CN112740196A - 基于知识管理人工智能系统中的识别模型 - Google Patents
基于知识管理人工智能系统中的识别模型 Download PDFInfo
- Publication number
- CN112740196A CN112740196A CN201980062085.7A CN201980062085A CN112740196A CN 112740196 A CN112740196 A CN 112740196A CN 201980062085 A CN201980062085 A CN 201980062085A CN 112740196 A CN112740196 A CN 112740196A
- Authority
- CN
- China
- Prior art keywords
- recognition
- recognition model
- data set
- models
- node
- 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
- 238000013473 artificial intelligence Methods 0.000 title abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 103
- 238000000034 method Methods 0.000 claims abstract description 88
- 230000008569 process Effects 0.000 claims abstract description 52
- 230000015654 memory Effects 0.000 claims description 30
- 238000004891 communication Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 230000008520 organization Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 241000282472 Canis lupus familiaris Species 0.000 description 24
- 241001465754 Metazoa Species 0.000 description 15
- 238000010586 diagram Methods 0.000 description 15
- 239000013598 vector Substances 0.000 description 9
- 241000282461 Canis lupus Species 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 241000282465 Canis Species 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 241000287219 Serinus canaria Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 235000019580 granularity Nutrition 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 244000062645 predators Species 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000283086 Equidae Species 0.000 description 1
- 241000282324 Felis Species 0.000 description 1
- 241000282320 Panthera leo Species 0.000 description 1
- 241000282376 Panthera tigris Species 0.000 description 1
- 241000272534 Struthio camelus Species 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011833 dog model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process 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
- 238000005192 partition Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06F16/58—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
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Library & Information Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种用于识别数据集对象的人工智能设备,包括处理电路,用于接收所述数据集以及包括对象的查询。所述处理电路通过实体知识数据库选择一个或多个模型,所述实体知识数据库包括与待识别对象对应的多个实体。多个识别模型中的每一个识别模型都链接到所述实体知识数据库的多个实体,使得所述处理电路可以选择多个识别模型。然后,所述处理电路通过所选择的一个或多个识别模型处理数据集,以指示所述数据集是否包括至少一个对象。所述实体可以在所述数据库中本体耦合,使得即使所述对象在所述数据库中没有对应的实体,也可以通过基于本体选择的模型来识别所述对象。
Description
相关申请案交叉申请
本申请要求于2018年9月20日提交的发明名称为“基于知识管理人工智能系统中的识别模块”的第62/734,016号美国临时专利申请的优先权,该临时专利申请的全部内容通过引用结合在本申请中。
技术领域
本公开涉及人工智能(artificial intelligence,简称:AI)系统,尤其涉及用于组织和使用识别模型以响应包括数据集中相关对象的查询的知识型工具。
背景技术
对数据集中的对象进行实体识别是广泛使用的AI应用,例如图像或视频文件中的项目或音频文件中的文字。所述数据集可以包括多个实体,每个实体可以具有多个粒度。每种类型的实体通常由一个或多个专用模型进行识别。然而,随着越来越多的模型出现在AI平台上,用户很难确定哪些模型可用以及应该使用哪些模型来识别特定对象。
发明内容
一方面,一种用于识别数据集中至少一个对象的设备包括:存储器,存储指令;一个或多个处理器,与所述存储器进行通信,其中,所述一个或多个处理器执行所述指令,以接收数据集以及关于所述数据集中是否包括至少一个对象的查询;通过包括与待识别对象对应的多个实体的实体知识数据库,选择至少一个识别模型,其中,多个识别模型中的每个识别模型链接到所述实体知识数据库的多个实体;通过所述选择的至少一个识别模型处理所述数据集,以指示所述数据集是否包括至少一个对象。
可选的,结合前述方面,所述一个或多个处理器还执行指令,以接收所述多个识别模型,其中,每个识别模型包括至少一个标注;对于每个识别模型:基于每个识别模型的至少一个标注,识别与所述识别模型对应的实体知识数据库中的至少一个实体;将所述识别模型链接到所述实体知识数据库中的至少一个实体。
可选的,结合前述任意方面,所述至少一个识别模型包括多个识别模型,所述多个识别模型中的每个识别模型包括至少一个参数,指示采用所述识别模型处理所述数据集的运算资源;所述一个或多个处理器执行所述指令,以通过所述多个识别模型中的至少一个识别模型来处理所述数据集,所述至少一个识别模型具有与所述一个或多个处理器可用的资源兼容的被指示运算资源。
可选的,结合前述任意方面,所述一个或多个处理器执行所述指令,以在选择所述识别模型之前,从网络连接服务获得附加资源。
可选的,结合前述任意方面,所述实体知识数据库为图形数据库;实体知识图形数据库的实体是实体知识图形数据库的本体耦合节点,使得直接链接到所述实体知识数据库中的一个节点的识别模型被链接到所述实体知识数据库中与所述一个节点本体耦合的所有节点;所述实体知识图形数据库包括与所述至少一个对象对应的节点,与所述至少一个对象对应的节点未直接链接到识别模型;所述一个或多个处理器执行所述指令,以选择一个或多个识别模型作为所述至少一个识别模型,所述一个或多个识别模型直接链接到所述实体知识数据库中的至少一个节点,所述至少一个节点本体耦合到与所述至少一个对象对应的节点。
可选的,结合前述任意方面,所述一个或多个处理器执行所述指令,以选择与所述至少一个对象对应的节点本体耦合的相应多个节点链接的多个识别模型,作为与所述本体耦合节点相关联的一个或多个识别模型;通过所述选择的多个识别模型处理所述数据集;将通过所述选择的多个识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
可选的,结合前述任意方面,所述实体知识数据库为图形数据库,实体知识图形数据库包括与具有不同通用水平的所述至少一个对象相对应的多个本体组织节点,所述一个或多个处理器执行所述指令,以选择与所述至少一个对象的不同通用水平对应的多个节点相关联的多个识别模型,作为所述至少一个识别模型;通过所述选择的多个识别模型处理所述数据集;将通过所述选择的多个识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
一方面,一种用于识别数据集中至少一个对象的设备包括:存储器,存储指令;一个或多个处理器,与所述存储器进行通信,其中,所述一个或多个处理器执行所述指令,以接收多个识别模型,其中,每个识别模型包括多个标注;根据所述接收到的多个识别模型中的每个识别模型的标注,在每个识别模型与实体知识数据库的多个相应实体之间建立链接;接收数据集以及关于识别所述数据集中是否包括至少一个对象的查询;从所述实体知识数据库中选择至少一个识别模型,以识别所述至少一个对象,所述至少一个识别模型与所述至少一个对象对应的实体知识数据库中的至少一个实体链接;通过所述选择的至少一个识别模型处理所述数据集,以指示所述数据集是否包括至少一个对象。
可选的,结合前述方面,所述实体知识数据库为图形数据库;实体知识图形数据库的实体之间本体耦合,使得直接链接到所述实体知识图形数据库中的一个节点的识别模型被链接到所述实体知识图形数据库中与所述一个节点本体耦合的所有节点;所述实体知识数据库包括与所述至少一个对象对应的节点,与所述至少一个对象对应的节点未直接链接到所述多个识别模型中的任意一个识别模型;所述一个或多个处理器执行所述指令,以选择至少一个识别模型作为所述至少一个识别模型,所述至少一个识别模型本体耦合到与所述至少一个对象对应的节点,并且链接到所述多个识别模型中的至少一个相应识别模型。
可选的,结合前述任意方面,所述一个或多个处理器执行所述指令,以识别与所述至少一个对象对应的节点本体耦合的多个节点链接的多个已识别的识别模型,作为所述至少一个已识别的识别模型;通过所述选择的多个已识别的识别模型处理所述数据集;将通过所述选择的多个已识别的识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
可选的,结合前述任意方面,所述实体知识数据库包括与具有不同通用水平的所述至少一个对象对应的多个本体组织节点,所述一个或多个处理器执行所述指令,以选择与所述至少一个对象的不同通用水平对应的多个节点相关联的多个相应模型,作为已识别的多个识别模型;通过所述选择的多个识别模型处理所述数据集;将通过所述选择的多个已识别的识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
可选的,结合前述任意方面,所述数据集包括图像帧,所述至少一个对象包括所述实体知识数据库的实体。
查找包括与待识别对象对应的多个节点的实体知识数据库,其中,多个识别模型中的每个识别模型链接到所述实体知识数据库的多个节点;响应于对所述实体知识数据库的查找,选择所述多个识别模型中用于识别至少一个对象的至少一个识别模型;通过所述选择的至少一个识别模型处理所述数据集,以指示所述数据集是否包括至少一个对象。
可选的,结合前述任意方面,所述方法还包括:接收所述多个识别模型,其中,每个识别模型包括至少一个标注;基于每个识别模型的至少一个标注,识别与所述识别模型对应的实体知识数据库中的至少一个实体;将所述识别模型链接到所述实体知识数据库中的至少一个实体。
可选的,结合前述任意方面,所述至少一个识别模型包括多个识别模型,所述多个识别模型中的每个识别模型包括至少一个参数,指示采用所述识别模型处理所述数据集的运算资源;所述方法还包括:通过所述多个识别模型中的至少一个识别模型来处理所述数据集,所述至少一个识别模型具有与一个或多个处理器可用的资源兼容的被指示运算资源。
可选的,结合前述任意方面,所述方法包括:在选择所述识别模型之前,从网络连接服务获得额外资源。
可选的,结合前述任意方面,所述实体知识数据库为图形数据库,其包括与实体知识图形数据库中的节点本体耦合的实体,使得直接链接到所述实体知识数据库中的一个节点的识别模型被链接到所述实体知识数据库中与所述一个节点本体耦合的所有节点,所述实体知识图形数据库包括与所述至少一个对象对应的节点,与所述至少一个对象对应的节点未直接链接到识别模型;所述方法还包括:选择一个或多个识别模型作为所述至少一个识别模型,所述一个或多个识别模型直接链接到所述实体知识数据库中的至少一个节点,所述至少一个节点本体耦合到与所述至少一个对象对应的节点。
可选的,结合前述任意方面,所述方法包括:选择与所述至少一个对象对应的节点本体耦合的相应多个节点链接的多个识别模型,作为与所述本体耦合节点相关联的一个或多个识别模型;通过所述选择的多个识别模型处理所述数据集;将通过所述选择的多个识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
可选的,结合前述任意方面,所述实体知识数据库为图形数据库,其包括与具有不同通用水平的所述至少一个对象对应的多个本体组织节点;所述方法还包括:选择与所述至少一个对象的不同通用水平对应的多个节点相关联的多个识别模型,作为所述至少一个识别模型;通过所述选择的多个识别模型处理所述数据集;将通过所述选择的多个识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
一个方面,一种用于识别数据集中至少一个对象的方法包括:接收多个识别模型,其中,每个识别模型包括多个标注;根据所述接收到的多个识别模型中的每个识别模型的标注,在每个识别模型与实体知识数据库的多个相应实体之间建立链接;接收数据集以及关于识别所述数据集中是否包括至少一个对象的查询;从所述实体知识数据库中选择至少一个识别模型,以识别所述至少一个对象,所述至少一个识别模型与所述至少一个对象对应的实体知识数据库中的至少一个实体链接;通过所述选择的至少一个识别模型处理所述数据集,以指示所述数据集是否包括至少一个对象。
可选的,结合前述方面,所述实体知识数据库为图形数据库,其包括与实体知识图形数据库中的节点本体耦合的实体,使得直接链接到所述实体知识图形数据库中的一个节点的识别模型被链接到所述实体知识图形数据库中与所述一个节点本体耦合的所有节点,所述实体知识图形数据库包括与所述至少一个对象对应的节点,与所述至少一个对象对应的节点未直接链接到所述多个识别模型中的任意一个识别模型;所述方法还包括:选择至少一个识别模型作为所述至少一个识别模型,所述至少一个识别模型本体耦合到与所述至少一个对象对应的节点,并且链接到所述多个识别模型中的至少一个相应识别模型。
可选的,结合前述任意方面,所述方法还包括:识别与所述至少一个对象对应的节点本体耦合的多个节点链接的多个已识别的识别模型,作为所述至少一个已识别的识别模型;通过所述选择的多个已识别的识别模型处理所述数据集;将通过所述选择的多个已识别的识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
可选的,结合前述任意方面,所述实体知识数据库包括与具有不同通用水平的所述至少一个对象对应的多个本体组织节点;所述方法还包括:选择与所述至少一个对象的不同通用水平对应的多个节点相关联的多个相应模型,作为已识别的多个识别模型;通过所述选择的多个识别模型处理所述数据集;将通过所选择的多个已识别的识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
可选的,结合前述任意方面,所述数据集包括图像帧,所述至少一个对象包括所述实体知识数据库的实体。
一个方面,一种计算机可读介质,其存储有计算机指令,用于识别数据集中的对象。当一个或多个处理器执行所述指令时,使得所述一个或多个处理器:查找包括与待识别对象对应的多个节点的实体知识数据库,其中,多个识别模型中的每个识别模型链接到所述实体知识数据库的多个节点;响应于对所述实体知识数据库的查找,选择所述多个识别模型中用于识别至少一个对象的至少一个识别模型;通过所述选择的至少一个识别模型处理所述数据集,以指示所述数据集是否包括至少一个对象。
可选的,结合前述方面,当所述一个或多个处理器执行所述计算机指令时,使得所述一个或多个处理器:接收所述多个识别模型,其中,每个识别模型包括至少一个标注;基于每个识别模型的至少一个标注,识别与所述识别模型对应的实体知识数据库中的至少一个实体;将所述识别模型链接到所述实体知识数据库中的至少一个实体。
可选的,结合前述任意方面,所述至少一个识别模型包括多个识别模型,所述多个识别模型中的每个识别模型包括至少一个参数,指示采用所述识别模型处理所述数据集的运算资源;当所述一个或多个处理器执行所述计算机指令时,使得所述一个或多个处理器通过所述多个识别模型中的至少一个识别模型来处理所述数据集,所述至少一个识别模型具有与所述一个或多个处理器可用的资源兼容的被指示运算资源。
可选的,结合前述任意方面,当所述一个或多个处理器执行所述计算机指令时,使得所述一个或多个处理器在选择识别模型之前从网络连接服务获得额外资源。
可选的,结合前述任意方面,所述实体知识数据库为图形数据库,其包括与实体知识图形数据库中的节点本体耦合的实体,使得直接链接到所述实体知识数据库中的一个节点的识别模型被链接到所述实体知识数据库中与所述一个节点本体耦合的所有节点,所述实体知识图形数据库包括与所述至少一个对象对应的节点,与所述至少一个对象对应的节点未直接链接到识别模型;当所述一个或多个处理器执行所述计算机指令时,使得所述一个或多个处理器选择一个或多个识别模型作为所述至少一个识别模型,所述一个或多个识别模型直接链接到所述实体知识数据库中的至少一个节点,所述至少一个节点本体耦合到与所述至少一个对象对应的节点。
可选的,结合前述任意方面,当所述一个或多个处理器执行所述计算机指令时,使得所述一个或多个处理器:选择与所述至少一个对象对应的节点本体耦合的相应多个节点链接的多个识别模型,作为与所述本体耦合节点相关联的一个或多个识别模型;通过所述选择的多个识别模型处理所述数据集;将通过所述选择的多个识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
可选的,结合前述任意方面,所述实体知识数据库为图形数据库,其包括与具有不同通用水平的所述至少一个对象对应的多个本体组织节点;当所述一个或多个处理器执行所述计算机指令时,使得所述一个或多个处理器:选择与所述至少一个对象的不同通用水平对应的多个节点相关联的多个识别模型,作为所述至少一个识别模型;通过所述选择的多个识别模型处理所述数据集;将通过所述选择的多个识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
一个方面,一种计算机可读介质,其存储有计算机指令,用于识别数据集中的对象。当一个或多个处理器执行所述计算机指令时,使得所述一个或多个处理器:接收多个识别模型,其中,每个识别模型包括多个标注;根据所述接收到的多个识别模型中的每个识别模型的标注,在每个识别模型与实体知识数据库的多个相应实体之间建立链接;接收数据集以及关于识别所述数据集中是否包括至少一个对象的查询;从所述实体知识数据库中选择至少一个识别模型,以识别所述至少一个对象,所述至少一个识别模型与所述至少一个对象对应的实体知识数据库中的至少一个实体链接;通过所述选择的至少一个识别模型处理所述数据集,以指示所述数据集是否包括至少一个对象。
可选的,结合前述方面,所述实体知识数据库为图形数据库,其包括与实体知识图形数据库中的节点本体耦合的实体,使得直接链接到所述实体知识图形数据库中的一个节点的识别模型被链接到所述实体知识图形数据库中与所述一个节点本体耦合的所有节点,所述实体知识图形数据库包括与所述至少一个对象对应的节点,与所述至少一个对象对应的节点未直接链接到所述多个识别模型中的任意一个识别模型;当所述一个或多个处理器执行所述计算机指令时,使得所述一个或多个处理器选择至少一个识别模型作为所述至少一个识别模型,所述至少一个识别模型本体耦合到与所述至少一个对象对应的节点,并且链接到所述多个识别模型中的至少一个相应识别模型。
可选的,结合前述任意方面,当所述一个或多个处理器执行所述计算机指令时,还使得所述一个或多个处理器:识别与所述至少一个对象对应的节点本体耦合的多个节点链接的多个已识别的识别模型,作为所述至少一个已识别的识别模型;通过所述选择的多个已识别的识别模型处理所述数据集;将通过所述选择的多个已识别的识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
可选的,结合前述任意方面,所述实体知识数据库包括与具有不同通用水平的所述至少一个对象对应的多个本体组织节点;当所述一个或多个处理器执行所述计算机指令时,还使得所述一个或多个处理器:选择与所述至少一个对象的不同通用水平对应的多个节点相关联的多个相应模型,作为已识别的多个识别模型;通过所述选择的多个识别模型处理所述数据集;将通过所述选择的多个已识别的识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
可选的,结合前述任意方面,所述数据集包括图像帧,所述至少一个对象包括所述实体知识数据库的实体。
一个方面,一种用于识别数据集对象的装置包括:组件,用于查找包括与待识别对象对应的多个节点的实体知识数据库,其中,多个识别模型中的每个识别模型链接到所述实体知识数据库的多个节点;组件,用于响应于对所述实体知识数据库的查找,选择所述多个识别模型中用于识别至少一个对象的至少一个识别模型;组件,用于通过所述选择的至少一个识别模型处理所述数据集,以指示所述数据集是否包括至少一个对象。
可选的,结合前述任意方面,所述装置包括:组件,用于接收所述多个识别模型,其中,每个识别模型包括至少一个标注;组件,用于基于每个识别模型的至少一个标注,识别与所述识别模型对应的实体知识数据库中的至少一个实体;组件,用于将所述识别模型链接到所述实体知识数据库中的至少一个实体。
可选的,结合前述任意方面,所述至少一个识别模型包括多个识别模型,所述多个识别模型中的每个识别模型包括至少一个参数,指示采用所述识别模型处理所述数据集的运算资源;所述装置还包括:组件,用于通过所述多个识别模型中的至少一个识别模型来处理所述数据集,所述至少一个识别模型具有与所述一个或多个处理器可用的资源兼容的被指示运算资源。
可选的,结合前述任意方面,所述装置包括:组件,用于在选择所述识别模型之前,从网络连接服务获得额外资源。
可选的,结合前述任意方面,所述实体知识数据库为图形数据库,其包括与实体知识图形数据库中的节点本体耦合的实体,使得直接链接到所述实体知识数据库中的一个节点的识别模型被链接到所述实体知识数据库中与所述一个节点本体耦合的所有节点,所述实体知识图形数据库包括与所述至少一个对象对应的节点,与所述至少一个对象对应的节点未直接链接到识别模型;所述装置还包括:组件,用于选择一个或多个识别模型作为所述至少一个识别模型,所述一个或多个识别模型直接链接到所述实体知识数据库中的至少一个节点,所述至少一个节点本体耦合到与所述至少一个对象对应的节点。
可选的,结合前述任意方面,所述装置包括:组件,用于选择与所述至少一个对象对应的节点本体耦合的相应多个节点链接的多个识别模型,作为与所述本体耦合节点相关联的一个或多个识别模型;组件,用于通过所述选择的多个识别模型处理所述数据集;组件,用于将通过所述选择的多个识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
可选的,结合前述任意方面,所述实体知识数据库为图形数据库,其包括与具有不同通用水平的所述至少一个对象对应的多个本体组织节点;所述装置还包括:组件,用于选择与所述至少一个对象的不同通用水平对应的多个节点相关联的多个识别模型,作为所述至少一个识别模型;组件,用于通过所述选择的多个识别模型处理所述数据集;组件,用于将通过所述选择的多个识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
可选的,结合前述任意方面,所述装置包括:组件,用于接收多个识别模型,其中,每个识别模型包括多个标注;组件,用于根据所述接收到的多个识别模型中的每个识别模型的标注,在每个识别模型与实体知识数据库的多个相应实体之间建立链接;组件,用于接收数据集以及关于识别所述数据集中是否包括至少一个对象的查询;组件,用于从所述实体知识数据库中选择至少一个识别模型,以识别所述至少一个对象,所述至少一个识别模型与所述至少一个对象对应的实体知识数据库中的至少一个实体链接;组件,用于通过所述选择的至少一个识别模型处理所述数据集,以指示所述数据集是否包括至少一个对象。
可选的,结合前述任意方面,所述实体知识数据库为图形数据库,其包括与实体知识图形数据库中的节点本体耦合的实体,使得直接链接到所述实体知识图形数据库中的一个节点的识别模型被链接到所述实体知识图形数据库中与所述一个节点本体耦合的所有节点,所述实体知识图形数据库包括与所述至少一个对象对应的节点,与所述至少一个对象对应的节点未直接链接到所述多个识别模型中的任意一个识别模型;所述装置还包括:组件,用于选择至少一个识别模型作为所述至少一个识别模型,所述至少一个识别模型本体耦合到与所述至少一个对象对应的节点,并且链接到所述多个识别模型中的至少一个相应识别模型。
可选的,结合前述任意方面,所述装置包括:组件,用于识别与所述至少一个对象对应的节点本体耦合的多个节点链接的多个已识别的识别模型,作为所述至少一个已识别的识别模型;组件,用于通过所述选择的多个已识别的识别模型处理所述数据集;组件,用于将通过所述选择的多个已识别的识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
可选的,结合前述任意方面,所述实体知识数据库包括与具有不同通用水平的所述至少一个对象对应的多个本体组织节点;所述装置还包括:组件,用于选择与所述至少一个对象的不同通用水平对应的多个节点相关联的多个相应模型,作为已识别的多个识别模型;组件,用于通过所述选择的多个识别模型处理所述数据集;组件,用于将通过所述选择的多个已识别的识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
附图说明
图1为示例实施例提供的AI识别系统的功能性框图。
图2为示例性AI操作环境的系统图。
图3为示例实施例提供的用于描述视觉实体识别的示意图。
图4A和图4B为示例实施例提供的示例AI识别流程的流程图。
图5A为示例实施例提供的实体知识图形数据库的示意图。
图5B为示例实施例提供的通过与高维空间对象相关的概念子空间来关联在知识图形中使用的实体的方法的示意图。
图6为示例实施例提供的对象识别流程的示意图。
图7为示例实施例提供的用于实现算法和执行方法的客户端、服务器和网络连接资源的电路的框图。
具体实施方式
以下结合附图进行详细描述,所述附图是描述的一部分,并通过图解说明的方式示出可以实施的具体实施例。通过对这些实施例进行充分详细地描述,使得本领域技术人员能够实践所公开的内容。可以理解的是,在不脱离所附权利要求书的范围的情况下,可以使用其它实施例,并做出结构、逻辑或电性方面的变化。因此以下示例性实施例的描述不应认为是对所附权利要求书的限制。
此处描述的功能或算法可以通过一些实施例的软件实现。所述软件可包含计算机可执行指令,这些计算机可执行指令存储在计算机可读介质上或者计算机可读存储设备上,例如一个或多个非瞬时性存储器或其它类型的本地或联网的硬件存储设备。此外,这些功能对应模块,这些模块可以是软件、硬件、固件或其任意组合。多个功能可根据需要在一个或多个模块中实现,所描述的实施例仅为示例。所述软件可由处理电路执行,其可能包括以下一种或多种:数字信号处理器、专用集成电路(application-specific integratedcircuit,简称ASIC)、现场可编程门阵列(field programmable gate array,简称FPGA)、单核或多核微处理器、或者在个人计算机、服务器、或其它计算机系统等计算机系统上运行的其它类型的处理器,从而将这些计算机系统转换成一个专用的编程机器。
在下述实施例中,解决了AI平台上可用识别模型的数量越来越多的问题。这些实施例利用实体知识数据库例如实体知识图形数据库等来组织模型,使得用户可以任意描述数据集中待识别的对象,并且系统可以基于该描述自动选择一个模型或一组模型对数据集进行实体识别。示例性实体知识数据库可以包括商业可用知识数据库如DBPEDIA、和/或等或从这些商业知识数据库生成。例如,商业AI系统可以使用自有的类似于所述商业数据库中的一个商业数据库的专用知识数据库。此时,实体知识图形数据库可以为专用知识数据库。在另一个示例中,可以从一个或多个所述商业数据库生成该实体知识数据库,以提供专用于一个特定识别任务或一组识别任务的数据库。
在下述一些实施例中,采用将所有识别模型存储在数据存储器的模型平面中这一方式,通过AI平台来组织用于识别数据集中的对象的模型。所述模型平面中的模型被链接到实体知识数据库,使得所述知识数据库中固有的本体可用于从一个接收到的查询中的待识别对象的灵活和/或近似描述中识别用于该查询的合适识别模型。
在下述一些实施例中,自动选择单个识别模型或协调使用一组识别模型,以提高对任意数据集中的对象的识别能力。这些实施例中可以使用知识数据库和/或自动确定的对象之间的概念关系来选择要在识别流程中使用的所述单个或一组模型。
下述实施例描述了AI图像识别系统的上下文。在AI图像识别系统中,用户提供或指示包括待查找的一个图像、一组图像或视频的一个数据集,还提供用于询问所述数据集中是否表示有特定对象或对象类别的查询。所述查询可以是特定查询,例如,“所述数据集是否包括德国牧羊犬”,或者可以是更通用的查询,例如,“识别所述数据集中的所有动物”。
图1为示例实施例提供的AI识别系统100的功能性框图。所述示例性系统100包括一组识别模型102,每个识别模型102包括模型代码104、模型标注105和模型参数106。模型代码104由处理系统(例如,模型选择和服务过程126)执行,以识别或划分特定对象,识别模型102用于识别提供给系统100的数据集中的特定对象。模型标注105用于描述可以通过模型代码104进行识别的对象或对象类别,模型标注105还可以包括其他数据,例如供识别模型102使用的特征向量的特征。
系统100还包括识别模型采集过程108和数据存储器110,数据存储器110包括模型存储库112和实体知识图形数据库114。示例性模型存储库112包括五个识别模型,标记1-5。示例性实体知识图形数据库114包括一个一级实体,标记A;两个二级实体,标记B和C;以及四个三级实体,标记D、E、F和G。数据库的节点按本体排列,因此节点A-G表示的实体的粒度从上到下增大。这样,节点B和C分别表示节点A的不同子集,节点D和E分别表示节点B的子集,节点F和G分别表示节点C的子集。
下文结合图4A至图5B来描述模型存储库112中的识别模型1-5被链接到实体知识图形数据库114,因此,查找数据库114中的对象时,会从模型存储库112返回一个或多个链接后的模型。模型存储库112中的识别模型1-5与知识图形数据库114中的实体A-G之间的链接通过知识图形更新过程116生成。当通过模型采集过程108将识别模型102采集到模型存储库112中时,过程116根据识别模型102的模型标注105更新链接到识别模型102的实体知识图形数据库114。
如图1所示,示例性实体知识图形数据库114中的一些实体可以链接到多个模型1-5,一些模型可以链接到多个实体。一些实体可以不链接到任何模型,一些模型也可以不链接到任何实体。例如,实体D链接到模型1和模型4,实体C链接到模型3和5。模型1链接到实体B、D和E,模型5链接到实体F和C。模型2未链接到任何实体,实体A和G未链接到任何模型。理想情况下,模型存储库112中的每个模型都链接到实体知识图形数据库114中的至少一个实体。在模型采集108中,当无法根据模型102的标注105找到实体时,知识图形更新过程116可以,例如,从实体知识服务例如图2所示的服务210中添加实体数据,使得采集的每个模型直接链接到实体知识图形数据库114中的至少一个实体。
系统100包括框118,即接收多个查询。可以向模型选择和服务过程126提供与所述多个查询相关联的数据集。如上所述,在所述示例中,一个数据集可以是图像文件或视频文件,一个示例查询可以是确定所述数据集中是否表示有对象或对象类别。系统100的框120为确定实体知识图形114中是否存在查询对象。如果所述知识图形114中不存在所述对象,所述示例性系统100包括过程122,其可以访问图形嵌入过程124,结合图4B、5A和5B所述,用以识别实体知识图形中与所述查询对象具有相似特性的实体。示例框120、122和/或124示出了采用实体知识图形数据库114来识别模型存储库112中可以满足所述查询的一个或多个识别模型1-5。然后,向模型选择和服务过程126提供这些识别模型,所述模型选择和服务过程126使用所选择的模型来处理所述提供或指示的数据集,从而提供预测结果128。下文结合图4A至图5B更详细地描述系统100的操作。
图2为示例性AI操作环境200的系统图。示例性环境200包括用户终端202,其耦合到本地服务器204。示例性本地服务器204还可以耦合到数据存储器206,所述数据存储器206可以包括上述实体知识图形数据库114和上述模型存储库112。本地服务器204还可以耦合到网络208,网络208将本地服务器204耦合到实体知识服务210、图形嵌入服务212和网络连接服务214。另一用户终端218也可以通过接入点216耦合到网络208。网络208可以是局域网(local area network,LAN)、广域网(wide area network,WAN)或全球信息网络(例如,互联网)。
图2示出了可以实现系统100的两种环境。在第一环境中,系统100主要在本地服务器204上实现。在本实施例中,本地服务器204可以接收数据集以及查询,从数据存储器206中检索一个或多个识别模型1-5,对数据集执行识别模型,并通过用户终端202显示确定的预测结果128。但是,本实施例可以通过网络208访问图形嵌入服务212。结合图4A和图4B所示,一些识别模型102可能需要比本地服务器204可用资源更多的资源。在这种情况下,在本地服务器204上实现的系统100可以向网络连接(云)服务214请求额外资源。类似地,图形嵌入过程124可能需要比本地服务器204可用资源更多的资源。在这种情况下,在本地服务器204上实现的系统100可以通过网络208访问图形嵌入服务212,以便识别实体知识图形数据库114中与所述查询中的目标对象概念相似的实体,因此,可以满足所述查询。本地服务器204也可以通过实体知识服务210获得或建立数据存储器206中的实体知识图形数据库114。
在图2所示的第二环境中,系统100主要通过网络连接服务214可用的资源实现。在本实施例中,通过接入点216接入网络208的用户终端218可以控制网络连接服务214的已分配资源。这些资源可以包括一个或多个处理器、存储器和数据存储器(未示出),可以实现类似于本地服务器204和数据存储器206的功能。在这种情况下,通过网络连接服务214得到的资源可以从用户终端218或从耦合到网络208的其他服务(未示出)获得识别模型102,用以构建模型存储库112。类似地,网络连接服务214可以通过实体知识服务210构建实体知识图形数据库114。或者,网络连接服务214可以访问实体知识服务210作为实体知识图形数据库114,并且可以将实体知识图形数据库114中的实体链接到模型存储库服务(未示出),所述模型存储库服务与实体知识服务210和/或网络连接服务214并置或分离。系统100或系统100的至少一部分运行在网络连接服务214的已分配资源上,并且可以使用图形嵌入服务212来识别概念相似的模型102,如图4B至图5B所述。
图3是示例实施例提供的用于描述视觉实体识别的图。图3包括图像302和实体知识图形数据库340。尽管图中未示出,实体知识图形数据库114中的实体链接到模型存储库112中的识别模型102。图像302中包括皮卡车304、犬306、马308以及两个人310和312的图像。示例性实体图形数据库114包括通过边线连接的节点或顶点。示例性数据库340按本体进行组织,使得与特定实体对应的节点是与更通用的实体对应的节点的子节点。
在图3所示的示例中,一级节点350对应于广义的实体类别。节点350通过相应的边线耦合到三个二级节点,包括人物节点352、动物节点354和车辆节点356。人物节点352又耦合到三级儿童节点358和三级成人节点360。成人节点360耦合到与特定人物Isaac Newton(艾萨克·牛顿)和Marie Curie(玛丽·居里)对应的两个四级节点366和368。类似地,二级动物节点354耦合到人物节点352、马节点362和犬节点364。犬节点364耦合到三个特定的犬类型节点,包括吉娃娃370、哈士奇372和猎犬374。数据库340大大地进行了简化,并且仅提供为图示说明。实际的实体知识图形数据库114,例如,DBPEDIA、Microsoft Satori和/或Google Graph,可以包括更多类别,每个类别包括更多实体。进一步地,该实体知识数据库114可以不具有树形结构,例如,该实体知识图形数据库114可以为非循环图形数据库。关于实体知识图形数据库340,当从下到上遍历各节点时,与节点连接的边线符合语句“是a”,例如,语句“吉娃娃是犬”符合连接节点372和节点364的边线。
如上所述,在操作中,实体知识图形数据库340中示出的每个节点可以链接到一个或多个识别模型(图3中未示出)。一个模型可以直接或间接链接到实体知识图形数据库340中的一个节点。例如,马的识别模型可以直接链接到马节点362,并通过图形数据库340的本体间接链接到动物节点354。
通过数据库340,在图像302中查找犬的查询可以使用本体知识来确定犬是一种动物,而动物是一种实体。在所述数据库344中进行的关于“犬”对应的模型的查找,可以遵循从节点350到节点354再到节点364的路径。然后,系统会确定节点364是否耦合到识别模型,如果节点364耦合到识别模型,则将识别模型代码104返回到模型选择和服务框126,用于确定图像302是否包括犬。此时,通过犬类模型364处理图像302,从而识别犬306,其置信度值为0.997。
系统100可以识别数据集中的多个对象。例如,图3所示的图像302可以是查询的结果,用以通过实体知识图形数据库340来识别图像302中的所有实体。对所述查询的响应可以是通过与实体节点350关联的一个或多个识别模型102来识别图像302中的所有实体。所述识别模型可以是通用分类/检测服务,其提供对图像302进行的入口级别分类作为整体和部分检测,从而解析出图像302中的对象。所述服务还可以提供图像302(例如,“室外”和/或“马场”)中场景的一般特征,以及通过界限框304、306、308、310和312勾画出图像302中检测到的部分。一个示例性分类/检测系统还可以包括通用模型(例如,数据库340的二级模型),提供多个类别的广义分类,所述分类包括可以在图像302中查找和识别的对象。这些是入口级别分类,例如动物、人物、车辆、时尚、食物和饮料、植物、体育运动以及其他广义类别。每个识别模型102返回的结果可以同时包括置信度值,其用于指示图像302属于某一类别的可能性。与节点350相关联的模型/服务可以返回与节点352、354和356相对应的多个类别,每个类别与对应的置信度值相关联。
一旦图像302中的实体被分离并进行分类,系统100可以使用模型/服务返回的广义类别从知识图形数据库340中查找连接到广义实体节点的节点,以确定是否可以识别出更具体的实体。例如,如果与节点350相关联的识别模型/服务只隔离实体并生成界限框304、306、308、310和312,则系统100可以采用与节点352、354和356相关联的每个二级识别模型处理界限框304、306、308、310和312所指示的每个有界图像。例如,可以通过与车辆节点356相关联的模型处理每个有界图像,从而识别图像302中置信度值为1.000的皮卡车304,如虚线320所示。类似地,所述系统100可以采用与动物节点354相关联的识别模型102处理每个有界图像,并将犬306、马308、人物310和人物312识别为动物。进一步向下追溯实体知识数据库340,系统100可以采用与人物节点352、马节点362和犬节点364相关联的识别模型102处理被识别为动物的有界图像,从而识别虚线328所指示的人物310,其置信度值为0.992,虚线330所指示的人物312,其置信度值为0.979,虚线326所指示的马308,其置信度值为0.993,虚线324所指示的犬306,其置信度值为0.997。
知识图形数据库340的本体结构可以提高系统100的准确性。例如,仅将有界图像304、306、308、310和312应用到与节点352、354和356对应的二级识别模型,将与图像302无关的要素从识别流程中移除。类似地,所述二级识别模型进一步过滤有界图像,使得皮卡车304的有界图像304不应用于用来识别犬306、马308、人物310和/或人物312的模型364、362和352。
图4A是示例性实施例提供的示例性AI识别流程的流程图,结合图1和图3所示的系统100进行描述。图1所示的示例性系统能够访问多个识别模型102,每个识别模型102包括模型代码104、模型标注105和模型参数106。在示例性实施例中,模型标注105用于描述可采用模型代码104进行识别的目标对象的特征,模型参数106用于指示运行模型102的资源。例如,模型标注105可以指示目标对象的多个名称和/或包括由识别模型102使用的特征向量的特征。模型参数106可以包括硬件资源的指示,硬件资源包括运行模型代码104的处理器和存储器。例如,经训练的神经网络识别模型的参数106可以指示待配置为神经网络以便高效执行模型的多个处理元件(例如,处理器和/或处理核)。模型102可以基于多种不同的AI识别技术,包括但不限于支持向量机、经训练的神经网络、贝叶斯网络、遗传网络和/或决策树。
可以通过多种不同的方式来生成识别模型102。一种方法中,专家定义模型102的属性,例如,用于识别目标对象的特征向量的特征,然后通过标记的训练数据来训练所述模型102以识别目标对象。另一方法中,可以通过将标记的训练数据应用于神经网络来生成所述模型102,所述神经网络通过反向传播来调整神经网络节点的系数以提高自身识别目标对象的能力。然而,由于生成了多个识别模型102,图1所示的系统100需要访问大量(例如,数百到数万)不同的识别模型102。
在框402中,系统100获得可用的识别模型102。在框404中,系统100通过模型采集过程108将识别模型102存储在模型存储库112中。过程108将模型102,包括模型代码104和/或标注105和参数106,存储到数据存储器110的模型存储库112中。在一些实施例中,模型存储库112可以包括用于存储多个识别模型102的索引或未索引数据库。如图1所示,示例性模型存储库112包括编号为1-5的五个模型102。应理解的是,存储库112可以包括更多通过实体知识图形数据库114进行组织的模型102,如下所述。
在框406中,该示例流程400包括将存储在模型存储库112中的模型1-5链接到实体知识图形数据库114中的节点。例如,当模型采集过程108将模型102存储到模型存储库112中时,知识图形更新过程116可以使用模型标注105在实体知识图形数据库114中查找模型102,以识别与模型标注105对应的节点。该对应节点对应于通过模型102识别出的实体的类型,或者具有与模型102的对应模型标注105相匹配的辅助数据(例如,特征数据)。当所述知识图形更新过程116基于特定识别模型102的模型标注105识别所述实体知识图形中的一个或多个节点时,可以将与模型102的链接存储在实体知识图形数据库114的已识别节点中。当标注数据与模型102的辅助数据匹配时,只有当模型标注105和与所述实体知识图形数据库114的节点关联的辅助数据之间存在多个匹配时,知识图形更新过程116才可以将所述模型存储库112中的识别模型102链接到实体知识图形数据库114的节点。
执行框402、404和406,直到对系统100可用的所有识别模型102已存储到模型存储库112中并链接到实体知识图形数据库114的节点。在框408中,流程400包括接收当前数据集的查询,或接收新数据集以及所述新数据集的查询。在框408中,还通过图1所示的查询实体过程118提取查询中的对象,以识别所述查询中的目标对象。然后,在框410中,使用实体知识图形114从数据存储器110获取与目标对象对应的模型,如下图4B所述。在框412中,如果方框410中未找到模型时,流程400包括可以(框414)例如通过互联网查找获得对象的一个或多个新的识别模型102,并且可以经过分支回到框404的操作,以采集新模型。在框412中,如果流程400包括确定在框410中已从模型存储库112获取模型时,将所述获取的模型提供给模型选择和服务过程126。所述模型选择和服务过程126可以可选地,如虚线框416所指示,分析获取到的模型的参数106,从而确定运行模型102的资源,获取任何此类资源,并使用获取到的资源对模型102进行集装处理(dockerize)。或者,当在框410中返回多个模型102时,在框416中可以基于模型参数106中指定的资源与模型服务和选择过程126可用的资源相比较的方式来选择一个或多个模型102。
图4B是关于图4A所示的框410的示例AI识别流程的流程图,即查找并获取识别模型102。在框452中,框410的过程从查询中接收提取的目标对象。在框454中,所述过程在实体知识图形数据库114(如图1所示)中查找目标对象。如果在框454中未找到目标对象中的任何一个,所述过程执行框456,通过图形嵌入来识别概念相似的对象。
图5A是示例实施例提供的实体知识图形数据库500的示例图,用于描述示例流程400中如何使用图嵌入和实体知识图形数据库114的本体。示例图形数据库500可用于识别不同类型的动物。数据库500包含不同级别节点的本体排列形式。例如,数据库500包括可以链接到所有动物的识别模型的一级节点502。二级节点包括宠物节点504、食肉动物节点506和鸟类节点508,这些节点为动物节点502的本体下级节点。三级节点本体耦合到宠物节点504,包括犬节点520、猫节点526和金丝雀节点512。类似地,与食肉动物节点506本体耦合的三级节点包括犬科节点510、猫科节点514和猛禽节点516。与鸟节点508本体耦合的三级节点包括金丝雀节点512、猛禽节点516和鸵鸟节点518。示例实体知识数据库500还包括与所述三级节点本体耦合的四级节点。这些节点包括:与犬节点520链接的贵宾犬节点536和拉布拉多节点538、与犬科节点510链接的犬节点520、狼节点522和胡狼节点524、与猫节点526链接的斑猫节点540和暹罗猫节点542、与猫科节点514链接的猫节点526、狮子节点528和老虎节点530,以及与猛禽节点516链接的猎鹰节点532和鹰节点534。
本体可用于识别与实体知识图形数据库114中找到的对象相似但未直接链接到识别模型102的对象。图形嵌入可用于识别概念上与实体知识图形数据库114中未找到的对象相似的对象。例如,当从查询中提取到的对象为“杜宾犬”时,框454中未在实体知识图形数据库500中找到所述对象,如图5A所示。如图4B所示,框410中的过程使用图形嵌入来识别类似的对象。图形嵌入是一种流程,通过图形嵌入,知识图形中的实体根据可替代实体知识图形数据库本体中各实体之间的概念相似性进行链接。由S.Jameel等著作的“以概念子空间为合情推理基础的实体嵌入(Entity Embeddings with Conceptual Subspaces as aBasis for Plausible Reasoning)”第22届欧洲人工智能会议的会议记录,第1353页-第1361页(2016)中提供了图形嵌入的示例。简单地说,该会议记录描述了一种从维基百科等知识服务中获知实体的高维向量空间嵌入并约束该嵌入使得相同语义类型的实体位于某个低维子空间的方法。可以使用与实体相关联的特征来确定每个实体的语义类型。
图5B是示例实施例提供的通过与高维空间对象相关的概念子空间来关联在知识图形中使用的实体的方法的示意图。图5B示出了两个空间,实体空间550和关系空间560。实体的特征向量定义了每个特征对应一个维度的多维空间。实体h在与实体h具有相似特征向量的其他实体的集群552中。因此,这些其他实体位于多维空间中靠近实体h的位置。类似地,实体t在与实体t具有相似特征向量的其他实体的集群554中,这些其他实体位于多维空间中靠近实体t的位置。这些分组基于高维空间中的特征向量。当实体h和实体t映射到关系空间560时,集群562和集群564通过关系r进行链接。例如,该关系可以是特征向量中更重要的特征的简化集合,因此,可以表示比实体空间550更低的维度空间。
例如,实体h可以对应于杜宾犬,和其他家养犬一样位于集群552中。实体t可以是狼,和其他野生犬科一样位于集群554中。集群552和集群554共享特征,并且具有将它们区分开来的特征。共享特征可以定义关系r。这些特征的示例可以是“四足动物”、“食肉动物”和“集群动物”。通过这些特征来关联两个集群可以允许在流程400中识别实体知识数据库500中与对象杜宾犬相关的几个模型102。这些模型包括犬节点520,以及与犬节点520本体耦合的宠物节点504、贵宾犬节点536和拉布拉多节点538。由于图形嵌入过程124定义的关系,已识别的节点还可以包括犬科节点510、狼节点522和胡狼节点524。因此,尽管实体知识图形数据库500未包括杜宾犬作为一个节点,但是流程400包括可以识别具有识别模型102的其他六个节点,这些识别模型102可用于指示图像数据集中是否包括杜宾犬的图像。
继续参考图4B,在通过图形嵌入过程124在框456中处理未知实体之后,在框458中确定实体知识图形数据库114中的已识别对象是否链接到模型存储库112中的识别模型102。当实体知识图形数据库114中存在实体但所述实体未链接到一个或多个识别模型102时,在框460中根据图形本体来识别实体知识图形数据库114中的类似对象。例如,如果查询对象是贵宾犬,且贵宾犬节点536未直接链接到识别模型102,则在框460中可以根据本体遍历数据库500,以将犬节点520和宠物节点504识别为可能与贵宾犬节点536相关。在框462中,流程400包括确定在框460中使用数据库114的图形本体识别到的对象是否链接到模型存储库112中的模型102。如果没有对象链接到模型102,则在框466中返回未找到识别模型102的指示。当识别模型102链接到在框458或框462中识别到的对象时,在框464中从模型存储库112获取已识别的识别模型102,并返回模型102以供图4A所示框412中进行处理,如上所述。
图6是示例实施例提供的对象识别流程600的示意图。示例流程600由如图1所示的模型选择和服务过程126执行。在框602中,流程600包括确定上述流程400中是否检索到直接链接到目标对象或从查询中提取的对象的识别模型102。如果找到此类模型102,则在框604中通过直接链接模型处理一个或多个数据集。这样,有利于运行已识别的识别模型102,还有利于运行实体知识图形数据库114的本体中较高级别的所有识别模型,从而识别数据集中的可能实体,减少可能对应目标对象的实体的数量。
如果在框602中,流程600中已确定检索到的识别模型未直接链接到从查询中提取的目标对象,流程600中已接收到多个间接链接到目标对象的相关识别模型。在这种情况下,在框606中,在数据集中的相关实体上运行多个模型102并合并各结果。例如,可以通过对结果求平均值或者通过选择指示最高检测概率的结果,对各结果进行合并。
框604或框606确定的结果由框608进行处理,以确定所述结果是否指示数据集中存在目标对象。例如,测试中可以将识别模型102返回的置信度值与阈值进行比较,并在置信度值超过阈值时指示是否存在目标对象。如果置信度值超过阈值,则在步骤610中,流程600包括返回目标对象已被识别的指示。该结果可以与用于识别目标对象的数据以及对应的置信度值一起返回。如果置信度值低于阈值,在框612中返回目标对象未被识别的指示。
图7为示例实施例提供的用于实现算法和执行方法的客户端、服务器、基于云的资源的电路的框图。各种实施例中不需要使用所有组件。例如,客户端、服务器和网络资源可以分别使用不同组的组件,或者例如在服务器中使用更大的存储设备。
具有计算机700形式的一个示例计算设备可以包括处理单元702、存储器703、移动存储器710和非移动存储器712。虽然示例计算设备图示并描述为计算机700,但在不同实施例中,计算设备可以有不同的形式。例如,可替代地,所述计算设备可以是智能手机、平板电脑、智能手表或者包括图7所示的相同或相似元件的其它计算设备。如智能手机、平板电脑、智能手表等设备通常统称为移动设备或用户设备。此外,虽然各种数据存储元件被图示为所述计算机700的一部分,但是存储器710还可以或者可选地包括通过网络208例如互联网来访问的基于云的存储器,或基于服务器的存储器。
所述存储器703可以包括易失性存储器714和非易失性存储器708。所述计算机700可以包括或访问计算环境。该计算环境包括各种计算机可读介质,例如易失性存储器714和非易失性存储器708、移动存储器710和非移动存储器712。计算机存储器包括随机存取存储器(random access memory,RAM)、只读存储器(read-only memory,ROM)、可擦除可编程只读存储器(erasable programmable read only memory,EPROM)和电可擦除可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、闪存或其它存储器技术、只读光盘(compact disc read-only memory,CD ROM)、数字多功能光盘(digital versatile disc,DVD)或其它光盘存储器、盒式磁带、磁带、磁盘存储器或其它磁存储设备,或者任何其它能够存储计算机可读指令的介质。
所述计算机700可以包括或者可以访问计算环境,该计算环境包括输入接口706、输出接口704和通信连接716。所述输出接口704可以向诸如触摸屏等显示设备提供接口,也可以用作输入设备。所述输入接口706可以向以下一种或多种设备提供接口:触摸屏、触摸板、鼠标、键盘、相机、一个或多个设备专用按钮、集成在所述计算机700内或通过有线或无线数据连接耦合到所述计算机700的一个或多个传感器,以及其它输入设备。所述计算机700可以通过通信连接在联网环境中工作,以连接到一个或多个远程计算机,如数据库服务器。所述远程计算机可以包括个人计算机(personal computer,PC)、服务器、路由器、网络PC、对等设备或其它公共网络节点等。通信连接可以包括局域网(local area network,LAN)、广域网(wide area network,WAN)、蜂窝、WiFi、蓝牙或其它网络208。
存储在计算机可读介质上的计算机可读指令可以由计算机700的处理单元702执行。硬盘驱动器、CD-ROM、RAM和闪存是产品的一些示例,所述产品包括如存储设备的非瞬时性计算机可读介质。若认为载波过于短暂时,则术语“计算机可读介质”和“存储设备”不包括载波。存储器也可以包括联网存储器,例如720处所指示的存储区域网络(storage areanetwork,SAN)。
虽然上文详细描述了几个实施例,但可能对其进行其它修改。例如为了获得期望的结果,附图中描绘的逻辑流不需要遵循所示的特定顺序或者先后顺序。可以提供其它步骤或者从所描述的流程中去除一些步骤,所描述的系统中也可以添加其它组件或从中移除一些组件。其它实施例均应涵盖在所附权利要求书的范围内。
Claims (47)
1.一种用于识别数据集中至少一个对象的设备,其特征在于,所述设备包括:
存储器,包括指令;
一个或多个处理器,与所述存储器进行通信,其中,所述一个或多个处理器执行所述指令,以便
接收数据集以及关于所述数据集中是否包括至少一个对象的查询;
通过包括与待识别对象对应的多个实体的实体知识数据库,选择至少一个识别模型,其中,多个识别模型中的每个识别模型链接到所述实体知识数据库的多个实体;
通过所述选择的至少一个识别模型处理所述数据集,以指示所述数据集是否包括至少一个对象。
2.根据权利要求1所述的设备,其特征在于,所述一个或多个处理器还执行指令,以便接收所述多个识别模型,其中,每个识别模型包括至少一个标注;
对于每个识别模型:基于每个别模型的至少一个标注,识别与所述识别模型对应的实体知识数据库中的至少一个实体;
将所述识别模型链接到所述实体知识数据库中的至少一个实体。
3.根据权利要求1或2所述的设备,其特征在于,
所述至少一个识别模型包括多个识别模型,所述多个识别模型中的每个识别模型包括至少一个参数,指示采用所述识别模型处理所述数据集的运算资源;
所述一个或多个处理器执行所述指令,以通过所述多个识别模型中的至少一个识别模型来处理所述数据集,所述至少一个识别模型具有与所述一个或多个处理器可用的资源兼容的被指示运算资源。
4.根据权利要求1至3所述的设备,其特征在于,所述一个或多个处理器执行所述指令,
以在选择所述识别模型之前,从网络连接服务获得附加资源。
5.根据权利要求1至4中任意一项所述的设备,其特征在于,
所述实体知识数据库为图形数据库;
实体知识图形数据库的实体是实体知识图形数据库的本体耦合节点,使得直接链接到所述实体知识数据库中的一个节点的识别模型被链接到所述实体知识数据库中的与所述一个节点本体耦合的所有节点;
所述实体知识图形数据库包括与所述至少一个对象对应的节点,与所述至少一个对象对应的节点未直接链接到识别模型;
所述一个或多个处理器执行所述指令,以选择一个或多个识别模型作为所述至少一个识别模型,所述一个或多个识别模型直接链接到所述实体知识数据库中的至少一个节点,所述至少一个节点本体耦合到与所述至少一个对象对应的节点。
6.根据权利要求1至5所述的设备,其特征在于,所述一个或多个处理器执行所述指令,
以便
选择与所述至少一个对象对应的节点本体耦合的相应多个节点链接的多个识别模型,作为与所述本体耦合节点相关联的一个或多个识别模型;
通过所述选择的多个识别模型处理所述数据集;
将通过所述选择的多个识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
7.根据权利要求1至6中任意一项所述的设备,其特征在于,
所述实体知识数据库为图形数据库;
实体知识图形数据库包括与具有不同通用水平的所述至少一个对象相对应的多个本体组织节点,所述一个或多个处理器执行所述指令,以便
选择与所述至少一个对象的不同通用水平对应的多个节点相关联的多个识别模型,作为所述至少一个识别模型;
通过所述选择的多个识别模型处理所述数据集;
将通过所述选择的多个识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
8.一种用于识别数据集对象的设备,其特征在于,所述设备包括:
存储器,包括指令;
一个或多个处理器,与所述存储器进行通信,其中,所述一个或多个处理器执行所述指令,以便
接收多个识别模型,其中,每个识别模型包括多个标注;
根据所述接收到的多个识别模型中的每个识别模型的标注,在每个识别模型与实体知识数据库的多个相应实体之间建立链接;
接收数据集以及关于识别所述数据集中是否包括至少一个对象的查询;
从所述实体知识数据库中选择至少一个识别模型,以识别所述至少一个对象,所述至少一个识别模型与所述至少一个对象对应的实体知识数据库中的至少一个实体链接;
通过所述选择的至少一个识别模型处理所述数据集,以指示所述数据集是否包括至少一个对象。
9.根据权利要求8所述的设备,其特征在于,
所述实体知识数据库为图形数据库;
实体知识图形数据库的实体之间本体耦合,使得直接链接到所述实体知识图形数据库中的一个节点的识别模型被链接到所述实体知识图形数据库中与所述一个节点本体耦合的所有节点;
所述实体知识数据库包括与所述至少一个对象对应的节点,与所述至少一个对象对应的节点未直接链接到所述多个识别模型中的任意一个识别模型;
所述一个或多个处理器执行所述指令,以选择至少一个识别模型作为所述至少一个识别模型,所述至少一个识别模型本体耦合到与所述至少一个对象对应的节点,并且链接到所述多个识别模型中的至少一个相应识别模型。
10.根据权利要求8和9所述的设备,其特征在于,所述一个或多个处理器执行所述指令,
以便
识别与所述至少一个对象对应的节点本体耦合的多个节点链接的多个已识别的识别模型,作为所述至少一个已识别的识别模型;
通过所述选择的多个已识别的识别模型处理所述数据集;
将通过所述选择的多个已识别的识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
11.根据权利要求8至10所述的设备,其特征在于,所述实体知识数据库包括与具有不同通用水平的所述至少一个对象相对应的多个本体组织节点,所述一个或多个处理器执行所述指令,以便
选择与所述至少一个对象的不同通用水平对应的多个节点相关联的多个相应模型,作为已识别的多个识别模型;
通过所述选择的多个识别模型处理所述数据集;
将通过所述选择的多个已识别的识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
12.根据权利要求8至11中任意一项所述的设备,其特征在于,所述数据集包括图像帧,
所述至少一个对象包括所述实体知识数据库的实体。
13.一种用于识别数据集对象的方法,其特征在于,所述方法包括:
查找包括与待识别对象对应的多个节点的实体知识数据库,其中,多个识别模型中的每个识别模型链接到所述实体知识数据库的多个节点;
响应于对所述实体知识数据库的查找,选择所述多个识别模型中用于识别至少一个对象的至少一个识别模型;
通过所述选择的至少一个识别模型处理所述数据集,以指示所述数据集是否包括至少一个对象。
14.根据权利要求13所述的方法,其特征在于,还包括:
接收所述多个识别模型,其中,每个识别模型包括至少一个标注;
对于每个识别模型:
基于每个识别模型的至少一个标注,识别与所述识别模型对应的实体知识数据库中的至少一个实体;
将所述识别模型链接到所述实体知识数据库中的至少一个实体。
15.根据权利要求13或14所述的方法,其特征在于,
所述至少一个识别模型包括多个识别模型,所述多个识别模型中的每个识别模型包括至少一个参数,指示采用所述识别模型处理所述数据集的运算资源;
所述方法还包括:通过所述多个识别模型中的至少一个识别模型来处理所述数据集,所述至少一个识别模型具有与所述一个或多个处理器可用的资源兼容的被指示运算资源。
16.根据权利要求13至15所述的方法,其特征在于,还包括在选择所述识别模型之前,从网络连接服务获得额外资源。
17.根据权利要求13至16中任意一项所述的方法,其特征在于,
所述实体知识数据库为图形数据库,其包括与实体知识图形数据库中的节点本体耦合的实体,使得直接链接到所述实体知识数据库中的一个节点的识别模型被链接到所述实体知识数据库中与所述一个节点本体耦合的所有节点,所述实体知识图形数据库包括与所述至少一个对象对应的节点,与所述至少一个对象对应的节点未直接链接到识别模型;
所述方法还包括:选择一个或多个识别模型作为所述至少一个识别模型,所述一个或多个识别模型直接链接到所述实体知识数据库中的至少一个节点,所述至少一个节点本体耦合到与所述至少一个对象对应的节点。
18.根据权利要求13至17所述的方法,其特征在于,还包括:
选择与所述至少一个对象对应的节点本体耦合的相应多个节点链接的多个识别模型,作为与所述本体耦合节点相关联的一个或多个识别模型;
通过所述选择的多个识别模型处理所述数据集;
将通过所述选择的多个识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
19.根据权利要求13至18中任意一项所述的方法,其特征在于,
所述实体知识数据库为图形数据库,其包括与具有不同通用水平的所述至少一个对象对应的多个本体组织节点;
所述方法还包括:
选择与所述至少一个对象的不同通用水平对应的多个节点相关联的多个识别模型,作为所述至少一个识别模型;
通过所述选择的多个识别模型处理所述数据集;
将通过所述选择的多个识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
20.一种用于识别数据集对象的方法,其特征在于,所述方法包括:
接收多个识别模型,其中,每个识别模型包括多个标注;
根据所述接收到的多个识别模型中的每个识别模型的标注,在每个识别模型与实体知识数据库的多个相应实体之间建立链接;
接收数据集以及关于识别所述数据集中是否包括至少一个对象的查询;
从所述实体知识数据库中选择至少一个识别模型,以识别所述至少一个对象,所述至少一个识别模型与所述至少一个对象对应的实体知识数据库中的至少一个实体链接;
通过所述选择的至少一个识别模型处理所述数据集,以指示所述数据集是否包括至少一个对象。
21.根据权利要求20所述的方法,其特征在于,
所述实体知识数据库为图形数据库,其包括与实体知识图形数据库中的节点本体耦合的实体,使得直接链接到所述实体知识图形数据库中的一个节点的识别模型被链接到所述实体知识图形数据库中与所述一个节点本体耦合的所有节点,所述实体知识图形数据库包括与所述至少一个对象对应的节点,与所述至少一个对象对应的节点未直接链接到所述多个识别模型中的任意一个识别模型;
所述方法还包括:选择至少一个识别模型作为所述至少一个识别模型,所述至少一个识别模型本体耦合到与所述至少一个对象对应的节点,并且链接到所述多个识别模型中的至少一个相应识别模型。
22.根据权利要求20和21所述的方法,其特征在于,还包括:
识别与所述至少一个对象对应的节点本体耦合的多个节点链接的多个已识别的识别模型,作为所述至少一个已识别的识别模型;
通过所述选择的多个已识别的识别模型处理所述数据集;
将通过所述选择的多个已识别的识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
23.根据权利要求20至22所述的方法,其特征在于,
所述实体知识数据库包括与具有不同通用水平的所述至少一个对象对应的多个本体组织节点;
所述方法还包括:
选择与所述至少一个对象的不同通用水平对应的多个节点相关联的多个相应模型,作为已识别的多个识别模型;
通过所述选择的多个识别模型处理所述数据集;
将通过所述选择的多个已识别的识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
24.根据权利要求20至23中任意一项所述的方法,其特征在于,所述数据集包括图像帧,
所述至少一个对象包括所述实体知识数据库的实体。
25.一种非瞬时性计算机可读介质,其特征在于,存储有计算机指令,用于识别数据集中的对象,当一个或多个处理器执行所述指令时,使得所述一个或多个处理器:
查找包括与待识别对象对应的多个节点的实体知识数据库,其中,多个识别模型中的每个识别模型链接到所述实体知识数据库的多个节点;
响应于对所述实体知识数据库的查找,选择所述多个识别模型中用于识别至少一个对象的至少一个识别模型;
通过所述选择的至少一个识别模型处理所述数据集,以指示所述数据集是否包括至少一个对象。
26.根据权利要求25所述的非瞬时性计算机可读介质,其特征在于,当所述一个或多个处理器执行所述计算机指令时,使得所述一个或多个处理器:
接收所述多个识别模型,其中,每个识别模型包括至少一个标注;
对于每个识别模型:
基于每个识别模型的至少一个标注,识别与所述识别模型对应的实体知识数据库中的至少一个实体;
将所述识别模型链接到所述实体知识数据库中的至少一个实体。
27.根据权利要求25或26所述的非瞬时性计算机可读介质,其特征在于,
所述至少一个识别模型包括多个识别模型,所述多个识别模型中的每个识别模型包括至少一个参数,指示采用所述识别模型处理所述数据集的运算资源;
当所述一个或多个处理器执行所述计算机指令时,使得所述一个或多个处理器通过所述多个识别模型中的至少一个识别模型来处理所述数据集,所述至少一个识别模型具有与所述一个或多个处理器可用的资源兼容的被指示运算资源。
28.根据权利要求25至27所述的非瞬时性计算机可读介质,其特征在于,还包括计算机指令,当所述一个或多个处理器执行所述计算机指令时,使得所述一个或多个处理器在选择识别模型之前从网络连接服务获得额外资源。
29.根据权利要求25至28任意一项所述的非瞬时性计算机可读介质,其特征在于,
所述实体知识数据库为图形数据库,其包括与实体知识图形数据库中的节点本体耦合的实体,使得直接链接到所述实体知识数据库中的一个节点的识别模型被链接到所述实体知识数据库中与所述一个节点本体耦合的所有节点,所述实体知识图形数据库包括与所述至少一个对象对应的节点,与所述至少一个对象对应的节点未直接链接到识别模型;
当所述一个或多个处理器执行所述计算机指令时,使得所述一个或多个处理器选择一个或多个识别模型作为所述至少一个识别模型,所述一个或多个识别模型直接链接到所述实体知识数据库中的至少一个节点,所述至少一个节点本体耦合到与所述至少一个对象对应的节点。
30.根据权利要求25至29所述的非瞬时性计算机可读介质,其特征在于,还包括计算机指令,当所述一个或多个处理器执行所述计算机指令时,使得所述一个或多个处理器:
选择与所述至少一个对象对应的节点本体耦合的相应多个节点链接的多个识别模型,作为与所述本体耦合节点相关联的一个或多个识别模型;
通过所述选择的多个识别模型处理所述数据集;
将通过所述选择的多个识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
31.根据权利要求25至30任意一项所述的非瞬时性计算机可读介质,其特征在于,
所述实体知识数据库为图形数据库,其包括与具有不同通用水平的所述至少一个对象对应的多个本体组织节点;
当所述一个或多个处理器执行所述计算机指令时,使得所述一个或多个处理器:
选择与所述至少一个对象的不同通用水平对应的多个节点相关联的多个识别模型,作为所述至少一个识别模型;
通过所述选择的多个识别模型处理所述数据集;
将通过所述选择的多个识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象的指示。
32.一种非瞬时性计算机可读介质,其特征在于,存储有计算机指令,用于识别数据集中的对象,当一个或多个处理器执行所述计算机指令时,使得所述一个或多个处理器:
接收多个识别模型,其中,每个识别模型包括多个标注;
根据所述接收到的多个识别模型中的每个识别模型的标注,在每个识别模型与实体知识数据库的多个相应实体之间建立链接;
接收数据集以及关于识别所述数据集中是否包括至少一个对象的查询;
从所述实体知识数据库中选择至少一个识别模型,以识别所述至少一个对象,所述至少一个识别模型与所述至少一个对象对应的实体知识数据库中的至少一个实体链接;
通过所述选择的至少一个识别模型处理所述数据集,以指示所述数据集是否包括至少一个对象。
33.根据权利要求32所述的非瞬时性计算机可读介质,其特征在于,
所述实体知识数据库为图形数据库,其包括与实体知识图形数据库中的节点本体耦合的实体,使得直接链接到所述实体知识图形数据库中的一个节点的识别模型被链接到所述实体知识图形数据库中与所述一个节点本体耦合的所有节点,所述实体知识图形数据库包括与所述至少一个对象对应的节点,与所述至少一个对象对应的节点未直接链接到所述多个识别模型中的任意一个识别模型;
当所述一个或多个处理器执行所述计算机指令时,使得所述一个或多个处理器选择至少一个识别模型作为所述至少一个识别模型,所述至少一个识别模型本体耦合到与所述至少一个对象对应的节点,并且链接到所述多个识别模型中的至少一个相应识别模型。
34.根据权利要求32和33所述的非瞬时性计算机可读介质,其特征在于,当所述一个或多个处理器执行所述计算机指令时,还使得所述一个或多个处理器:
识别与所述至少一个对象对应的节点本体耦合的多个节点链接的多个已识别的识别模型,作为所述至少一个已识别的识别模型;
通过所述选择的多个已识别的识别模型处理所述数据集;
将通过所述选择的多个已识别的识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
35.根据权利要求32至34所述的非瞬时性计算机可读介质,其特征在于,
所述实体知识数据库包括与具有不同通用水平的所述至少一个对象对应的多个本体组织节点;
当所述一个或多个处理器执行所述计算机指令时,还使得一个或多个处理器:
选择与所述至少一个对象的不同通用水平对应的多个节点相关联的多个相应模型,作为已识别的多个识别模型;
通过所述选择的多个识别模型处理所述数据集;
将通过所述选择的多个已识别的识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
36.根据权利要求32至35任意一项所述的非瞬时性计算机可读介质,其特征在于,所述数据集包括图像帧,所述至少一个对象包括所述实体知识数据库的实体。
37.一种用于识别数据集对象的装置,其特征在于,所述装置包括:
组件,用于查找包括与待识别对象对应的多个节点的实体知识数据库,其中,多个识别模型中的每个识别模型链接到所述实体知识数据库的多个节点;
组件,用于响应于对所述实体知识数据库的查找,选择所述多个识别模型中用于识别至少一个对象的至少一个识别模型;
组件,用于通过所述选择的至少一个识别模型处理所述数据集,以指示所述数据集是否包括至少一个对象。
38.根据权利要求37所述的装置,其特征在于,还包括:
组件,用于接收所述多个识别模型,其中,每个识别模型包括至少一个标注;
对于每个识别模型:
组件,用于基于每个识别模型的至少一个标注,识别与所述识别模型对应的实体知识数据库中的至少一个实体;
组件,用于将所述识别模型链接到所述实体知识数据库中的至少一个实体。
39.根据权利要求37或38所述的装置,其特征在于,
所述至少一个识别模型包括多个识别模型,所述多个识别模型中的每个识别模型包括至少一个参数,指示采用所述识别模型处理所述数据集的运算资源;
所述装置还包括:组件,用于通过所述多个识别模型中的至少一个识别模型来处理所述数据集,所述至少一个识别模型具有与所述一个或多个处理器可用的资源兼容的被指示运算资源。
40.根据权利要求39所述的装置,其特征在于,还包括组件,用于在选择所述识别模型之前,从网络连接服务获得额外资源。
41.根据权利要求37至40任意一项所述的装置,其特征在于,
所述实体知识数据库为图形数据库,其包括与实体知识图形数据库中的节点本体耦合的实体,使得直接链接到所述实体知识数据库中的一个节点的识别模型被链接到所述实体知识数据库中与所述一个节点本体耦合的所有节点,所述实体知识图形数据库包括与所述至少一个对象对应的节点,与所述至少一个对象对应的节点未直接链接到识别模型;
所述装置还包括:组件,用于选择一个或多个识别模型作为所述至少一个识别模型,所述一个或多个识别模型直接链接到所述实体知识数据库中的至少一个节点,所述至少一个节点本体耦合到与所述至少一个对象对应的节点。
42.根据权利要求37至41所述的装置,其特征在于,还包括:
组件,用于选择与所述至少一个对象对应的节点本体耦合的相应多个节点链接的多个识别模型,作为与所述本体耦合节点相关联的一个或多个识别模型;
组件,用于通过所述选择的多个识别模型处理所述数据集;
组件,用于将通过所述选择的多个识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
43.根据权利要求37至42任意一项所述的装置,其特征在于,
所述实体知识数据库为图形数据库,其包括与具有不同通用水平的所述至少一个对象对应的多个本体组织节点;
所述装置还包括:
组件,用于选择与所述至少一个对象的不同通用水平对应的多个节点相关联的多个识别模型,作为所述至少一个识别模型;
组件,用于通过所述选择的多个识别模型处理所述数据集;
组件,用于将通过所述选择的多个识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
44.一种用于识别数据集对象的装置,其特征在于,所述装置包括:
组件,用于接收多个识别模型,其中,每个识别模型包括多个标注;
组件,用于根据所述接收到多个识别模型中的每个识别模型的标注,在每个识别模型与实体知识数据库的多个相应实体之间建立链接;
组件,用于接收数据集以及关于识别所述数据集中是否包括至少一个对象的查询;
组件,用于从所述实体知识数据库中选择至少一个识别模型,以识别所述至少一个对象,所述至少一个识别模型与所述至少一个对象对应的实体知识数据库中的至少一个实体链接;
组件,用于通过所述选择的至少一个识别模型处理所述数据集,以指示所述数据集是否包括至少一个对象。
45.根据权利要求44所述的装置,其特征在于,
所述实体知识数据库为图形数据库,其包括与实体知识图形数据库中的节点本体耦合的实体,使得直接链接到实体知识图形数据库中的一个节点的识别模型被链接到所述实体知识图形数据库中与所述一个节点本体耦合的所有节点,所述实体知识图形数据库包括与所述至少一个对象对应的节点,与所述至少一个对象对应的节点未直接链接到所述多个识别模型中的任意一个识别模型;
所述装置还包括:组件,用于选择至少一个识别模型作为所述至少一个识别模型,所述至少一个识别模型本体耦合到与所述至少一个对象对应的节点,并且链接到所述多个识别模型中的至少一个相应识别模型。
46.根据权利要求44和45所述的装置,其特征在于,还包括:
组件,用于识别与所述至少一个对象对应的节点本体耦合的多个节点链接的多个已识别的识别模型,作为所述至少一个已识别的识别模型;
组件,用于通过所述选择的多个已识别的识别模型处理所述数据集;
组件,用于将通过所述选择的多个已识别的识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
47.根据权利要求44至46所述的装置,其特征在于,
所述实体知识数据库包括与具有不同通用水平的所述至少一个对象对应的多个本体组织节点;
所述装置还包括:
组件,用于选择与所述至少一个对象的不同通用水平对应的多个节点相关联的多个相应模型,作为已识别的多个识别模型;
组件,用于通过所述选择的多个识别模型处理所述数据集;
组件,用于将通过所述选择的多个已识别的识别模型进行处理的结果进行合并,以指示所述数据集是否包括所述至少一个对象。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862734016P | 2018-09-20 | 2018-09-20 | |
US62/734,016 | 2018-09-20 | ||
PCT/CN2019/090111 WO2020057175A1 (en) | 2018-09-20 | 2019-06-05 | Knowledge-based management of recognition models in artificial intelligence systems |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112740196A true CN112740196A (zh) | 2021-04-30 |
Family
ID=69888215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980062085.7A Pending CN112740196A (zh) | 2018-09-20 | 2019-06-05 | 基于知识管理人工智能系统中的识别模型 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210192375A1 (zh) |
EP (1) | EP3847555A4 (zh) |
CN (1) | CN112740196A (zh) |
WO (1) | WO2020057175A1 (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10740647B2 (en) | 2018-03-14 | 2020-08-11 | Adobe Inc. | Detecting objects using a weakly supervised model |
KR102079970B1 (ko) * | 2019-04-30 | 2020-04-07 | (주)에스투더블유랩 | 지식 그래프를 이용하여 사이버 시큐리티를 제공하는 방법, 장치 및 컴퓨터 프로그램 |
US11107219B2 (en) | 2019-07-22 | 2021-08-31 | Adobe Inc. | Utilizing object attribute detection models to automatically select instances of detected objects in images |
US11631234B2 (en) * | 2019-07-22 | 2023-04-18 | Adobe, Inc. | Automatically detecting user-requested objects in images |
US11468550B2 (en) | 2019-07-22 | 2022-10-11 | Adobe Inc. | Utilizing object attribute detection models to automatically select instances of detected objects in images |
US11302033B2 (en) | 2019-07-22 | 2022-04-12 | Adobe Inc. | Classifying colors of objects in digital images |
CN113255709A (zh) * | 2020-02-11 | 2021-08-13 | 阿里巴巴集团控股有限公司 | 图像元素搭配方法及装置和模型训练方法及装置和数据处理方法 |
US11468110B2 (en) | 2020-02-25 | 2022-10-11 | Adobe Inc. | Utilizing natural language processing and multiple object detection models to automatically select objects in images |
US11055566B1 (en) | 2020-03-12 | 2021-07-06 | Adobe Inc. | Utilizing a large-scale object detector to automatically select objects in digital images |
US11928096B2 (en) * | 2020-12-16 | 2024-03-12 | Sap Se | Systems and methods using generic database search models |
US11587234B2 (en) | 2021-01-15 | 2023-02-21 | Adobe Inc. | Generating class-agnostic object masks in digital images |
US11972569B2 (en) | 2021-01-26 | 2024-04-30 | Adobe Inc. | Segmenting objects in digital images utilizing a multi-object segmentation model framework |
US11768869B2 (en) * | 2021-02-08 | 2023-09-26 | Adobe, Inc. | Knowledge-derived search suggestion |
CN114385829A (zh) * | 2022-01-12 | 2022-04-22 | 北京百度网讯科技有限公司 | 知识图谱创建方法、装置、设备以及存储介质 |
CN117278419A (zh) * | 2022-06-15 | 2023-12-22 | 华为技术有限公司 | 一种数据传输的方法、通信装置和通信系统 |
CN115036034B (zh) * | 2022-08-11 | 2022-11-08 | 之江实验室 | 一种基于患者表征图的相似患者识别方法及系统 |
CN116011515B (zh) * | 2022-12-26 | 2024-01-26 | 人民网股份有限公司 | 几何神经网络模型构建方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090248687A1 (en) * | 2008-03-31 | 2009-10-01 | Yahoo! Inc. | Cross-domain matching system |
US20130110825A1 (en) * | 2011-08-04 | 2013-05-02 | Google Inc. | Providing Knowledge Panels With Search Results |
US20130262449A1 (en) * | 2012-04-02 | 2013-10-03 | Playence GmBH | System and method for search refinement using knowledge model |
US20150213058A1 (en) * | 2014-01-24 | 2015-07-30 | Amol Ashok Ambardekar | Adaptable image search with computer vision assistance |
CN106164889A (zh) * | 2013-12-02 | 2016-11-23 | 丘贝斯有限责任公司 | 用于内存数据库搜索的系统和方法 |
CN108460083A (zh) * | 2018-01-16 | 2018-08-28 | 浙江大学 | 一种知识图谱可视化查询工具 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160364419A1 (en) * | 2015-06-10 | 2016-12-15 | Blackbird Technologies, Inc. | Image and text data hierarchical classifiers |
US10366108B2 (en) * | 2015-06-26 | 2019-07-30 | Sri International | Distributional alignment of sets |
CN107967267A (zh) * | 2016-10-18 | 2018-04-27 | 中兴通讯股份有限公司 | 一种知识图谱构建方法、装置及系统 |
-
2019
- 2019-06-05 WO PCT/CN2019/090111 patent/WO2020057175A1/en unknown
- 2019-06-05 CN CN201980062085.7A patent/CN112740196A/zh active Pending
- 2019-06-05 EP EP19862645.9A patent/EP3847555A4/en active Pending
-
2021
- 2021-03-05 US US17/249,584 patent/US20210192375A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090248687A1 (en) * | 2008-03-31 | 2009-10-01 | Yahoo! Inc. | Cross-domain matching system |
US20130110825A1 (en) * | 2011-08-04 | 2013-05-02 | Google Inc. | Providing Knowledge Panels With Search Results |
US20130262449A1 (en) * | 2012-04-02 | 2013-10-03 | Playence GmBH | System and method for search refinement using knowledge model |
CN106164889A (zh) * | 2013-12-02 | 2016-11-23 | 丘贝斯有限责任公司 | 用于内存数据库搜索的系统和方法 |
US20150213058A1 (en) * | 2014-01-24 | 2015-07-30 | Amol Ashok Ambardekar | Adaptable image search with computer vision assistance |
CN108460083A (zh) * | 2018-01-16 | 2018-08-28 | 浙江大学 | 一种知识图谱可视化查询工具 |
Also Published As
Publication number | Publication date |
---|---|
WO2020057175A1 (en) | 2020-03-26 |
US20210192375A1 (en) | 2021-06-24 |
EP3847555A4 (en) | 2021-11-10 |
EP3847555A1 (en) | 2021-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112740196A (zh) | 基于知识管理人工智能系统中的识别模型 | |
EP3248143B1 (en) | Reducing computational resources utilized for training an image-based classifier | |
US20160350336A1 (en) | Automated image searching, exploration and discovery | |
RU2711125C2 (ru) | Система и способ формирования обучающего набора для алгоритма машинного обучения | |
Ozturk et al. | Improved clustering criterion for image clustering with artificial bee colony algorithm | |
US20190220967A1 (en) | Systems and methods for automated inferencing of changes in spatio-temporal images | |
KR20190028235A (ko) | 클래스 인식을 위한 뉴럴 네트워크 학습 방법 및 디바이스 | |
US20140376819A1 (en) | Image recognition by image search | |
CN111597374B (zh) | 图像分类方法、装置及电子设备 | |
Bjerge et al. | Accurate detection and identification of insects from camera trap images with deep learning | |
US10380459B2 (en) | System and method for image classification | |
US10002136B2 (en) | Media label propagation in an ad hoc network | |
US10007864B1 (en) | Image processing system and method | |
CN107330452B (zh) | 聚类方法和装置 | |
CN112633504A (zh) | 一种基于知识图谱的果树病虫害智慧云知识服务系统及方法 | |
Karaoglu et al. | Detect2rank: Combining object detectors using learning to rank | |
CN112015966A (zh) | 一种图像搜索方法、装置、电子设备及存储介质 | |
Bouchakwa et al. | A review on visual content-based and users’ tags-based image annotation: methods and techniques | |
Raghu et al. | Object detection and localization using sparse-FCM and optimization-driven deep convolutional neural network | |
CN111027622A (zh) | 图片标签生成方法、装置、计算机设备及存储介质 | |
CN110543891A (zh) | 数据标注方法、装置、系统及存储介质 | |
CN116933854B (zh) | 图像生成模型的处理方法、装置、设备和存储介质 | |
CN112241470B (zh) | 一种视频分类方法及系统 | |
CN115393673A (zh) | 对象识别模型的训练方法、对象识别的方法、电子设备 | |
CN112836076A (zh) | 一种图像标签生成方法、装置及设备 |
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: 20220222 Address after: 550025 Huawei cloud data center, jiaoxinggong Road, Qianzhong Avenue, Gui'an New District, Guiyang City, Guizhou Province Applicant after: Huawei Cloud Computing Technologies Co.,Ltd. Address before: 518129 Bantian HUAWEI headquarters office building, Longgang District, Guangdong, Shenzhen Applicant before: HUAWEI TECHNOLOGIES Co.,Ltd. |