CN112328819B - 一种基于图片集推荐相似图片的方法 - Google Patents

一种基于图片集推荐相似图片的方法 Download PDF

Info

Publication number
CN112328819B
CN112328819B CN202011234303.1A CN202011234303A CN112328819B CN 112328819 B CN112328819 B CN 112328819B CN 202011234303 A CN202011234303 A CN 202011234303A CN 112328819 B CN112328819 B CN 112328819B
Authority
CN
China
Prior art keywords
picture
pictures
representative
similar
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.)
Active
Application number
CN202011234303.1A
Other languages
English (en)
Other versions
CN112328819A (zh
Inventor
韩炜
陈然
贺晋如
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.)
Jiaxing Zhishi Information Technology Co ltd
Original Assignee
Jiaxing Zhishi Information 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 Jiaxing Zhishi Information Technology Co ltd filed Critical Jiaxing Zhishi Information Technology Co ltd
Priority to CN202011234303.1A priority Critical patent/CN112328819B/zh
Publication of CN112328819A publication Critical patent/CN112328819A/zh
Application granted granted Critical
Publication of CN112328819B publication Critical patent/CN112328819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/51—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
    • G06F16/532—Query formulation, e.g. graphical querying
    • 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
    • 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
    • G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
    • 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
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明公开了一种基于图片集推荐相似图片的方法，包括步骤S1：将图片集通过图片提取模型抽取若干图片特征，并且将图片集的图片进行聚类，以提取具有图片特征最多的至多两张图片，根据所述至多的两张图片在目标推荐池中提取视觉相似的图片；步骤S2：将图片集通过算法提取标题向量，根据所述标题向量在目标推荐池中提取文本相似的图片。本发明公开的一种基于图片集推荐相似图片的方法，其通过在图片集中用聚类的方法找到最具代表性的图片，然后通过最具代表性的图片来寻找视觉相似图片，并与文字相似图片相结合，既丰富了相关推荐图片的内容，也避免视觉相似算法模块的计算量太大，兼顾了系统实现的可行性。

Description

一种基于图片集推荐相似图片的方法
技术领域
本发明属于相似图片推荐方法技术领域，具体涉及一种基于图片集推荐相似图片的方法。
背景技术
图片推荐，也称为图片的相关推荐，指的是基于当前用户观看的内容，向用户推荐相关的内容，例如，当前用户观看的图片是圣彼得大教堂，则可以在相关推荐的位置为用户推荐教堂或其他建筑相关的图片，等等。图片推荐，不仅有利于图片信息的推广，而且，也可以为用户提供更多可能感兴趣的潜在资源，便于用户作进一步搜索或获取，所以，在现有的信息推广等领域中，如何对图片进行推荐，对于改善信息推广方案的整体性能，有着较大的意义。
但是通过图片推荐相似图片往往有一定的局限性，只能从单一的一张图片出发去推荐相似图片，往往满足不了用户的需求，例如用户想通过图片集去寻找类似的若干图片做增量补充，因此就出现了通过图片集去推荐图片集的方法。
但是通常基于图片集的推荐算法推荐的内容是图片集，从终端用户的角度，用户希望被推荐的还是图片本身；推荐图片集也很难满足寻找相关图片补充现有图片集内容的需求，例如对某个图片集兴趣时想要获得更多的图片等。
所以出现了图片集可以推荐图片的方法，但是传统的基于图片集推荐图片的算法往往是基于文字内容的相似程度，但很多图片集可能根本就没有文字描述等信息。
因此，针对上述问题，予以进一步改进。
发明内容
本发明的主要目的在于提供一种基于图片集推荐相似图片的方法，其通过在图片集中用聚类的方法找到最具代表性的图片，然后通过最具代表性的图片来寻找视觉相似图片，并与文字相似图片相结合，既丰富了相关推荐图片的内容，也避免视觉相似算法模块的计算量太大，兼顾了系统实现的可行性。
本发明的另一目的在于提供一种基于图片集推荐相似图片的方法，极大的便利了用户，让用户可以方便的寻找其喜欢的图片，应用场景包括既帮助图片集所有者寻找类似的图片做增量补充，也可以帮助向对某个图片集感兴趣的用户推荐更多的图片。
本发明的另一目的在于提供一种基于图片集推荐相似图片的方法，其综合了文本相似和视觉相似算法来得到推荐结果，避免了只用一种算法对某些图片集不适用，比如图片集中图片很少，或文本内容很少等。
本发明的另一目的在于提供一种基于图片集推荐相似图片的方法，其采用的图片集视觉相似算法先通过聚类算法，选取代表图，然后再用代表图的视觉相似搜索来获取图片集的相似推荐，这种先聚类再找相似的做法，将复杂问题简单化，计算量比较小。
本发明的另一目的在于提供一种基于图片集推荐相似图片的方法，其充分利用了深度卷积网络的特征抽取能力，避免了人工设计特征，抽取的特征性质较好。
为达到以上目的，本发明提供一种基于图片集推荐相似图片的方法，用于推荐与图片集相似的图片，包括以下步骤：
步骤S1：将图片集通过图片提取模型(优选为神经元网络)抽取若干图片特征(图片特征可以采用任意以图搜图算法所用的视觉特征)，并且将图片集的图片进行聚类，以提取具有图片特征最多的至多两张图片，根据所述至多的两张图片在目标推荐池中提取视觉相似的图片，以获取第一图片(组)；
步骤S2：将图片集通过(word2vec)算法提取标题向量，根据所述标题向量在目标推荐池中提取文本相似的图片，以获取第二图片(组)；
步骤S3：将第一图片(组)(视觉相似图片)和第二图片(组)(文本相似图片)进行随机混合，以获得与图片集相似的推荐图片。
作为上述技术方案的进一步优选的技术方案，步骤S1具体实施为以下步骤：
步骤S1.1：图片提取模型提取图片集前第一数量(优选为20)张图片，以提取图片特征并且获得第一数量个向量(可以使用预训练VGG模型，提取图片集前20张图片，选取VGG网络倒数第二层，4096维的向量，作为图片特征；图片特征可以采用任意以图搜图算法所用的视觉特征，不一定局限于采用的预训练VGG模型)；
步骤S1.2：聚类算法提取第一数量个向量进行聚类，并且选取样本数量最多的第一代表类和第二代表类作为代表类(采用的聚类算法为kmeans，但其他聚类算法也适用)；
步骤S1.3：计算第一代表类和第二代表类的中心点，并且分别选取离中心点最近的样本作为各自代表类的代表图(即第一代表类选取离中心点最近的样本作为第一代表类的代表图，第二代表类选取离中心点最近的样本作为第二代表类的代表图)；
步骤S1.4：通过图片提取模型将目标推荐池中的所有图片进行图片特征提取，以获得与代表图相似的第一图片。
作为上述技术方案的进一步优选的技术方案，步骤S1.2具体实施为以下步骤：
步骤S1.2.1：如果第一代表类和第二代表类之间的样本数量均大于5个样本数，则第一代表类和第二代表类均作为代表类；
步骤S1.2.2：如果第一代表类的样本数大于5个而第二代表类的样本数小于5个，则只将第一代表类作为代表类(当样本数第二多的那一类少于5个样本数时，认为这个类别不具有代表性，则只选择样本数最多的第一代表类作为代表类)。
作为上述技术方案的进一步优选的技术方案，步骤S1.4具体实施为以下步骤：
步骤S1.4.1：图片提取模型通过以图搜图算法将目标推荐池中的所有图片进行图片特征提取；
步骤S1.4.2：选取与步骤S1中的图片特征相一致的图片特征，以获得一张图片的特征表示向量；
步骤S1.4.3：通过特征表示向量持久化进行储存，并且用图片ID进行索引，以作为视觉搜索库；
步骤S1.4.4：将代表图的图片特征和目标推荐池中的图片特征进行编码标准化，并且通过汉明距离在视觉搜索库中进行搜索，获得与代表图最近邻的第二数量张图片(第一数量优选为20，当有两个代表类时，第二数量取值为10，即总共获取10x2＝20张视觉相似图片，当只有一个代表类时，第二数量取值为20，总共还是获取20张视觉相似图片)。
作为上述技术方案的进一步优选的技术方案，步骤S2具体实施为以下步骤：
步骤S2.1：将图片集的标题进行分词，并且通过word2vec计算，映射为文本特征向量；
步骤S2.2：通过文本特征向量持久化进行储存，以作为描述搜索库；
步骤S2.3：使用图片集的标题在描述搜索库中进行搜索，获得最近邻的第三数量张图片，以获得第二图片(组)。
附图说明
图1是本发明的一种基于图片集推荐相似图片的方法的流程图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
参见附图的图1，图1是本发明的一种基于图片集推荐相似图片的方法的流程图。
在本发明的优选实施例中，本领域技术人员应注意，本发明所涉及的word2vec算法、预训练VGG模型和汉明距离等可被视为现有技术。
优选实施例。
本发明公开了一种基于图片集推荐相似图片的方法，用于推荐与图片集相似的图片，包括以下步骤：
步骤S1：将图片集通过图片提取模型(优选为神经元网络)抽取若干图片特征(图片特征可以采用任意以图搜图算法所用的视觉特征)，并且将图片集的图片进行聚类，以提取具有图片特征最多的至多两张图片，根据所述至多的两张图片在目标推荐池中提取视觉相似的图片，以获取第一图片(组)；
步骤S2：将图片集通过(word2vec)算法提取标题向量，根据所述标题向量在目标推荐池中提取文本相似的图片，以获取第二图片(组)；
步骤S3：将第一图片(组)(视觉相似图片)和第二图片(组)(文本相似图片)进行随机混合，以获得与图片集相似的推荐图片。
具体的是，步骤S1具体实施为以下步骤：
步骤S1.1：图片提取模型提取图片集前第一数量(优选为20)张图片，以提取图片特征并且获得第一数量个向量(可以使用预训练VGG模型，提取图片集前20张图片，选取VGG网络倒数第二层，4096维的向量，作为图片特征；图片特征可以采用任意以图搜图算法所用的视觉特征，不一定局限于采用的预训练VGG模型)；
步骤S1.2：聚类算法提取第一数量个向量进行聚类，并且选取样本数量最多的第一代表类和第二代表类作为代表类(采用的聚类算法为kmeans，但其他聚类算法也适用)；
步骤S1.3：计算第一代表类和第二代表类的中心点，并且分别选取离中心点最近的样本作为各自代表类的代表图(即第一代表类选取离中心点最近的样本作为第一代表类的代表图，第二代表类选取离中心点最近的样本作为第二代表类的代表图)；
步骤S1.4：通过图片提取模型将目标推荐池中的所有图片进行图片特征提取，以获得与代表图相似的第一图片。
更具体的是，步骤S1.2具体实施为以下步骤：
步骤S1.2.1：如果第一代表类和第二代表类之间的样本数量均大于5个样本数，则第一代表类和第二代表类均作为代表类；
步骤S1.2.2：如果第一代表类的样本数大于5个而第二代表类的样本数小于5个，则只将第一代表类作为代表类(当样本数第二多的那一类少于5个样本数时，认为这个类别不具有代表性，则只选择样本数最多的第一代表类作为代表类)。
进一步的是，步骤S1.4具体实施为以下步骤：
步骤S1.4.1：图片提取模型通过以图搜图算法将目标推荐池中的所有图片进行图片特征提取；
步骤S1.4.2：选取与步骤S1中的图片特征相一致的图片特征，以获得一张图片的特征表示向量；
步骤S1.4.3：通过特征表示向量持久化进行储存，并且用图片ID进行索引，以作为视觉搜索库；
步骤S1.4.4：将代表图的图片特征和目标推荐池中的图片特征进行编码标准化，并且通过汉明距离在视觉搜索库中进行搜索，获得与代表图最近邻的第二数量张图片(第一数量优选为20，当有两个代表类时，第二数量取值为10，即总共获取10x2＝20张视觉相似图片，当只有一个代表类时，第二数量取值为20，总共还是获取20张视觉相似图片)。
更进一步的是，步骤S2具体实施为以下步骤：
步骤S2.1：将图片集的标题进行分词，并且通过word2vec计算，映射为文本特征向量；
步骤S2.2：通过文本特征向量持久化进行储存，以作为描述搜索库；
步骤S2.3：使用图片集的标题在描述搜索库中进行搜索，获得最近邻的第三数量张图片，以获得第二图片(组)。
优选地，kmeans算法，一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。
优选地，VGG，一种CNN神经网络框架，具有小卷积核、小池化核、层数更深特征图更宽全连接转卷积等特点，常用于图像识别、图像特征提取等任务。
优选地，以图搜图，是通过输入一张图片来搜索相似的图片的一种技术，为用户提供相关图形图像资料检索的搜索技术。涉及了数据库、数据缓存、计算机视觉、图像处理、信息检索等诸多学科。其重点技术在于特征表示和相似性度量。以图搜图服务在大数据图像检索，互联网，图片素材搜索，购物搜索等多种领域都有广泛应用。目前，采用基于深度神经网络的分类器能够在视觉任务上取得十分理想的效果。
优选地，汉明距离(Hamming distance)：两个等长字符串之间的汉明距离是两个字符串对应位置的不同字符的个数。
优选地，对于基于深度学习的以图搜图算法,通过神经网络组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。它显著的优点是可抽象出高级特征，构建出复杂高性能的模型，采用VGG网络的中间层进行特征抽取有效的解决了特征抽取问题。
优选地，Word2vec，一种用来产生词向量的相关算法，可用来映射每个词到一个向量，可用来表示词对词之间的关系，该向量为神经网络之隐藏层。
优选地，本发明是一种给定图片集，推荐与该图片集的相关图片的一种方法。该方法先通过基于神经元网络的图像特征将图片集的图片进行聚类，从而挑选出最具代表性的两张图在目标推荐池中寻找视觉相似的图片；然后对图片集中的图片标题进行分词，利用word2vec算法转换为词向量，再在目标推荐池里通过词向量的相似度寻找文本相似的图片；最终将视觉相似和文本相似的图片做混合推荐。该方法可以用于帮助图片集所有者寻找类似的图片做增量补充，也可以帮助向对某个图片集感兴趣的用户推荐更多的图片。
值得一提的是，本发明专利申请涉及的word2vec算法、预训练VGG模型和汉明距离等技术特征应被视为现有技术，这些技术特征的具体结构、工作原理以及可能涉及到的控制方式、空间布置方式采用本领域的常规选择即可，不应被视为本发明专利的发明点所在，本发明专利不做进一步具体展开详述。
对于本领域的技术人员而言，依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围。

Claims (1)

1.一种基于图片集推荐相似图片的方法，用于推荐与图片集相似的图片，其特征在于，包括以下步骤：
步骤S1：将图片集通过图片提取模型抽取若干图片特征，并且将图片集的图片进行聚类，以提取具有图片特征最多的至多两张图片，根据所述至多的两张图片在目标推荐池中提取视觉相似的图片，以获取第一图片；
步骤S1具体实施为以下步骤：
步骤S1.1：图片提取模型提取图片集前第一数量张图片，以提取图片特征并且获得第一数量个向量，第一数量为20；
步骤S1.2：聚类算法提取第一数量个向量进行聚类，并且选取样本数量最多的第一代表类和第二代表类作为代表类；
步骤S1.3：计算第一代表类和第二代表类的中心点，并且分别选取离中心点最近的样本作为各自代表类的代表图；
步骤S1.4：通过图片提取模型将目标推荐池中的所有图片进行图片特征提取，以获得与代表图相似的第一图片；
步骤S1.2具体实施为以下步骤：
步骤S1.2.1：如果第一代表类和第二代表类之间的样本数量均大于5个样本数，则第一代表类和第二代表类均作为代表类；
步骤S1.2.2：如果第一代表类的样本数大于5个而第二代表类的样本数小于5个，则只将第一代表类作为代表类；
步骤S1.4具体实施为以下步骤：
步骤S1.4.1：图片提取模型通过以图搜图算法将目标推荐池中的所有图片进行图片特征提取；
步骤S1.4.2：选取与步骤S1中的图片特征相一致的图片特征，以获得一张图片的特征表示向量；
步骤S1.4.3：通过特征表示向量持久化进行储存，并且用图片ID进行索引，以作为视觉搜索库；
步骤S1.4.4：将代表图的图片特征和目标推荐池中的图片特征进行编码标准化，并且通过汉明距离在视觉搜索库中进行搜索，获得与代表图最近邻的第二数量张图片，当有两个代表类时，第二数量取值为10，即总共获取20张视觉相似图片，当只有一个代表类时，第二数量取值为20，总共还是获取20张视觉相似图片；
步骤S2：将图片集通过算法提取标题向量，根据所述标题向量在目标推荐池中提取文本相似的图片，以获取第二图片；
步骤S2具体实施为以下步骤：
步骤S2.1：将图片集的标题进行分词，并且通过word2vec计算，映射为文本特征向量；
步骤S2.2：通过文本特征向量持久化进行储存，以作为描述搜索库；
步骤S2.3：使用图片集的标题在描述搜索库中进行搜索，获得最近邻的第三数量张图片，以获得第二图片；
步骤S3：将第一图片和第二图片进行随机混合，以获得与图片集相似的推荐图片；
图片集所有者通过在图片集中用聚类的方法找到最具代表性的图片，然后通过最具代表性的图片来寻找视觉相似图片，并与文字相似图片相结合，从而综合文本相似和视觉相似算法来得到推荐结果。
CN202011234303.1A 2020-11-07 2020-11-07 一种基于图片集推荐相似图片的方法 Active CN112328819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011234303.1A CN112328819B (zh) 2020-11-07 2020-11-07 一种基于图片集推荐相似图片的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011234303.1A CN112328819B (zh) 2020-11-07 2020-11-07 一种基于图片集推荐相似图片的方法

Publications (2)

Publication Number Publication Date
CN112328819A CN112328819A (zh) 2021-02-05
CN112328819B true CN112328819B (zh) 2023-08-18

Family

ID=74316596

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011234303.1A Active CN112328819B (zh) 2020-11-07 2020-11-07 一种基于图片集推荐相似图片的方法

Country Status (1)

Country Link
CN (1) CN112328819B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7120300B1 (en) * 2002-05-14 2006-10-10 Sasken Communication Technologies Limited Method for finding representative vectors in a class of vector spaces
KR20090008578A (ko) * 2007-07-18 2009-01-22 (주)엔써즈 동영상 데이터 클러스터를 이용한 동영상 데이터 검색서비스 제공 방법 및 장치
CN104298713A (zh) * 2014-09-16 2015-01-21 北京航空航天大学 一种基于模糊聚类的图片检索方法
CN105045818A (zh) * 2015-06-26 2015-11-11 腾讯科技（深圳）有限公司 一种图片的推荐方法、装置和系统
KR20200083159A (ko) * 2018-12-28 2020-07-08 고려대학교 산학협력단 사용자 단말에서의 사진 검색 방법 및 시스템

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6598054B2 (en) * 1999-01-26 2003-07-22 Xerox Corporation System and method for clustering data objects in a collection
US8019760B2 (en) * 2007-07-09 2011-09-13 Vivisimo, Inc. Clustering system and method
CN104090929A (zh) * 2014-06-23 2014-10-08 吕志雪 一种个性化图片推荐方法及装置
CN106021362B (zh) * 2016-05-10 2018-04-13 百度在线网络技术（北京）有限公司 查询式的图片特征表示的生成、图片搜索方法和装置
US11301509B2 (en) * 2017-01-20 2022-04-12 Rakuten Group, Inc. Image search system, image search method, and program
CN108062377A (zh) * 2017-12-12 2018-05-22 百度在线网络技术（北京）有限公司 标签图片集的建立、标签的确定方法、装置、设备及介质
US10902051B2 (en) * 2018-04-16 2021-01-26 Microsoft Technology Licensing, Llc Product identification in image with multiple products
CN111831847B (zh) * 2020-07-08 2023-08-18 嘉兴智设信息科技有限公司 相似图片集推荐方法及其系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7120300B1 (en) * 2002-05-14 2006-10-10 Sasken Communication Technologies Limited Method for finding representative vectors in a class of vector spaces
KR20090008578A (ko) * 2007-07-18 2009-01-22 (주)엔써즈 동영상 데이터 클러스터를 이용한 동영상 데이터 검색서비스 제공 방법 및 장치
CN104298713A (zh) * 2014-09-16 2015-01-21 北京航空航天大学 一种基于模糊聚类的图片检索方法
CN105045818A (zh) * 2015-06-26 2015-11-11 腾讯科技（深圳）有限公司 一种图片的推荐方法、装置和系统
KR20200083159A (ko) * 2018-12-28 2020-07-08 고려대학교 산학협력단 사용자 단말에서의 사진 검색 방법 및 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
大规模艺术图像的视觉特征计算组织与可视化;徐绕山;王爽;孙正兴;;科技通报(12);全文 *

Also Published As

Publication number Publication date
CN112328819A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN106202256B (zh) 基于语义传播及混合多示例学习的Web图像检索方法
CN111694965B (zh) 一种基于多模态知识图谱的图像场景检索系统及方法
CN111581510A (zh) 分享内容处理方法、装置、计算机设备和存储介质
Hsu et al. Reranking methods for visual search
Kim et al. Ranking and retrieval of image sequences from multiple paragraph queries
Zhang et al. Hierarchical information quadtree: efficient spatial temporal image search for multimedia stream
CN107818183B (zh) 一种基于特征相似性度量的三阶段组合党建视频推荐方法
CN113672693B (zh) 基于知识图谱和标签关联的在线问答平台的标签推荐方法
Sang et al. Exploiting social-mobile information for location visualization
Samani et al. A knowledge-based semantic approach for image collection summarization
Wang et al. Relevance feedback technique for content-based image retrieval using neural network learning
Liu et al. Event-based media enrichment using an adaptive probabilistic hypergraph model
CN112860916A (zh) 一种面向影视的多层次知识图谱生成方法
CN112328819B (zh) 一种基于图片集推荐相似图片的方法
CN115455249A (zh) 双引擎驱动的多模态数据检索方法、设备及系统
Fu et al. Incorporating external textual knowledge for life event recognition and retrieval
Wang et al. Understanding the spatial dimension of natural language by measuring the spatial semantic similarity of words through a scalable geospatial context window
Rao et al. Deep learning-based image retrieval system with clustering on attention-based representations
Jiang et al. Integrated video and text for content-based access to video databases
Bhandari et al. Ontology based image recognition: A review
Zhao et al. Scalable Top-Spatial Image Search on Road Networks
Pringle Do a thousand words paint a picture?
Nguyen et al. Keyword visual representation for image retrieval and image annotation
Narula et al. Improving statistical multimedia information retrieval model by using ontology
Hiriyannaiah et al. Deep learning and its applications for content-based video retrieval

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