所述第三资源需求集群包括的资源需求终端进行聚类，得到所述至少一个第一资源需求集群；其中，所述至少一个第一资源需求集群包括的资源需求终端数小于或等于所述第三资源需求集群包括的资源需求终端数。
3.根据权利要求1所述的方法，其特征在于，所述在各用户背景图像中，保留用户背景在用户原始图像中的面积占比达到预设面积占比的用户背景图像之后，所述方法还包括：
对保留的用户背景图像进行均值填充的图像修复处理；
从图像修复处理后的所述保留的用户背景图像中，提取对应的用户背景特征向量，并计算各用户背景特征向量之间的欧式距离；
根据所述欧式距离，确定各图像修复处理后的所述保留的用户背景图像的相似度。
4.根据权利要求3所述的方法，其特征在于，所述从图像修复处理后的所述保留的用户背景图像中，提取对应的用户背景特征向量之后，所述方法还包括：
将各用户背景特征向量与对应的终端位置特征进行关联存储；
所述将所述至少一个第二资源需求集群中，包括的资源需求终端数大于或者等于终端数阈值的第二资源需求集群确定为异常资源需求集群之前，所述方法还包括：
若接收到未进行聚类的目标资源需求终端的资源获取请求，基于所述目标资源需求终端的目标终端位置特征，对所述目标资源需求终端进行聚类，确定在所述至少一个第一资源需求集群中所述目标资源需求终端所归属的目标第一资源需求集群；
获取所述目标第一资源需求集群中的各资源需求终端的用户背景特征向量；
计算所获取的用户背景特征向量与所述目标资源需求终端的用户背景特征向量之间的欧式距离；其中，所述目标资源需求终端的用户背景特征向量对应的用户背景图像的面积占比达到所述预设面积占比，且在从所述用户背景图像中提取用户背景特征向量之前，所述用户背景图像进行过所述均值填充的图像修复处理；
若所述欧式距离小于预设欧式距离，则确定对应的资源需求终端与所述目标资源需求终端之间的用户背景图像的相似度符合预设相似度；
在所述至少一个第二资源集群中，确定所述对应的资源需求终端归属的目标第二资源集群，将所述目标资源需求终端归属至所述目标第二资源集群。
5.根据权利要求1所述的方法，其特征在于，所述用户背景图像来源于图像预处理后的用户原始图像；所述图像预处理包括图像翻转、图像平移和图像像素增强中的至少一项。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述基于各资源需求终端触发资源获取请求时具有的终端位置特征，对所述各资源需求终端进行聚类，得到至少一个第一资源需求集群，包括：
获取预设的终端位置特征与地址数据的对应关系；
根据各资源需求终端触发资源获取请求时具有的终端位置特征以及所述对应关系，确定所述各资源需求终端对应的地址数据；各地址数据包括多个子地址数据；各子地址数据对应不同的地址划分层级；
获取预设地址划分层级；
从所述各地址数据中，分别提取与所述预设地址划分层级对应的目标子地址数据；
将与具有相同的目标子地址数据的地址数据对应的资源需求终端聚类至同一个第一资源需求集群，得到所述至少一个第一资源需求集群。
7.一种异常资源需求集群的确定装置，其特征在于，包括：
位置聚类模块，用于基于各资源需求终端触发资源获取请求时具有的终端位置特征，对所述各资源需求终端进行聚类，得到至少一个第一资源需求集群；
背景图像聚类模块，用于根据第一资源需求集群包括的多个资源需求终端之间的用户背景图像的相似度，对所述第一资源需求集群包括的多个资源需求终端进行聚类，得到至少一个第二资源需求集群；所述用户背景图像在各资源需求终端触发资源获取请求时采集得到；
异常集群确定模块，用于将所述至少一个第二资源需求集群中，包括的资源需求终端数大于或者等于终端数阈值的第二资源需求集群确定为异常资源需求集群；
在所述背景图像聚类模块的步骤之前，还包括如下步骤：获取所述第一资源需求集群包括的多个资源需求终端的用户原始图像；所述用户原始图像包括用户和除所述用户外的用户背景；对各用户原始图像中的用户与用户背景之间的语义分割处理，得到对应的用户背景图像；在各用户背景图像中，保留用户背景在用户原始图像中的面积占比达到预设面积占比的用户背景图像。
8.根据权利要求7所述的装置，其特征在于，所述终端位置特征包括移动网络位置特征和卫星定位位置特征；
位置聚类模块，还用于：
基于所述各资源需求终端触发资源获取请求时具有的所述移动网络位置特征，对所述各资源需求终端进行聚类，得到第三资源需求集群；
基于所述第三资源需求集群包括的资源需求终端触发资源获取请求时具有的所述卫星定位位置特征，对所述第三资源需求集群包括的资源需求终端进行聚类，得到所述至少一个第一资源需求集群；其中，所述至少一个第一资源需求集群包括的资源需求终端数小于或等于所述第三资源需求集群包括的资源需求终端数。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010662187.7A CN111985531B (zh) | 2020-07-10 | 2020-07-10 | 异常资源需求集群的确定方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010662187.7A CN111985531B (zh) | 2020-07-10 | 2020-07-10 | 异常资源需求集群的确定方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111985531A CN111985531A (zh) | 2020-11-24 |
| CN111985531B true CN111985531B (zh) | 2023-12-01 |
Family
ID=73438710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010662187.7A Active CN111985531B (zh) | 2020-07-10 | 2020-07-10 | 异常资源需求集群的确定方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111985531B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116127337B (zh) * | 2022-09-08 | 2023-12-08 | 北京中关村科金技术有限公司 | 基于位置和图像的风险挖掘方法、装置、存储介质及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110597623A (zh) * | 2019-08-13 | 2019-12-20 | 平安普惠企业管理有限公司 | 容器资源分配方法、装置、计算机设备和存储介质 |
| CN110609745A (zh) * | 2018-06-15 | 2019-12-24 | 中移(苏州)软件技术有限公司 | 一种作业任务的执行方法、装置、电子设备、存储介质 |
| US10592328B1 (en) * | 2015-03-26 | 2020-03-17 | Amazon Technologies, Inc. | Using cluster processing to identify sets of similarly failing hosts |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10909140B2 (en) * | 2016-09-26 | 2021-02-02 | Splunk Inc. | Clustering events based on extraction rules |
-
2020
- 2020-07-10 CN CN202010662187.7A patent/CN111985531B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10592328B1 (en) * | 2015-03-26 | 2020-03-17 | Amazon Technologies, Inc. | Using cluster processing to identify sets of similarly failing hosts |
| CN110609745A (zh) * | 2018-06-15 | 2019-12-24 | 中移(苏州)软件技术有限公司 | 一种作业任务的执行方法、装置、电子设备、存储介质 |
| CN110597623A (zh) * | 2019-08-13 | 2019-12-20 | 平安普惠企业管理有限公司 | 容器资源分配方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 一种基于Hadoop的集群资源访问异常检测方法;杨安;孙彦超;;北京信息科技大学学报(自然科学版)(06);全文 * |
| 一种基于聚类分组的虚拟机镜像去冗余方法;徐继伟等;软件学报;全文 * |
| 基于词袋模型聚类的异常流量识别方法;马林进;万良;马绍菊;杨婷;;计算机工程(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111985531A (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8144920B2 (en) | Automated location estimation using image analysis | |
| US20190347767A1 (en) | Image processing method and device | |
| US8275194B2 (en) | Site modeling using image data fusion | |
| CN110569721A (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
| US8971641B2 (en) | Spatial image index and associated updating functionality | |
| CN109509255B (zh) | 一种标签化地图构建及空间地图更新方法和装置 | |
| US11682170B2 (en) | Generating three-dimensional geo-registered maps from image data | |
| CN111523414A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
| CN108513139B (zh) | 视频直播中的虚拟对象识别方法、装置、存储介质和设备 | |
| US20220270323A1 (en) | Computer Vision Systems and Methods for Supplying Missing Point Data in Point Clouds Derived from Stereoscopic Image Pairs | |
| CN112257664A (zh) | 图像融合方法、装置、计算机设备和存储介质 | |
| CN111985531B (zh) | 异常资源需求集群的确定方法、装置、设备和存储介质 | |
| US8755559B1 (en) | Determining GPS coordinates for images | |
| CN113949881B (zh) | 一种基于智慧城市数据的业务处理方法及系统 | |
| CN114359932B (zh) | 文本检测方法、文本识别方法及装置 | |
| CN110135428B (zh) | 图像分割处理方法和装置 | |
| CN111445487A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
| WO2023115838A1 (zh) | 视频文字跟踪方法及电子设备 | |
| CN115100541B (zh) | 一种卫星遥感数据的处理方法、系统及云平台 | |
| KR102426594B1 (ko) | 크라우드소싱 환경에서 객체의 위치를 추정하는 시스템 및 방법 | |
| CN115205715A (zh) | 一种跨视图地理定位方法、装置、电子设备及存储介质 | |
| CN115205202A (zh) | 视频检测方法、装置、设备及存储介质 | |
| CN112333182A (zh) | 档案处理方法、装置、服务器及存储介质 | |
| CN113569887B (zh) | 图片识别模型训练和图片识别方法、装置和存储介质 | |
| CN112632992B (zh) | 测试方法、测试装置、计算机设备和介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee after: Zhaolian Consumer Finance Co.,Ltd. Country or region after: China Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee before: MERCHANTS UNION CONSUMER FINANCE Co.,Ltd. Country or region before: China |