CN112766406A - 物品图像的处理方法、装置、计算机设备及存储介质 - Google Patents

物品图像的处理方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN112766406A
CN112766406A CN202110125988.4A CN202110125988A CN112766406A CN 112766406 A CN112766406 A CN 112766406A CN 202110125988 A CN202110125988 A CN 202110125988A CN 112766406 A CN112766406 A CN 112766406A
Authority
CN
China
Prior art keywords
image
article
item
original image
sample pair
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110125988.4A
Other languages
English (en)
Inventor
戴尚峰
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.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet 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 Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN202110125988.4A priority Critical patent/CN112766406A/zh
Publication of CN112766406A publication Critical patent/CN112766406A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F16/58—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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Library & Information Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Image Analysis (AREA)

Abstract

本公开关于一种物品图像的处理方法、装置、计算机设备及存储介质，属于计算机技术领域。本公开通过直接对第一物品的原始图像变换，得到具有较高相关度的变换图像，并随机抽取出具有较低相关度的第二物品的原始图像，使得这样构建出的正样本对中图像间的相关度天然大于负样本对中图像间的相关度，通过上述正负样本对训练出的特征提取网络，能够保证图像内容相似的物品在特征空间仍然具有很高的相关度，从而使得利用该特征提取网络进行物品推荐时，不依赖于直接将用户与物品进行匹配的模式，降低了物品推荐过程的随机性，从而提升了物品推荐准确性和转化率。

Description

物品图像的处理方法、装置、计算机设备及存储介质
技术领域
本公开涉及计算机技术领域，特别涉及一种物品图像的处理方法、装置、计算机设备及存储介质。
背景技术
随着计算机技术的发展，越来越多的用户能够通过终端随时地浏览各类物品(也即商品或服务)，服务器还能够为用户推荐一些可能感兴趣的物品，以满足用户的购物需求。
以商品推荐为例，服务器通常分别提取用户特征和商品特征，服务器接收到终端发送的推荐请求后，利用用户特征在商品特征库中进行检索，选出与用户特征的相似度最高的一批商品特征，向终端推荐与选出的商品特征所对应的商品，这一选取推荐商品的过程也称为“商品召回”。
在上述基于用户特征进行商品召回时，由于用户特征与商品特征之间的相似度随机性比较强，导致不能准确向用户推荐所欲购买的商品，也即，物品推荐准确性差、转化率低。
发明内容
本公开提供一种物品图像的处理方法、装置、计算机设备及存储介质，以至少提升物品推荐的准确性和转化率。本公开的技术方案如下：
根据本公开实施例的一方面，提供一种物品图像的处理方法，包括：
对第一物品的原始图像进行变换，得到多个变换图像；
从物品图像库中获取第二物品的原始图像；
基于所述第一物品的原始图像、所述多个变换图像和所述第二物品的原始图像，分别构建所述第一物品的正样本对和负样本对，所述正样本对中图像间的相关度大于所述负样本对中图像间的相关度；
基于所述正样本对和所述负样本对，对初始神经网络进行训练，得到特征提取网络，所述特征提取网络用于提取物品的图像特征。
在一种可能实施方式中，所述基于所述第一物品的原始图像、所述多个变换图像和所述第二物品的原始图像，分别构建所述第一物品的正样本对和负样本对包括：
从所述第一物品的原始图像和所述多个变换图像所构成的集合中，随机选取两张图像，得到所述正样本对；
从所述集合中随机选取一个图像，将所述随机选取的一个图像与所述第二物品的原始图像获取为所述负样本对。
在一种可能实施方式中，所述正样本对包括所述第一物品的原始图像和所述多个变换图像中的任一变换图像；或者，所述正样本对包括所述多个变换图像中的任意两个变换图像。
在一种可能实施方式中，所述负样本对包括所述第一物品的原始图像和所述第二物品的原始图像；或者，所述负样本对包括所述多个变换图像中的任一变换图像和所述第二物品的原始图像。
在一种可能实施方式中，所述基于所述正样本对和所述负样本对，对初始神经网络进行训练，得到特征提取网络包括：
调用所述初始神经网络，提取所述正样本对中各个图像的图像特征和所述负样本对中各个图像的图像特征；
基于所述正样本对中各个图像的图像特征，获取所述正样本对中各个图像之间的第一相关度；
基于所述负样本对中各个图像的图像特征，获取所述负样本对中各个图像之间的第二相关度；
基于所述第一相关度和所述第二相关度，确定损失函数值；
迭代执行获取图像特征并确定损失函数值的步骤，直到损失函数值符合停止条件时停止训练，得到所述特征提取网络。
在一种可能实施方式中，所述多个变换图像中的任一变换图像的获取方式包括下述至少一项：
截取所述第一物品的原始图像的目标区域，得到所述任一变换图像；
对所述第一物品的原始图像进行左右翻转，得到所述任一变换图像；
对所述第一物品的原始图像进行灰度处理，得到所述任一变换图像；
对所述第一物品的原始图像进行色阶校正，得到所述任一变换图像。
在一种可能实施方式中，所述方法还包括：
调用所述特征提取网络对所述物品图像库中的各个物品的原始图像进行特征提取，得到各个物品的图像特征；
基于各个物品的图像特征和各个物品的物品标识，构建物品特征库，所述物品特征库中各个物品的物品标识与各个物品的图像特征对应存储。
在一种可能实施方式中，所述方法还包括：
接收物品推荐请求，所述物品推荐请求携带目标物品的物品标识，所述目标物品为目标账号发生过互动行为的物品；
基于所述目标物品的物品标识，从所述物品特征库中查询得到所述目标物品的图像特征；
基于所述目标物品的图像特征，获取至少一个相似物品，所述相似物品的图像特征与所述目标物品的图像特征符合相似条件；
基于所述至少一个相似物品，向所述目标账号进行物品推荐。
根据本公开实施例的另一方面，提供一种物品图像的处理装置，包括：
变换单元，被配置为执行对第一物品的原始图像进行变换，得到多个变换图像；
获取单元，被配置为执行从物品图像库中获取第二物品的原始图像；
构建单元，被配置为执行基于所述第一物品的原始图像、所述多个变换图像和所述第二物品的原始图像，分别构建所述第一物品的正样本对和负样本对，所述正样本对中图像间的相关度大于所述负样本对中图像间的相关度；
训练单元，被配置为执行基于所述正样本对和所述负样本对，对初始神经网络进行训练，得到特征提取网络，所述特征提取网络用于提取物品的图像特征。
在一种可能实施方式中，所述构建单元被配置为执行：
从所述第一物品的原始图像和所述多个变换图像所构成的集合中，随机选取两张图像，得到所述正样本对；
从所述集合中随机选取一个图像，将所述随机选取的一个图像与所述第二物品的原始图像获取为所述负样本对。
在一种可能实施方式中，所述正样本对包括所述第一物品的原始图像和所述多个变换图像中的任一变换图像；或者，所述正样本对包括所述多个变换图像中的任意两个变换图像。
在一种可能实施方式中，所述负样本对包括所述第一物品的原始图像和所述第二物品的原始图像；或者，所述负样本对包括所述多个变换图像中的任一变换图像和所述第二物品的原始图像。
在一种可能实施方式中，所述训练单元被配置为执行：
调用所述初始神经网络，提取所述正样本对中各个图像的图像特征和所述负样本对中各个图像的图像特征；
基于所述正样本对中各个图像的图像特征，获取所述正样本对中各个图像之间的第一相关度；
基于所述负样本对中各个图像的图像特征，获取所述负样本对中各个图像之间的第二相关度；
基于所述第一相关度和所述第二相关度，确定损失函数值；
迭代执行获取图像特征并确定损失函数值的步骤，直到损失函数值符合停止条件时停止训练，得到所述特征提取网络。
在一种可能实施方式中，所述多个变换图像中的任一变换图像的获取方式包括下述至少一项：
截取所述第一物品的原始图像的目标区域，得到所述任一变换图像；
对所述第一物品的原始图像进行左右翻转，得到所述任一变换图像；
对所述第一物品的原始图像进行灰度处理，得到所述任一变换图像；
对所述第一物品的原始图像进行色阶校正，得到所述任一变换图像。
在一种可能实施方式中，所述装置还包括提取构建单元，被配置为执行：
调用所述特征提取网络对所述物品图像库中的各个物品的原始图像进行特征提取，得到各个物品的图像特征；
基于各个物品的图像特征和各个物品的物品标识，构建物品特征库，所述物品特征库中各个物品的物品标识与各个物品的图像特征对应存储。
在一种可能实施方式中，所述装置还包括：
接收单元，被配置为执行接收物品推荐请求，所述物品推荐请求携带目标物品的物品标识，所述目标物品为目标账号发生过互动行为的物品；
查询单元，被配置为执行基于所述目标物品的物品标识，从所述物品特征库中查询得到所述目标物品的图像特征；
所述获取单元，还被配置为执行基于所述目标物品的图像特征，获取至少一个相似物品，所述相似物品的图像特征与所述目标物品的图像特征符合相似条件；
推荐单元，被配置为执行基于所述至少一个相似物品，向所述目标账号进行物品推荐。
根据本公开实施例的另一方面，提供一种计算机设备，包括：
一个或多个处理器；
用于存储所述一个或多个处理器可执行指令的一个或多个存储器；
其中，所述一个或多个处理器被配置为执行上述一方面的任一种可能实施方式中的物品图像的处理方法。
根据本公开实施例的另一方面，提供一种存储介质，当所述存储介质中的至少一条指令由计算机设备的一个或多个处理器执行时，使得计算机设备能够执行上述一方面的任一种可能实施方式中的物品图像的处理方法。
根据本公开实施例的另一方面，提供一种计算机程序产品，包括一条或多条指令，所述一条或多条指令可以由计算机设备的一个或多个处理器执行，使得计算机设备能够执行上述一方面的任一种可能实施方式中的物品图像的处理方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
通过直接对第一物品的原始图像变换，得到具有较高相关度的变换图像，并随机抽取出具有较低相关度的第二物品的原始图像，使得这样构建出的正样本对中图像间的相关度天然大于负样本对中图像间的相关度，通过上述正负样本对训练出的特征提取网络，能够保证图像内容相似的物品在特征空间仍然具有很高的相关度，从而使得利用该特征提取网络进行物品推荐时，不依赖于直接将用户与物品进行匹配的模式，降低了物品推荐过程的随机性，从而提升了物品推荐准确性和转化率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种物品图像的处理方法的实施环境示意图；
图2是根据一示例性实施例示出的一种物品图像的处理方法的流程图；
图3是根据一示例性实施例示出的一种物品图像的处理方法的流程图；
图4是本公开实施例提供的一种物品推荐方法的流程图；
图5是根据一示例性实施例示出的一种物品图像的处理装置的逻辑结构框图；
图6示出了本公开一个示例性实施例提供的一种计算机设备的结构框图；
图7是本公开实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开所涉及的用户信息可以为经用户授权或者经过各方充分授权的信息。
图1是根据一示例性实施例示出的一种物品图像的处理方法的实施环境示意图，参见图1，在该实施环境中可以包括终端101和服务器102，终端101和服务器102均为一种计算机设备，下面进行详述：
终端101用于浏览物品所对应的多媒体资源。终端101上安装有应用程序，该应用程序可以是任一能够提供物品推荐服务的客户端，用户通过启动该应用程序来浏览各个物品所对应的多媒体资源。可选地，该应用程序包括购物应用、外卖应用、旅行应用、游戏应用或者社交应用中的至少一项。可选地，该多媒体资源包括文本资源、图片资源、视频资源、音频资源或者网页资源中的至少一项。
终端101与服务器102之间通过有线或无线网络进行直接或间接地连接，本申请实施例不对此进行限定。
服务器102用于向终端101提供物品推荐服务，也即服务器102为终端101上安装的应用程序的后台服务器。可选地，服务器102包括一台服务器、多台服务器、云计算平台或者虚拟化中心中的至少一项。
在一些实施例中，服务器102承担主要计算工作，终端101承担次要计算工作；或者，服务器102承担次要计算工作，终端101承担主要计算工作；或者，服务器102和终端101之间采用分布式计算架构进行协同计算。
在一个示例性场景中，本公开实施例涉及物品推荐场景，当用户在终端101的应用程序上浏览多媒体资源时，在用户界面的特定位置中包括一个目标区域，该目标区域用于向用户推荐物品，如果用户有意向购买被推荐的物品，则能够为平台和商家创收。
在一些实施例中，终端101的设备类型包括：智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机或者台式计算机中的至少一种。例如，终端101为智能手机，或者其他手持便携式电子设备。以下实施例，以终端包括智能手机来举例说明。
本领域技术人员可以知晓，上述终端的数量可以更多或更少。比如上述终端可以仅为一个，或者上述终端为几十个或几百个，或者更多数量。本公开实施例对终端的数量和设备类型不加以限定。
图2是根据一示例性实施例示出的一种物品图像的处理方法的流程图，参见图2，该物品图像的处理方法应用于计算机设备，下面以计算机设备为服务器为例进行说明。
在步骤201中，服务器对第一物品的原始图像进行变换，得到多个变换图像。
在步骤202中，服务器从物品图像库中获取第二物品的原始图像。
在步骤203中，服务器基于该第一物品的原始图像、该多个变换图像和该第二物品的原始图像，分别构建该第一物品的正样本对和负样本对，该正样本对中图像间的相关度大于该负样本对中图像间的相关度。
在步骤204中，服务器基于该正样本对和该负样本对，对初始神经网络进行训练，得到特征提取网络，该特征提取网络用于提取物品的图像特征。
本公开实施例提供的方法，通过直接对第一物品的原始图像变换，得到具有较高相关度的变换图像，并随机抽取出具有较低相关度的第二物品的原始图像，使得这样构建出的正样本对中图像间的相关度天然大于负样本对中图像间的相关度，通过上述正负样本对训练出的特征提取网络，能够保证图像内容相似的物品在特征空间仍然具有很高的相关度，从而使得利用该特征提取网络进行物品推荐时，不依赖于直接将用户与物品进行匹配的模式，降低了物品推荐过程的随机性，从而提升了物品推荐准确性和转化率。
在一些实施例中，基于该第一物品的原始图像、该多个变换图像和该第二物品的原始图像，分别构建该第一物品的正样本对和负样本对包括：
从该第一物品的原始图像和该多个变换图像所构成的集合中，随机选取两张图像，得到该正样本对；
从该集合中随机选取一个图像，将该随机选取的一个图像与该第二物品的原始图像获取为该负样本对。
在一些实施例中，该正样本对包括该第一物品的原始图像和该多个变换图像中的任一变换图像；或者，该正样本对包括该多个变换图像中的任意两个变换图像。
在一些实施例中，该负样本对包括该第一物品的原始图像和该第二物品的原始图像；或者，该负样本对包括该多个变换图像中的任一变换图像和该第二物品的原始图像。
在一些实施例中，基于该正样本对和该负样本对，对初始神经网络进行训练，得到特征提取网络包括：
调用该初始神经网络，提取该正样本对中各个图像的图像特征和该负样本对中各个图像的图像特征；
基于该正样本对中各个图像的图像特征，获取该正样本对中各个图像之间的第一相关度；
基于该负样本对中各个图像的图像特征，获取该负样本对中各个图像之间的第二相关度；
基于该第一相关度和该第二相关度，确定损失函数值；
迭代执行获取图像特征并确定损失函数值的步骤，直到损失函数值符合停止条件时停止训练，得到该特征提取网络。
在一些实施例中，该多个变换图像中的任一变换图像的获取方式包括下述至少一项：
截取该第一物品的原始图像的目标区域，得到该任一变换图像；
对该第一物品的原始图像进行左右翻转，得到该任一变换图像；
对该第一物品的原始图像进行灰度处理，得到该任一变换图像；
对该第一物品的原始图像进行色阶校正，得到该任一变换图像。
在一些实施例中，该方法还包括：
调用该特征提取网络对该物品图像库中的各个物品的原始图像进行特征提取，得到各个物品的图像特征；
基于各个物品的图像特征和各个物品的物品标识，构建物品特征库，该物品特征库中各个物品的物品标识与各个物品的图像特征对应存储。
在一些实施例中，该方法还包括：
接收物品推荐请求，该物品推荐请求携带目标物品的物品标识，该目标物品为目标账号发生过互动行为的物品；
基于该目标物品的物品标识，从该物品特征库中查询得到该目标物品的图像特征；
基于该目标物品的图像特征，获取至少一个相似物品，该相似物品的图像特征与该目标物品的图像特征符合相似条件；
基于该至少一个相似物品，向该目标账号进行物品推荐。
上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。
图3是根据一示例性实施例示出的一种物品图像的处理方法的流程图，如图3所示，该物品图像的处理方法用于计算机设备，以计算机设备为服务器为例进行说明，该实施例包括以下步骤。
在步骤300中，服务器获取第一物品的原始图像。
其中，该第一物品是指平台所上架的所有物品中的任一物品，该第一物品的原始图像用于表征第一物品的形态及外观等，能够对第一物品进行可视化地展示。
可选地，服务器中存储有物品图像库，该物品图像库用于存储平台所上架的所有物品的原始图像。在物品图像库中将各个物品的物品标识与各个物品的原始图像对应存储。在一些实施例中，每当商家在平台中上架新的物品时，服务器为新的物品分配物品标识，并将对应的原始图像存储到物品图像库中。
在一些实施例中，服务器从平台所上架的所有物品中随机选取一个物品作为第一物品之后，基于该第一物品的物品标识，从物品图像库中获取该第一物品的原始图像。
例如，服务器为平台所上架的各个物品分配唯一的物品标识，随机选取任一物品作为第一物品后，以该第一物品的物品标识为索引，在物品图像库中查询与该第一物品的物品标识对应的索引内容，得到该第一物品的原始图像。
在步骤301中，服务器对该第一物品的原始图像进行变换，得到多个变换图像。
其中，该多个变换图像是指：采用至少一种变换方式对该第一物品的原始图像进行变换所得的多个图像。可选地，该多个变换图像采取相同的变换方式，但设定不同的变换程度，或者，该多个变换图像采取不同的变换方式。
在一些实施例中，对于该多个变换图像中的任一变换图像，该任一变换图像的获取方式包括：服务器截取该第一物品的原始图像的目标区域，得到该任一变换图像，从而能够保证该任一变换图像与该第一物品的原始图像之间整体都具有很高的相关度，且节约了人工标注的成本。
可选地，服务器通过设置不同位置的目标区域，能够多次截取得到多张变换图像，例如，该目标区域为该第一物品的原始图像的中心区域，或者，智能识别该第一物品的原始图像中的物品轮廓，将物品轮廓所构成的闭合区域作为目标区域，可选地，可以利用图像分割模型来对第一物品的原始图像进行智能地图像语义识别。
在另一些实施例中，对于该多个变换图像中的任一变换图像，该任一变换图像的获取方式包括：服务器对该第一物品的原始图像进行左右翻转，得到该任一变换图像，从而能够保证该任一变换图像与该第一物品的原始图像之间的纹理、色彩等具有很高的相关度，且节约了人工标注的成本。
在另一些实施例中，对于该多个变换图像中的任一变换图像，该任一变换图像的获取方式包括：服务器对该第一物品的原始图像进行灰度处理，得到该任一变换图像，从而能够保证该任一变换图像与该第一物品的原始图像之间的纹理、边缘等具有很高的相关度，且节约了人工标注的成本。
在另一些实施例中，对于该多个变换图像中的任一变换图像，该任一变换图像的获取方式包括：服务器对该第一物品的原始图像进行色阶校正，得到该任一变换图像，从而能够保证该任一变换图像与该第一物品的原始图像之间的纹理、边缘等具有很高的相关度，且节约了人工标注的成本。
在另一些实施例中，对于该多个变换图像中的任一变换图像，该任一变换图像的获取方式包括：服务器对该第一物品的原始图像进行模糊处理或者锐化处理，得到该任一变换图像，其中模糊系数或者锐化系数小于或等于目标阈值，从而也能保证该任一变换图像与该第一物品的原始图像之间的纹理、边缘等具有较高的相关度，且节约了人工标注的成本。
在另一些实施例中，服务器还可以对第一物品的原始图像，执行上述涉及到的截取、翻转、灰度化、色阶校正、模糊或者锐化中的至少两项，也即对多种变换操作进行叠加、组合，这样能够保证构建出的变换图像与第一物品的原始图像之间具有很高的相关度，并且第一物品的物品类别不会发生改变，且无需进行人工标注。
需要说明的是，服务器在对第一物品的原始图像进行变换后，对于这些经过变换操作的多个变换图像，每个变换图像与第一物品的原始图像都仍然与该第一物品相关，保证了在图像变换前后的物品类别与图像内容均不会发生变化，也即每个变换图像均能够视为同一个物品类别中的两张不同的样本图像，使得构建训练样本时的人力成本大大降低，无需人工参与标注。
在步骤302中，服务器从物品图像库中获取第二物品的原始图像。
在一些实施例中，由于各个物品的原始图像种类繁多，因此通过从物品图像库中随机抽取除了第一物品之外的另一个物品(也即第二物品)的原始图像，通常抽取到的都是与第一物品的物品类别无关的第二物品的原始图像，这样能够以最少的算力筛选出与第一物品的原始图像之间相关度较低的第二物品的原始图像，且无需人工参与标注。
在步骤303中，服务器从该第一物品的原始图像和该多个变换图像所构成的集合中，随机选取两张图像，得到该第一物品的正样本对。
其中，正样本对中包括的两张图像可以称为正例图像。
在一些实施例中，该正样本对包括该第一物品的原始图像和该多个变换图像中的任一变换图像，也即，正样本对由第一物品的原始图像和任一张变换图像构成。
在上述过程中，通过随机选取第一物品的原始图像和任一变换图像构成正样本对，使得正样本对中能够保留第一物品的原始图像这一原始样本，保证在训练过程中不会丢失原始样本的相关信息。
在一些实施例中，该正样本对包括该多个变换图像中的任意两个变换图像，也即，正样本对由任意两张不同的变换图像构成，本公开实施例对正样本对的构成成分不进行具体限定。
在上述过程中，通过随机选取任意两张变换图像构成正样本对，能够大大增加了正样本对中的随机性，使得对第一物品的原始图像的数据增强具有更好的效果，且能够构建出更加多样化的正样本对。
在步骤304中，服务器从该集合中随机选取一个图像，将该随机选取的一个图像与该第二物品的原始图像获取为该第一物品的负样本对。
其中，负样本对中包括的两张图像可以称为负例图像。
在一些实施例中，该负样本对包括该第一物品的原始图像和该第二物品的原始图像，也即，负样本对由第一物品的原始图像和第二物品的原始图像构成。
在上述过程中，通过随机选取第一物品的原始图像和第二物品的原始图像构成负样本对，使得负样本对中能够保留第一物品的原始图像和第二物品的原始图像这两个原始样本，保证在训练过程中不会丢失原始样本的相关信息。
在一些实施例中，该负样本对包括该多个变换图像中的任一变换图像和该第二物品的原始图像，也即，负样本对由任一张变换图像和第二物品的原始图像构成，本公开实施例对负样本对的构成成分不进行具体限定。
在上述过程中，通过随机选取任一变换图像和第二物品的原始图像构成负样本对，能够大大增加了负样本对中的随机性，使得对第一物品的原始图像的数据增强具有更好的效果，且能够构建出更加多样化的负样本对。
在上述步骤303-304中，服务器基于该第一物品的原始图像、该多个变换图像和该第二物品的原始图像，分别构建了该第一物品的正样本对和负样本对。其中，该正样本对中图像间的相关度大于该负样本对中图像间的相关度。
正是由于各个变换图像均是由第一物品的原始图像变换得到的，因此各个变换图像与第一物品的原始图像之间必然具有较高的相关度，且各个变换图像自身之间也具有较高的相关度，通过从各个变换图像与第一物品的原始图像所构成的集合中随机选取两张图像作为正样本对，能够在无人力标注成本的情况下，智能筛选出具有极高准确率的正样本对。
同理，由于第一物品和第二物品通常物品类别不同，因此第二物品的原始图像与第一物品的原始图像之间必然具有较低的相关度，且第二物品的原始图像与从第一物品的原始图像变换得到的各个变换图像之间也具有较低的相关度，通过从上述各个变换图像与第一物品的原始图像所构成的集合中随机选取一张图像，并将这张随机选取的图像与第二物品的原始图像作为负样本对，能够在无人力标注成本的情况下，智能筛选出具有极高准确率的负样本对。
在一些实施例中，由于第一物品是指平台所上架的所有物品中的任一物品，因此，服务器可以对平台所上架的所有物品中的每个物品(也即将每个物品都作为第一物品并遍历所有物品)均执行上述步骤301-304，能够无需经过任何人工标注，对每个物品均成功构建出可信的正样本对和负样本对，使得基于正样本对和负样本对进行模型训练的过程是无代价的，由于原始图像的数量级往往是百万甚至千万级别，这种构建正样本对和负样本对的方式，大大节约了对原始图像进行人为标注的人力成本，且不会影响到模型的性能。
在步骤305中，服务器调用初始神经网络，提取该正样本对中各个图像的图像特征和该负样本对中各个图像的图像特征。
在一些实施例中，服务器将该正样本对输入该初始神经网络，通过该初始神经网络对该正样本对中的各个图像进行加权处理，输出该正样本对中各个图像的图像特征。
在一些实施例中，服务器将该负样本对输入该初始神经网络，通过该初始神经网络对该负样本对中的各个图像进行加权处理，输出该负样本对中各个图像的图像特征。
在一些实施例中，由于负样本对中第二物品的原始图像也是从整个物品图像库里面随机抽取的，那么在遍历整个物品图像库构建每个物品正样本对和负样本对时，第二物品也会在某一次遍历中作为新的第一物品来构建正样本对和负样本对，因此，服务器可以仅调用初始神经网络提取每个第一物品的正样本对中各个图像的图像特征，在对物品图像库中每个第一物品经过一轮遍历后，由于第二物品也会作为其他遍历过程的第一物品，仍然能够得到负样本对中第二物品的原始图像的图像特征。也即是说，服务器无需即时计算负样本对中第二物品的原始图像的图像特征，这样能够大大节约服务器的计算资源。
可选地，该初始神经网络包括深度神经网络(Deep Neural Networks，DNN)、卷积神经网络(Convolutional Neural Networks，CNN)、视觉几何组(Visual Geometry Group，VGG)等，本公开实施例不对初始神经网络的结构进行具体限定。
在一个示例性实施例中，以初始神经网络为深度神经网络为例进行说明，该深度神经网络包括至少一个隐藏层，服务器将该正样本对中的每张图像输入到该至少一个隐藏层中，每个隐藏层以上一个隐藏层的输出特征作为输入信号，对输入信号进行加权处理，并将加权后的特征输出到下一个隐藏层，其中，第一个隐藏层以该正样本对中的每张图像作为输入信号，最后一个隐藏层的输出即为该正样本对中的每张图像的图像特征。
在一个示例性实施例中，以初始神经网络为卷积神经网络为例进行说明，该卷积神经网络包括至少一个卷积层，服务器将该正样本对中的每张图像输入到该至少一个卷积层中，每个卷积层以上一个卷积层的输出特征作为输入信号，对输入信号进行卷积操作，并将卷积后的特征输出到下一个卷积层，其中，第一个卷积层以该正样本对中的每张图像作为输入信号，最后一个卷积层的输出即为该正样本对中的每张图像的图像特征。
在步骤306中，服务器基于该正样本对中各个图像的图像特征，获取该正样本对中各个图像之间的第一相关度。
在一些实施例中，对于正样本对中的两张图像，将该两张图像的图像特征之间的余弦距离作为该第一相关度，或者，将该两张图像的图像特征之间的欧式距离的倒数作为该第一相关度，本公开实施例不对第一相关度的计算方式进行具体限定。
在步骤307中，服务器基于该负样本对中各个图像的图像特征，获取该负样本对中各个图像之间的第二相关度。
在一些实施例中，对于负样本对中的两张图像，将该两张图像的图像特征之间的余弦距离作为该第二相关度，或者，将该两张图像的图像特征之间的欧式距离的倒数作为该第二相关度，本公开实施例不对第二相关度的计算方式进行具体限定。
在步骤308中，服务器基于该第一相关度和该第二相关度，确定本次迭代过程的损失函数值。
在一些实施例中，对每个第一物品，服务器可以将第一相关度和第二相关度之间的差值获取为目标数值，并获取所有的第一物品的目标数值之间的平均值，将该平均值的倒数确定为本次迭代过程的损失函数值，此时能够对第一相关度和第二相关度进行综合考虑，优化目标则是使得第一相关度尽可能高的同时第二相关度尽可能低，也即，使得每个第一物品的目标数值(第一相关度与第二相关度之间的差值)尽可能的大，这样能够保证平均值尽可能的大，从而平均值的倒数即损失函数值尽可能的小。需要说明的是，优化目标还可以包括第一相关度大于第二相关度。
在上述过程中，使得损失函数值越小时，代表经过初始神经网络提取特征之后，正样本对中各个图像之间的图像特征相关度越高、且负样本对中各个图像之间的图像特征相关度越低。
在步骤309中，对每个第一物品，服务器迭代执行获取图像特征并确定损失函数值的上述步骤305-308，直到损失函数值符合停止条件时停止训练，得到特征提取网络。
其中，该特征提取网络用于基于物品的原始图像提取物品的图像特征。
可选地，该停止条件为损失函数值小于损失阈值，或者，该停止条件为迭代次数大于目标次数，本公开实施例不对该停止条件的内容进行具体限定。其中，该损失阈值为任一大于或等于0且小于或等于1的数值，该目标次数为任一大于0的数值。
在一些实施例中，若本次迭代过程的损失函数值不符合停止条件，服务器基于反向传播算法对初始神经网络的参数进行调整，基于调整参数后的神经网络迭代执行上述步骤305-308，直到某次迭代过程的损失函数值符合该停止条件，此时停止训练，将最后一次迭代过程的神经网络确定为该特征提取网络。
在上述步骤305-309中，服务器基于该正样本对和该负样本对，对初始神经网络进行训练，得到该特征提取网络。通过长时间的不停采样和训练，能够使得最终的特征提取网络能够分辨出哪些属于相似的物品、而哪些属于不相似的物品，使得相似的物品之间的图像特征会更加接近(也即相关度更高)。
在一个示例中，如果当前物品是洗面奶，那么特征提取网络用于保证在特征检索过程中，其他品牌的洗面奶与该洗面奶之间的特征相关度大于其他护肤品与该洗面奶之间的特征相关度。
在本公开实施例中，通过提供一种自监督的学习方法来训练初始神经网络，无需人工标注哪张原始图像与另一张原始图像相似，而是基于图像变换后的各个变换图像来构建正样本对，并基于随机抽取的另一物品的原始图像构建负样本对，能够大大降低模型训练成本，且训练出的特征提取网络仍然能够保持良好的性能。
上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。
本公开实施例提供的方法，通过直接对第一物品的原始图像变换，得到具有较高相关度的变换图像，并随机抽取出具有较低相关度的第二物品的原始图像，使得这样构建出的正样本对中图像间的相关度天然大于负样本对中图像间的相关度，通过上述正负样本对训练出的特征提取网络，能够保证图像内容相似的物品在特征空间仍然具有很高的相关度，从而使得利用该特征提取网络进行物品推荐时，不依赖于直接将用户与物品进行匹配的模式，降低了物品推荐过程的随机性，从而提升了物品推荐准确性和转化率。
图4是本公开实施例提供的一种物品推荐方法的流程图，请参考图4，该实施例应用于计算机设备，以计算机设备为服务器为例进行说明，在训练得到特征提取网络后，服务器可以利用该特征提取网络构建一个物品特征库，并投入到在线的物品推荐流程中，下面进行详述。
在步骤401中，服务器调用特征提取网络对物品图像库中的各个物品的原始图像进行特征提取，得到各个物品的图像特征。
其中，每个物品的原始图像用于表征每个物品的形态及外观等，能够对每个物品进行可视化地展示。
可选地，服务器中存储有物品图像库，该物品图像库用于存储平台所上架的所有物品的原始图像。在物品图像库中将各个物品的物品标识与各个物品的原始图像对应存储。在一些实施例中，每当商家在平台中上架新的物品时，服务器为新的物品分配物品标识，并将对应的原始图像存储到物品图像库中。
在一些实施例中，服务器从物品图像库中获取各个物品的原始图像，调用上述实施例训练得到的特征提取网络对各个物品的原始图像进行特征提取，得到各个物品的图像特征，每个物品的图像特征用于表示每个物品的原始图像的深层语义信息。
在一些实施例中，对物品图像库中每个物品的原始图像，服务器调用特征提取网络对该每个物品的原始图像进行加权处理，得到该每个物品的图像特征，该特征提取网络用于基于物品的原始图像提取物品的图像特征。
可选地，该特征提取网络包括深度神经网络(Deep Neural Networks，DNN)、卷积神经网络(Convolutional Neural Networks，CNN)、视觉几何组(Visual Geometry Group，VGG)等，本公开实施例不对特征提取网络的结构进行具体限定。
在一个示例性实施例中，以特征提取网络为深度神经网络为例进行说明，该深度神经网络包括至少一个隐藏层，服务器将物品图像库中每个物品的原始图像输入到该至少一个隐藏层中，每个隐藏层以上一个隐藏层的输出特征作为输入信号，对输入信号进行加权处理，并将加权后的特征输出到下一个隐藏层，其中，第一个隐藏层以该每个物品的原始图像作为输入信号，最后一个隐藏层的输出即为该每个物品的图像特征。
在上述过程中，通过深度神经网络来提取每个物品的图像特征，并将图像特征用于后续物品召回及推荐过程中，能够保证在内容上相似的物品在特征上仍然是相关度较高的，也即是说，深度神经网络能够保证同一类别的物品具有相关度较高的图像特征，例如两款不同的洗面奶之间具有相关度较高的图像特征，而洗面奶与护手霜之间具有相关度较低的图像特征。进一步地，深度神经网络具有良好的泛化性能，针对商家新上架的物品，仍然能够通过特征提取网络提取对应的图像特征，能够避免冷启动问题(指对新物品的推荐效果更差的问题)。
在一个示例性实施例中，以特征提取网络为卷积神经网络为例进行说明，该卷积神经网络包括至少一个卷积层，服务器将物品图像库中每个物品的原始图像输入到该至少一个卷积层中，每个卷积层以上一个卷积层的输出特征作为输入信号，对输入信号进行卷积操作，并将卷积后的特征输出到下一个卷积层，其中，第一个卷积层以该每个物品的原始图像作为输入信号，最后一个卷积层的输出即为该每个物品的图像特征。
在步骤402中，服务器基于各个物品的图像特征和各个物品的物品标识，构建物品特征库，在该物品特征库中各个物品的物品标识与各个物品的图像特征对应存储。
在一些实施例中，服务器将各个物品的物品标识与各个物品的图像特征进行对应存储，从而构建得到该物品特征库，例如，以物品标识为索引、以图像特征为索引内容，建立物品标识与图像特征之间的对应存储关系。可选地，该物品特征库基于键值对(Key-Value)的存储模式实现，或者，该物品特征库基于段页式的存储模式实现，本申请实施例不对物品特征库的存储模式进行具体限定。
在上述步骤401-402中，能够保证在一次离线训练完毕后，能够基于训练所得的特征提取网络，构建出一个能够反复使用的、完备的物品特征库，后续在线推荐时只需要中物品特征库中召回特征之间相关度高的物品进行物品推荐即可，能够大大缩短在线推荐的时延。
在步骤403中，服务器接收物品推荐请求，该物品推荐请求携带目标物品的物品标识，该目标物品为目标账号发生过互动行为的物品。
可选地，该互动行为包括点击行为、消费行为或者收藏行为中的至少一项。
在一些实施例中，终端响应于目标账号对任一物品触发的互动行为，确定该任一物品为目标物品，获取该目标物品的物品标识，将该目标物品的物品标识封装在物品推荐请求中，向服务器发送该物品推荐请求，服务器接收该物品推荐请求，解析得到该目标物品的物品标识。
在上述过程中，服务器能够基于终端的实时互动行为，及时更新对目标账号推荐的物品，使得物品推荐能够满足用户最新的购物需求，提高了物品推荐的时效性，提升了物品推荐的准确性。
在一些实施例中，终端在启动支持物品推荐服务的应用程序时，确定目标账号最近一次发生过历史互动行为的物品为目标物品，获取该目标物品的物品标识，将该目标物品的物品标识封装在物品推荐请求中，向服务器发送该物品推荐请求，服务器接收该物品推荐请求，解析得到该目标物品的物品标识。
在上述过程中，终端每当启动应用程序时，从服务器中拉取一次被推荐的物品，这样能够节约终端与服务器之间的通信开销，避免由于用户在使用应用程序时对物品的误操作等情况而推荐了不相关的物品，从而能够提升用户体验。
在步骤404中，服务器基于该目标物品的物品标识，从该物品特征库中查询得到该目标物品的图像特征。
在一些实施例中，服务器以该目标物品的物品标识为索引，从上述步骤402中构建的物品特征库中查询与该索引对应的索引内容，将该索引内容获取为该目标物品的图像特征。
在步骤405中，服务器基于该目标物品的图像特征，获取至少一个相似物品，该相似物品的图像特征与该目标物品的图像特征符合相似条件。
在一些实施例中，该相似条件包括：目标物品的图像特征与相似物品的图像特征之间的欧式距离小于第一距离阈值。基于上述相似条件，服务器获取该目标物品的图像特征与特征库中各个物品的图像特征之间的欧式距离，将欧氏距离小于该第一距离阈值的物品确定为相似物品。其中，该第一距离阈值为任一大于或等于0的数值。
在一些实施例中，该相似条件包括：目标物品的图像特征与相似物品的图像特征之间的欧式距离在基于欧式距离从小到大的排序中位于前第一目标位。基于上述相似条件，服务器获取该目标物品的图像特征与特征库中各个物品的图像特征之间的欧式距离，按照欧氏距离从小到大的顺序为各个物品进行排序，将排序位于前第一目标位的物品确定为相似物品。其中，前第一目标位为任一大于或等于0的整数，例如，前10位。
在一些实施例中，该相似条件包括：目标物品的图像特征与相似物品的图像特征之间的余弦距离大于第二距离阈值。基于上述相似条件，服务器获取该目标物品的图像特征与特征库中各个物品的图像特征之间的余弦距离，将余弦距离大于该第二距离阈值的物品确定为相似物品。其中，该第二距离阈值为任一大于或等于0的数值。
在一些实施例中，该相似条件包括：目标物品的图像特征与相似物品的图像特征之间的余弦距离在基于余弦距离从大到小的排序中位于前第二目标位。基于上述相似条件，服务器获取该目标物品的图像特征与特征库中各个物品的图像特征之间的余弦距离，按照余弦距离从大到小的顺序为各个物品进行排序，将排序位于前第二目标位的物品确定为相似物品。其中，前第二目标位为任一大于或等于0的整数，例如，前10位。
在上述过程中，终端在发出物品推荐请求后，服务器基于该物品推荐请求中携带的目标物品的物品标识，从特征库中查询得到目标物品的图像特征，基于该目标物品的图像特征，接着从该物品特征库中查询符合相似条件的各个相似物品。
在上述过程中，无需实时计算各个物品的图像特征，而是通过预先构建物品特征库，并且在物品上架的在线阶段中实时更新特征库，使得在物品推荐时能够基于最新的物品特征库来检索相似物品，保证在检索时不会漏掉新上架的物品，从而避免了推荐系统常见的冷启动问题。此外，由于深度神经网络的计算消耗较大，相较于实时计算各个物品的图像特征的情况，能够更好地满足物品推荐的实时性要求。
在步骤406中，服务器基于该至少一个相似物品，向该目标账号进行物品推荐。
在一些实施例中，服务器将筛选出的所有的相似物品推荐至目标账号，能够简化物品推荐的流程。
在另一些实施例中，服务器从该至少一个相似物品中随机确定目标数量的相似物品推荐至目标账号，能够保证每次推荐物品时数量保持一致，便于目标账号所对应终端的页面布局，其中，该目标数量小于相似物品的数量。
在一些实施例中，服务器获取该至少一个相似物品与目标物品之间的相似度，按照相似度从大到小的顺序对各个相似物品进行排序，将排序位于前第三目标位的相似物品推荐至目标账号，能够进一步提升物品推荐的准确度。
可选地，该相似度用于表示相似物品的图像特征与目标物品的图像特征之间的相似程度，或者，该相似度用于表示相似物品的物品名称与目标物品的物品名称之间的相似程度，或者，该相似度用于表示相似物品的物品类别与目标物品的物品类别之间的相似程度。
在一些实施例中，服务器确定目标物品的物品类别，以及各个相似物品的物品类别，将与该目标物品的物品类别相同的相似物品推荐至目标账号，能够进一步保证推荐的物品与目标物品之间的类别高度重叠。
在一些实施例中，由于物品推荐时还可以基于多路召回的方式进行推荐，因此本公开实施例提供的召回相似物品的方式，可作为推荐系统的多路召回方式中的一种，服务器可以结合其他类型的召回方式，综合分析出与目标账号的匹配程度最高的物品，并向目标账号进行物品推荐。而本公开实施例提供的召回相似物品的方式，能够很好地弥补其他召回方式中物品之间相似度不足的缺陷，从而整体提高物品推荐的准确度。
在一个示例性场景中，该互动行为为消费行为，终端将用户最新消费过的物品作为目标物品，向终端发送物品推荐请求，该物品推荐请求携带该目标物品的物品标识，使得服务器能够向终端推荐与该目标物品在原始图像上更加相似的物品，比如，用户最新的历史订单购买了一款洗面奶，则服务器倾向于向用户推荐一款类似的其他洗面奶，或者，向用户推荐一款其他的护肤品(而不是衣服、鞋子等其他品类的物品)。
上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。
本公开实施例提供的方法，通过基于与目标账号发生过互动行为的物品的图像特征，从物品特征库中查询得到相似物品，能够倾向于向目标账号推荐该相似物品，这种推荐方式不依赖于直接将用户与物品进行匹配的模式，降低了物品推荐时的随机性，提升了物品推荐准确性和转化率。
进一步地，若特征提取网络为深度神经网络，那么在获取不同物品的图像特征的相似度时，这种基于相似度的排序会更加准确，使得物品类别相似的物品之间通常具有更高的相似度，从而很好地提升用户体验。并且，针对新物品来说，只需要输入到深度神经网络中提取出图像特征，并添加到物品特征库中即可，新物品的图像特征与已有物品的图像特征之间完全平等，不存在收敛与否的问题，因此不会出现冷启动问题。
需要说明的是，上述两个实施例分别从特征提取网络的离线训练阶段和在线部署阶段进行说明。在线部署阶段主要是基于终端的物品推荐请求，向终端返回基于图像特征检索出的相似物品，并且当商家上架新的物品时，即时将新的物品的图像特征添加到物品特征库中。而离线部署阶段则主要是训练一个更加贴近于物品推荐业务场景的神经网络(即特征提取网络)，首先，通过收集已有物品的原始图像，即可准备好业务中可能出现的各个物品的原始图像，需要说明的是，未来上架的物品则可以在上架时刷入；然后，使用初始神经网络，在此数据集所构建的正负样本对上进行自监督训练，得到一个特征提取网络；最后，利用特征提取网络对各个物品的原始图像提取图像特征，即可构建一个完备的物品特征库，物品特征库可以投入到在线部署阶段中使用。可选地，离线过程只需要执行一次，这是由于初始神经网络具有良好的泛化性。
图5是根据一示例性实施例示出的一种物品图像的处理装置的逻辑结构框图。参照图5，该装置包括变换单元501、获取单元502、构建单元503以及训练单元504。
变换单元501，被配置为执行对第一物品的原始图像进行变换，得到多个变换图像；
获取单元502，被配置为执行从物品图像库中获取第二物品的原始图像；
构建单元503，被配置为执行基于该第一物品的原始图像、该多个变换图像和该第二物品的原始图像，分别构建该第一物品的正样本对和负样本对，该正样本对中图像间的相关度大于该负样本对中图像间的相关度；
训练单元504，被配置为执行基于该正样本对和该负样本对，对初始神经网络进行训练，得到特征提取网络，该特征提取网络用于提取物品的图像特征。
本公开实施例提供的装置，通过直接对第一物品的原始图像变换，得到具有较高相关度的变换图像，并随机抽取出具有较低相关度的第二物品的原始图像，使得这样构建出的正样本对中图像间的相关度天然大于负样本对中图像间的相关度，通过上述正负样本对训练出的特征提取网络，能够保证图像内容相似的物品在特征空间仍然具有很高的相关度，从而使得利用该特征提取网络进行物品推荐时，不依赖于直接将用户与物品进行匹配的模式，降低了物品推荐过程的随机性，从而提升了物品推荐准确性和转化率。
在一种可能实施方式中，该构建单元503被配置为执行：
从该第一物品的原始图像和该多个变换图像所构成的集合中，随机选取两张图像，得到该正样本对；
从该集合中随机选取一个图像，将该随机选取的一个图像与该第二物品的原始图像获取为该负样本对。
在一种可能实施方式中，该正样本对包括该第一物品的原始图像和该多个变换图像中的任一变换图像；或者，该正样本对包括该多个变换图像中的任意两个变换图像。
在一种可能实施方式中，该负样本对包括该第一物品的原始图像和该第二物品的原始图像；或者，该负样本对包括该多个变换图像中的任一变换图像和该第二物品的原始图像。
在一种可能实施方式中，该训练单元504被配置为执行：
调用该初始神经网络，提取该正样本对中各个图像的图像特征和该负样本对中各个图像的图像特征；
基于该正样本对中各个图像的图像特征，获取该正样本对中各个图像之间的第一相关度；
基于该负样本对中各个图像的图像特征，获取该负样本对中各个图像之间的第二相关度；
基于该第一相关度和该第二相关度，确定损失函数值；
迭代执行获取图像特征并确定损失函数值的步骤，直到损失函数值符合停止条件时停止训练，得到该特征提取网络。
在一种可能实施方式中，该多个变换图像中的任一变换图像的获取方式包括下述至少一项：
截取该第一物品的原始图像的目标区域，得到该任一变换图像；
对该第一物品的原始图像进行左右翻转，得到该任一变换图像；
对该第一物品的原始图像进行灰度处理，得到该任一变换图像；
对该第一物品的原始图像进行色阶校正，得到该任一变换图像。
在一种可能实施方式中，基于图5的装置组成，该装置还包括提取构建单元，被配置为执行：
调用该特征提取网络对该物品图像库中的各个物品的原始图像进行特征提取，得到各个物品的图像特征；
基于各个物品的图像特征和各个物品的物品标识，构建物品特征库，该物品特征库中各个物品的物品标识与各个物品的图像特征对应存储。
在一种可能实施方式中，基于图5的装置组成，该装置还包括：
接收单元，被配置为执行接收物品推荐请求，该物品推荐请求携带目标物品的物品标识，该目标物品为目标账号发生过互动行为的物品；
查询单元，被配置为执行基于该目标物品的物品标识，从该物品特征库中查询得到该目标物品的图像特征；
该获取单元，还被配置为执行基于该目标物品的图像特征，获取至少一个相似物品，该相似物品的图像特征与该目标物品的图像特征符合相似条件；
推荐单元，被配置为执行基于该至少一个相似物品，向该目标账号进行物品推荐。
上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。
关于上述实施例中的装置，其中各个单元执行操作的具体方式已经在有关该物品图像的处理方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图6示出了本公开一个示例性实施例提供的一种计算机设备的结构框图。如图6所示，以计算机设备为终端600为例进行说明，该终端600可以是：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端600还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常，终端600包括有：处理器601和存储器602。
处理器601可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器601可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器601也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器601可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器601还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器602可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器602还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器602中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器601所执行以实现本公开中各个实施例提供的物品图像的处理方法。
在一些实施例中，终端600还可选包括有：外围设备接口603和至少一个外围设备。处理器601、存储器602和外围设备接口603之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口603相连。具体地，外围设备包括：射频电路604、触摸显示屏605、摄像头组件606、音频电路607、定位组件608和电源609中的至少一种。
外围设备接口603可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器601和存储器602。在一些实施例中，处理器601、存储器602和外围设备接口603被集成在同一芯片或电路板上；在一些其他实施例中，处理器601、存储器602和外围设备接口603中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路604用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路604通过电磁信号与通信网络以及其他通信设备进行通信。射频电路604将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路604包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路604可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路604还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本公开对此不加以限定。
显示屏605用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏605是触摸显示屏时，显示屏605还具有采集在显示屏605的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器601进行处理。此时，显示屏605还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏605可以为一个，设置终端600的前面板；在另一些实施例中，显示屏605可以为至少两个，分别设置在终端600的不同表面或呈折叠设计；在再一些实施例中，显示屏605可以是柔性显示屏，设置在终端600的弯曲表面上或折叠面上。甚至，显示屏605还可以设置成非矩形的不规则图形，也即异形屏。显示屏605可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件606用于采集图像或视频。可选地，摄像头组件606包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件606还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路607可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器601进行处理，或者输入至射频电路604以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端600的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器601或射频电路604的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路607还可以包括耳机插孔。
定位组件608用于定位终端600的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件608可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源609用于为终端600中的各个组件进行供电。电源609可以是交流电、直流电、一次性电池或可充电电池。当电源609包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中，终端600还包括有一个或多个传感器610。该一个或多个传感器610包括但不限于：加速度传感器611、陀螺仪传感器612、压力传感器613、指纹传感器614、光学传感器615以及接近传感器616。
加速度传感器611可以检测以终端600建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器611可以用于检测重力加速度在三个坐标轴上的分量。处理器601可以根据加速度传感器611采集的重力加速度信号，控制触摸显示屏605以横向视图或纵向视图进行用户界面的显示。加速度传感器611还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器612可以检测终端600的机体方向及转动角度，陀螺仪传感器612可以与加速度传感器611协同采集用户对终端600的3D动作。处理器601根据陀螺仪传感器612采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器613可以设置在终端600的侧边框和/或触摸显示屏605的下层。当压力传感器613设置在终端600的侧边框时，可以检测用户对终端600的握持信号，由处理器601根据压力传感器613采集的握持信号进行左右手识别或快捷操作。当压力传感器613设置在触摸显示屏605的下层时，由处理器601根据用户对触摸显示屏605的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器614用于采集用户的指纹，由处理器601根据指纹传感器614采集到的指纹识别用户的身份，或者，由指纹传感器614根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器601授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器614可以被设置终端600的正面、背面或侧面。当终端600上设置有物理按键或厂商Logo时，指纹传感器614可以与物理按键或厂商Logo集成在一起。
光学传感器615用于采集环境光强度。在一个实施例中，处理器601可以根据光学传感器615采集的环境光强度，控制触摸显示屏605的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏605的显示亮度；当环境光强度较低时，调低触摸显示屏605的显示亮度。在另一个实施例中，处理器601还可以根据光学传感器615采集的环境光强度，动态调整摄像头组件606的拍摄参数。
接近传感器616，也称距离传感器，通常设置在终端600的前面板。接近传感器616用于采集用户与终端600的正面之间的距离。在一个实施例中，当接近传感器616检测到用户与终端600的正面之间的距离逐渐变小时，由处理器601控制触摸显示屏605从亮屏状态切换为息屏状态；当接近传感器616检测到用户与终端600的正面之间的距离逐渐变大时，由处理器601控制触摸显示屏605从息屏状态切换为亮屏状态。
本领域技术人员可以理解，图6中示出的结构并不构成对终端600的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
图7是本公开实施例提供的一种计算机设备的结构示意图，该计算机设备700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(CentralProcessing Units，CPU)701和一个或一个以上的存储器702，其中，该存储器702中存储有至少一条程序代码，该至少一条程序代码由该处理器701加载并执行以实现上述各个实施例提供的物品图像的处理方法。当然，该计算机设备700还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该计算机设备700还可以包括其他用于实现设备功能的部件，在此不做赘述。
在示例性实施例中，还提供了一种包括至少一条指令的存储介质，例如包括至少一条指令的存储器，上述至少一条指令可由计算机设备中的处理器执行以完成上述实施例中的物品图像的处理方法。可选地，上述存储介质可以是非临时性计算机可读存储介质，例如，该非临时性计算机可读存储介质可以包括ROM(Read-Only Memory，只读存储器)、RAM(Random-Access Memory，随机存取存储器)、CD-ROM(Compact Disc Read-Only Memory，只读光盘)、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序产品，包括一条或多条指令，该一条或多条指令可以由计算机设备的处理器执行，以完成上述各个实施例提供的物品图像的处理方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种物品图像的处理方法，其特征在于，包括：
对第一物品的原始图像进行变换，得到多个变换图像；
从物品图像库中获取第二物品的原始图像；
基于所述第一物品的原始图像、所述多个变换图像和所述第二物品的原始图像，分别构建所述第一物品的正样本对和负样本对，所述正样本对中图像间的相关度大于所述负样本对中图像间的相关度；
基于所述正样本对和所述负样本对，对初始神经网络进行训练，得到特征提取网络，所述特征提取网络用于提取物品的图像特征。
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一物品的原始图像、所述多个变换图像和所述第二物品的原始图像，分别构建所述第一物品的正样本对和负样本对包括：
从所述第一物品的原始图像和所述多个变换图像所构成的集合中，随机选取两张图像，得到所述正样本对；
从所述集合中随机选取一个图像，将所述随机选取的一个图像与所述第二物品的原始图像获取为所述负样本对。
3.根据权利要求2所述的方法，其特征在于，所述正样本对包括所述第一物品的原始图像和所述多个变换图像中的任一变换图像；或者，所述正样本对包括所述多个变换图像中的任意两个变换图像。
4.根据权利要求2所述的方法，其特征在于，所述负样本对包括所述第一物品的原始图像和所述第二物品的原始图像；或者，所述负样本对包括所述多个变换图像中的任一变换图像和所述第二物品的原始图像。
5.根据权利要求1所述的方法，其特征在于，所述基于所述正样本对和所述负样本对，对初始神经网络进行训练，得到特征提取网络包括：
调用所述初始神经网络，提取所述正样本对中各个图像的图像特征和所述负样本对中各个图像的图像特征；
基于所述正样本对中各个图像的图像特征，获取所述正样本对中各个图像之间的第一相关度；
基于所述负样本对中各个图像的图像特征，获取所述负样本对中各个图像之间的第二相关度；
基于所述第一相关度和所述第二相关度，确定损失函数值；
迭代执行获取图像特征并确定损失函数值的步骤，直到损失函数值符合停止条件时停止训练，得到所述特征提取网络。
6.根据权利要求1所述的方法，其特征在于，所述多个变换图像中的任一变换图像的获取方式包括下述至少一项：
截取所述第一物品的原始图像的目标区域，得到所述任一变换图像；
对所述第一物品的原始图像进行左右翻转，得到所述任一变换图像；
对所述第一物品的原始图像进行灰度处理，得到所述任一变换图像；
对所述第一物品的原始图像进行色阶校正，得到所述任一变换图像。
7.一种物品图像的处理装置，其特征在于，包括：
变换单元，被配置为执行对第一物品的原始图像进行变换，得到多个变换图像；
获取单元，被配置为执行从物品图像库中获取第二物品的原始图像；
构建单元，被配置为执行基于所述第一物品的原始图像、所述多个变换图像和所述第二物品的原始图像，分别构建所述第一物品的正样本对和负样本对，所述正样本对中图像间的相关度大于所述负样本对中图像间的相关度；
训练单元，被配置为执行基于所述正样本对和所述负样本对，对初始神经网络进行训练，得到特征提取网络，所述特征提取网络用于提取物品的图像特征。
8.一种计算机设备，其特征在于，包括：
一个或多个处理器；
用于存储所述一个或多个处理器可执行指令的一个或多个存储器；
其中，所述一个或多个处理器被配置为执行所述指令，以实现如权利要求1至权利要求6中任一项所述的物品图像的处理方法。
9.一种存储介质，其特征在于，当所述存储介质中的至少一条指令由计算机设备的一个或多个处理器执行时，使得计算机设备能够执行如权利要求1至权利要求6中任一项所述的物品图像的处理方法。
10.一种计算机程序产品，其特征在于，包括一条或多条指令，所述一条或多条指令由计算机设备的一个或多个处理器执行，使得计算机设备能够执行如权利要求1至权利要求6中任一项所述的物品图像的处理方法。
CN202110125988.4A 2021-01-29 2021-01-29 物品图像的处理方法、装置、计算机设备及存储介质 Pending CN112766406A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110125988.4A CN112766406A (zh) 2021-01-29 2021-01-29 物品图像的处理方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110125988.4A CN112766406A (zh) 2021-01-29 2021-01-29 物品图像的处理方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN112766406A true CN112766406A (zh) 2021-05-07

Family

ID=75703662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110125988.4A Pending CN112766406A (zh) 2021-01-29 2021-01-29 物品图像的处理方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN112766406A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114463549A (zh) * 2021-12-29 2022-05-10 广州极飞科技股份有限公司 特征提取网络模型的训练方法、图像处理方法及其装置
WO2023000872A1 (zh) * 2021-07-22 2023-01-26 腾讯科技（深圳）有限公司 图像特征的监督学习方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108829764A (zh) * 2018-05-28 2018-11-16 腾讯科技（深圳）有限公司 推荐信息获取方法、装置、系统、服务器及存储介质
CN110413812A (zh) * 2019-08-06 2019-11-05 北京字节跳动网络技术有限公司 神经网络模型的训练方法、装置、电子设备及存储介质
CN110532413A (zh) * 2019-07-22 2019-12-03 平安科技（深圳）有限公司 基于图片匹配的信息检索方法、装置、计算机设备
CN111124902A (zh) * 2019-12-12 2020-05-08 腾讯科技（深圳）有限公司 对象操作方法和装置、计算机可读的存储介质及电子装置
CN111259222A (zh) * 2020-01-22 2020-06-09 北京百度网讯科技有限公司 物品推荐方法、系统、电子设备及存储介质
CN111368934A (zh) * 2020-03-17 2020-07-03 腾讯科技（深圳）有限公司 图像识别模型训练方法、图像识别方法以及相关装置
CN111738316A (zh) * 2020-06-10 2020-10-02 北京字节跳动网络技术有限公司 零样本学习的图像分类方法、装置及电子设备
CN111753114A (zh) * 2020-06-04 2020-10-09 北京字节跳动网络技术有限公司 图像预标注方法、装置及电子设备
CN111950728A (zh) * 2020-08-17 2020-11-17 珠海格力电器股份有限公司 图像特征提取模型的构建方法、图像检索方法及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108829764A (zh) * 2018-05-28 2018-11-16 腾讯科技（深圳）有限公司 推荐信息获取方法、装置、系统、服务器及存储介质
CN110532413A (zh) * 2019-07-22 2019-12-03 平安科技（深圳）有限公司 基于图片匹配的信息检索方法、装置、计算机设备
CN110413812A (zh) * 2019-08-06 2019-11-05 北京字节跳动网络技术有限公司 神经网络模型的训练方法、装置、电子设备及存储介质
CN111124902A (zh) * 2019-12-12 2020-05-08 腾讯科技（深圳）有限公司 对象操作方法和装置、计算机可读的存储介质及电子装置
CN111259222A (zh) * 2020-01-22 2020-06-09 北京百度网讯科技有限公司 物品推荐方法、系统、电子设备及存储介质
CN111368934A (zh) * 2020-03-17 2020-07-03 腾讯科技（深圳）有限公司 图像识别模型训练方法、图像识别方法以及相关装置
CN111753114A (zh) * 2020-06-04 2020-10-09 北京字节跳动网络技术有限公司 图像预标注方法、装置及电子设备
CN111738316A (zh) * 2020-06-10 2020-10-02 北京字节跳动网络技术有限公司 零样本学习的图像分类方法、装置及电子设备
CN111950728A (zh) * 2020-08-17 2020-11-17 珠海格力电器股份有限公司 图像特征提取模型的构建方法、图像检索方法及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023000872A1 (zh) * 2021-07-22 2023-01-26 腾讯科技（深圳）有限公司 图像特征的监督学习方法、装置、设备及存储介质
CN114463549A (zh) * 2021-12-29 2022-05-10 广州极飞科技股份有限公司 特征提取网络模型的训练方法、图像处理方法及其装置

Similar Documents

Publication Publication Date Title
CN111652678B (zh) 物品信息显示方法、装置、终端、服务器及可读存储介质
CN111476306B (zh) 基于人工智能的物体检测方法、装置、设备及存储介质
CN110210571B (zh) 图像识别方法、装置、计算机设备及计算机可读存储介质
CN111506758B (zh) 物品名称确定方法、装置、计算机设备及存储介质
CN111970523B (zh) 信息显示方法、装置、终端、服务器及存储介质
CN109784351B (zh) 行为数据分类方法、分类模型训练方法及装置
CN111737573A (zh) 资源推荐方法、装置、设备及存储介质
CN111491187B (zh) 视频的推荐方法、装置、设备及存储介质
CN111368116B (zh) 图像分类方法、装置、计算机设备及存储介质
CN111897996A (zh) 话题标签推荐方法、装置、设备及存储介质
CN111984803B (zh) 多媒体资源处理方法、装置、计算机设备及存储介质
CN111581958A (zh) 对话状态确定方法、装置、计算机设备及存储介质
CN111291200A (zh) 多媒体资源展示方法、装置、计算机设备及存储介质
CN113205183A (zh) 物品推荐网络训练方法、装置、电子设备及存储介质
CN111031391A (zh) 视频配乐方法、装置、服务器、终端及存储介质
CN113269612A (zh) 物品推荐方法、装置、电子设备及存储介质
CN112766406A (zh) 物品图像的处理方法、装置、计算机设备及存储介质
CN113918767A (zh) 视频片段定位方法、装置、设备及存储介质
CN110622218A (zh) 一种图像显示方法、装置、存储介质和终端
CN112000264B (zh) 菜品信息展示方法、装置、计算机设备及存储介质
CN113886609A (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
CN113469779A (zh) 信息显示方法及装置
CN111754272A (zh) 广告推荐方法、推荐广告显示方法、装置及设备
CN113987326B (zh) 资源推荐方法、装置、计算机设备及介质
CN111563201A (zh) 内容推送方法、装置、服务器及存储介质

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