CN112784086A - 图片筛选方法和装置、存储介质和电子设备 - Google Patents
图片筛选方法和装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN112784086A CN112784086A CN202110118698.7A CN202110118698A CN112784086A CN 112784086 A CN112784086 A CN 112784086A CN 202110118698 A CN202110118698 A CN 202110118698A CN 112784086 A CN112784086 A CN 112784086A
- Authority
- CN
- China
- Prior art keywords
- picture
- neighbor
- pictures
- similarity
- reference picture
- 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
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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种图片筛选方法和装置、存储介质和电子设备,所述方法包括:在图片集合中确定基准图片的邻居图片集合;针对集合外图片,确定该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,所述集合外图片是该邻居图片集合以外的图片;根据该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,以及该基准图片与该邻居图片集合中的每一图片之间的余弦相似度,确定该集合外图片与该基准图片之间的杰卡德相似度;根据所述杰卡德相似度,确定是否将该集合外图片加入所述基准图片的邻居图片集合,得到所述基准图片的最终的邻居图片集合;从所述图片集合中剔除所述最终的邻居图片集合以外的图片。本公开可以提升图像筛选的准确性。
Description
技术领域
本公开涉及图片处理领域,具体地,涉及一种图片筛选方法和装置、存储介质和电子设备。
背景技术
在进行图片检索的时候,检索得到的图片中可能存在很多无关的图片,使得人们获取图片的效率降低,无法从大量的图片中获得自己需要的图片。目前,可以通过将检索得到的图片按照与检索条件的关联性进行排序展示的方式,提升人们获取图片的效率,减少无关图片的展示,但是,这种方法仍旧无法解决检索得到的图片中存在大量无关图片的问题。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种图片筛选方法,包括:在图片集合中确定基准图片的邻居图片集合;针对集合外图片,确定该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,所述集合外图片是该邻居图片集合以外的图片;根据该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,以及该基准图片与该邻居图片集合中的每一图片之间的余弦相似度,确定该集合外图片与该基准图片之间的杰卡德相似度;根据所述杰卡德相似度,确定是否将该集合外图片加入所述基准图片的邻居图片集合,得到所述基准图片的最终的邻居图片集合;从所述图片集合中剔除所述最终的邻居图片集合以外的图片。
第二方面,本公开提供一种图片筛选装置,包括:图片聚类模块,用于在图片集合中确定基准图片的邻居图片集合;第一确定模块,用于针对集合外图片,确定该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,所述集合外图片是该邻居图片集合以外的图片;第二确定模块,用于根据该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,以及该基准图片与该邻居图片集合中的每一图片之间的余弦相似度,确定该集合外图片与该基准图片之间的杰卡德相似度;集合确定模块,用于根据所述杰卡德相似度,确定是否将该集合外图片加入所述基准图片的邻居图片集合,得到所述基准图片的最终的邻居图片集合;图片筛选模块,用于从所述图片集合中剔除所述最终的邻居图片集合以外的图片。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面,本公开提供一种电子设备,包括存储装置和处理装置,存储装置上存储有计算机程序的,处理装置用于执行所述计算机程序,以实现本公开第一方面所述方法的步骤。
通过上述的技术方案,至少可以达到以下的技术效果:
通过计算图片与基准图片的邻居图片集合的杰卡德相似度的方式对图片集合进行图片筛除,从而排除图片集合中与基准图片无关的图片,由于该杰卡德相似度的计算是基于余弦相似度进行的,使得图片与基准图片的相似度计算更加准确,减少了将相关图片误筛除或者将无关图片漏筛除的可能性,提升了图像的筛除的准确度和图像的筛除效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据一示例性公开实施例示出的一种图片筛选方法的流程图。
图2是根据一示例性公开实施例示出的一种图片筛选流程的示意图。
图3是根据一示例性公开实施例示出的一种图片筛选装置的框图。
图4是根据一示例性公开实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开的方法可以应用于终端或服务器中,终端可以包括如手机、平板电脑、学习机、穿戴设备等,本公开对此不做限定。在一种可能的实施方式中,终端可以是具有通讯功能的终端,可以从其他终端或服务器种获取本公开中提及的图片集合。
图1是根据一示例性公开实施例示出的一种图片筛选方法的流程图,如图1所示,所述方法包括以下步骤:
S11、在图片集合中确定基准图片的邻居图片集合。
该图片集合可以是通过用户输入的检索条件(如关键词、内容类型、色调、日期等)检索得到的图片的集合,也可以是数据库中已存的图片集合,还可以是用户输入的待筛选图片集合,或者其他需要进行图像筛选的场景下的待筛选的图片的集合。
在一种可能的实施方式中,可以获取搜索引擎基于搜索信息召回的图片集合;将所述图片集合中与该搜索信息相关性最大的至少一张图片作为所述基准图片。
基准图片可以是用户指定的一张或多张图片,或者是与检索条件的匹配程度较高的一张或多张图片,该与检索条件的匹配程度可以指图片的信息(例如,图片的源网页文案内容,图片的源网页类型,图片的标签,图片的生成日期等)与检索条件的匹配程度,当检索条件为关键词时,还可以通过图片识别模型识别出图片中的物体类型,并通过物体类型和关键词的匹配程度确定一张或多张基准图片;或者,可以通过图像聚类的方式确定多个图像子集合的中心点的图片为基准图片,各子集合为该基准图片对应的邻居图片集合。
图片可以通过卷积得到特征向量,通过对各图片的特征向量进行聚类,可以得到多个图片子集合,其中,在以基准图片为中心进行聚类的情况下得到的图片子集合为该基准图片的邻居图片集合。或者,可以在不指定基准图片的情况下进行图像特征聚类,并将聚类得到的类簇中包含的图像数量较多的类簇的中心点对应的图片作为基准图片。
聚类方法可以通过DBSCAN(Density-Based Spatial Clustering ofApplications with Noise,基于密度的聚类算法)实现,还可以通过例如K-means的其他聚类方法实现,可以基于样本点中的密度,将密度足够高的区域划分为簇,找到样本点中聚集的集合,并将不属于任何簇的点作为噪声标记。
在一种可能的实施方式中,可以根据预设的邻居半径以及预设的最小图片数量对所述图片集合中的图片进行聚类,得到多个类簇,其中每一类簇的邻居半径相同,且每一类簇中的图片数量大于或等于所述最小图片数量,确定包含的图片数量大于预设数量阈值的目标类簇,将所述目标类簇中的中心向量对应的图片作为所述基准图片,并将所述目标类簇对应的图片集合作为所述基准图片的邻居图片集合。其中,所述预设数量阈值大于所述最小图片数量。
类簇的密度越高,代表该类簇内的图片为特征相似的图片,且数量较多,图片的内容高相关。
S12、针对集合外图片,确定该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度。
其中,所述集合外图片是该邻居图片集合以外的图片。邻居图片集合为与基准图片的图像特征的相似度较高的图片的集合,而邻居图片集合以外可能存在与基准图片或与基准图片的邻居图片的图像内容相似度较高但图像特征向量的相似度不高的图片,因此,可以通过确定邻居图片集合以外的图片与邻居图片集合中每一图片的余弦相似度的方式,确定其他图片是否与该邻居图片集合中的图片内容相似。
在一种可能的实施方式中,在针对集合外图片,确定改集合外图片于邻居图片集合中的每一图片之间的余弦相似度之前,还可以从所述图片集合中确定该集合外图片的邻居图片集合,并确定该集合外图片的邻居图片集合中包括所述基准图片。
也就是说,可以在一张图片的邻居图片集合中包括了任意的基准图片的情况下,求该图片与该基准图片的邻居集合中的每一图片的余弦相似度,这样,与基准图片的差异过大的图片可以不参与余弦相似度的计算,与多张基准图片中的一张相似的图片可以不参与其他基准图片的相似度计算,从而可以减少需要进行余弦相似度计算的图片的数量,从而节约计算资源。
S13、根据该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,以及该基准图片与该邻居图片集合中的每一图片之间的余弦相似度,确定该集合外图片与该基准图片之间的杰卡德相似度。
在一种可能的实施方式中,对该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,和该基准图片与该邻居图片集合中的每一图片之间的余弦相似度之间的差异程度进行量化处理,根据量化处理后的差异程度,计算该集合外图片与该基准图片之间的杰卡德相似度,其中,所述杰卡德相似度的大小与所述差异程度的大小反相关。
考虑到直接用通过该待计算相似度的图片的邻居图片集合与基准图片的邻居图片集合中的相同图片的数量来计算杰卡德相似度的情况下,基准图片集合中的所有图片均被等同地进行处理,未被赋予不同的权重,但是实际的情况下,在一个邻居图片集合中的图片与基准图片之间的相似度有高有低,这导致了通过邻居图片集合的交集来确定杰卡德相似度的方式不够准确,例如,与基准图片的邻居图片集合中的大量边缘图片相似的图片的杰卡德相似度可能高于与基准图片的邻居图片集合中的少量核心图片相似的图片的杰卡德相似度。
因此,可以通过余弦相似度对各图片的权重进行设置,在计算杰卡德相似度时,由于与基准图片的相似度较高的邻居图片的余弦相似度更高,因此可以通过余弦相似度为该图片赋予更高的权重,反之亦然,而待计算杰卡德相似度的图片与权重较高的邻居图片的余弦相似度高的情况下,该图片与基准图片的邻居图片集合的杰卡德相似度也较高,该图片与权重较低的邻居图片的余弦相似度高的情况下,该图片与基准图片的邻居图片集合的杰卡德相似度可能较低。
在一种可能的实施方式中,可以通过以下公式进行量化处理:
W为对所述差异程度进行量化处理后的值,其中,为图片p与邻居图片集合中的图片gj的余弦相似度,为邻居图片集合中的图片gj与该邻居图片集合的基准图片gi的余弦相似度,N为邻居图片集合中的图片总数,j为邻居图片集合中的任意一个图片。
通过以下公式确定所述杰卡德相似度:
dJ(p,g)=1-W
其中,dJ(p,g)为图片p相对邻居图片集合g的杰卡德相似度。为图片图片p与图片gi的余弦相似度可以通过以下公式计算得到:
在一种可能的实施方式中,在基准图片不属于待计算杰卡德相似度的图片的邻居图片集合的情况下,该余弦相似度可以确定为0,以减少计算资源的消耗。即,该图片p与图片gi的余弦相似度可以通过以下公式计算得到:
其中,R(p,k)为图片p的邻居图片集合。
S14、根据所述杰卡德相似度,确定是否将该集合外图片加入所述基准图片的邻居图片集合,得到所述基准图片的最终的邻居图片集合。
可以通过杰卡德相似度是否超过阈值来判断是否将该图片加入基准图片的邻居图片集合,也可以对杰卡德相似度进行变形处理后判断是否将该图片加入基准图片集合,例如,可以结合余弦相似度和杰卡德相似度来判断图片是否与基准图片相似。
在一种可能的实施方式中,根据所述杰卡德相似度以及所述基准图片与该图片之间的余弦相似度,计算得到该基准图片与该图片的目标相似度,在所述目标相似度大于预设阈值的情况下,将该图片加入所述基准图片的邻居图片集合。
其中,可以根据不同的场景需求,为杰卡德相似度和余弦相似度分别赋予不同的权重,例如,当检索的目的为精确检索的情况下,可以提高余弦相似度的权重,当检索的目的为获取更多相似结果的情况下,可以提高杰卡德相似度的权重,在本公开中,可以将杰卡德相似度和余弦相似度的权重值均设置为0.5,即,最终的目标相似度为杰卡德相似度的0.5倍和余弦相似度的0.5倍之和。
S15、从所述图片集合中剔除所述最终的邻居图片集合以外的图片。
基准图片的最终的邻居图片集合以外的图片与基准图片的相关度较低,可以作为干扰图片或噪声图片进行筛除,筛除后得到的图片为与基准图片相似的图片。在存在多张基准图片的情况下,可以将各基准图片的邻居图片集合进行合并,并剔除该合并后的集合以外的图片,从而得到与各基准图片相似的图片的集合。
在一种可能的实施方式中,可以从所述图片集合中剔除各所述基准图片的最终的邻居图片集合以外的图片,合并各所述基准图片的最终的邻居图片集合,得到合并后的图片集合,将合并后的图片集合中的每一张图片作为搜索结果进行展示。
在展示图片时,可以根据图片与基准图片的杰卡德相似度、余弦相似度、杰卡德相似度中的任意一者对图片进行排序,在图片检索的场景下,还可以根据各图片与检索条件的相关度进行排序。
图2所示的是一种可能的图片检索流程的示意图,如图2所示,可以基于用户输入的关键词在互联网中检索图片,将相关度较高的一张或多张图片作为基准图片,并聚类得到基准图片的邻居图片集合,对集合之外的图像,计算该图像与基准图片的邻居图片集合的杰卡德相似度,并计算该图像与基准图片的余弦相似度,通过杰卡德相似度和余弦相似度确定是否将该图像加入该基准图片的邻居图片集合;在确定了所有基准图片的邻居图片集合后,将各基准图片的邻居图片集合合并,并将合并后的集合作为最终的检索结果进行展示,将合并后的集合以外的图像剔除;在展示时,还可以将属于同一基准图片的邻居图片集合中的图片进行分组展示,以提升用户对图片信息的获取效率。
通过上述的技术方案,至少可以达到以下的技术效果:
通过计算图片与基准图片的邻居图片集合的杰卡德相似度的方式对图片集合进行图片筛除,从而排除图片集合中与基准图片无关的图片,由于该杰卡德相似度的计算是基于余弦相似度进行的,使得图片与基准图片的相似度计算更加准确,减少了将相关图片误筛除或者将无关图片漏筛除的可能性,提升了图像的筛除的准确度和图像的筛除效率。
图3是根据一示例性公开实施例示出的一种图片筛选装置300的框图,如图3所示,装置300包括:
图片聚类模块310,用于在图片集合中确定基准图片的邻居图片集合。
第一确定模块320,用于针对集合外图片,确定该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,所述集合外图片是该邻居图片集合以外的图片。
第二确定模块330,用于根据该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,以及该基准图片与该邻居图片集合中的每一图片之间的余弦相似度,确定该集合外图片与该基准图片之间的杰卡德相似度。
集合确定模块340,用于根据所述杰卡德相似度,确定是否将该集合外图片加入所述基准图片的邻居图片集合,得到所述基准图片的最终的邻居图片集合。
图片筛选模块350,用于从所述图片集合中剔除所述最终的邻居图片集合以外的图片。
作为一种可能的实施方式,所述第一确定模块320,还用于从所述图片集合中确定该集合外图片的邻居图片集合,并确定该集合外图片的邻居图片集合中包括所述基准图片。
作为一种可能的实施方式,所述第二确定模块330,用于对该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,和该基准图片与该邻居图片集合中的每一图片之间的余弦相似度之间的差异程度进行量化处理;根据量化处理后的差异程度,计算该集合外图片与该基准图片之间的杰卡德相似度,其中,所述杰卡德相似度的大小与所述差异程度的大小反相关。
作为一种可能的实施方式,所述第二确定模块330,还用于通过以下公式进行量化处理:W为对所述差异程度进行量化处理后的值,所述根据量化处理后的差异程度,计算该集合外图片与该基准图片之间的杰卡德相似度,包括:通过如下公式确定所述杰卡德相似度:dJ(p,g)=1-W;其中,dJ(p,g)为图片p相对邻居图片集合g的杰卡德相似度。
作为一种可能的实施方式,所述集合确定模块340,用于根据所述杰卡德相似度以及所述基准图片与该图片之间的余弦相似度,计算得到该基准图片与该图片的目标相似度;在所述目标相似度大于预设阈值的情况下,将该图片加入所述基准图片的邻居图片集合。
作为一种可能的实施方式,所述装置还包括基准确定模块,用于根据预设的邻居半径以及预设的最小图片数量对所述图片集合中的图片进行聚类,得到多个类簇,其中每一类簇的邻居半径相同,且每一类簇中的图片数量大于或等于所述最小图片数量;确定包含的图片数量大于预设数量阈值的目标类簇,其中,所述预设数量阈值大于所述最小图片数量;将所述目标类簇中的中心向量对应的图片作为所述基准图片,并将所述目标类簇对应的图片集合作为所述基准图片的邻居图片集合。
作为一种可能的实施方式,所述图片聚类模块310,用于获取搜索引擎基于搜索信息召回的图片集合;将所述图片集合中与该搜索信息相关性最大的至少一张图片作为所述基准图片。
作为一种可能的实施方式,所述集合确定模块340,用于从所述图片集合中剔除各所述基准图片的最终的邻居图片集合以外的图片;合并各所述基准图片的最终的邻居图片集合,得到合并后的图片集合;将合并后的图片集合中的每一张图片作为搜索结果进行展示。
其中,各模块具体执行的步骤在方法部分实施例中已有详细阐述,在此不做赘述。
通过上述的技术方案,至少可以达到以下的技术效果:
通过计算图片与基准图片的邻居图片集合的杰卡德相似度的方式对图片集合进行图片筛除,从而排除图片集合中与基准图片无关的图片,由于该杰卡德相似度的计算是基于余弦相似度进行的,使得图片与基准图片的相似度计算更加准确,减少了将相关图片误筛除或者将无关图片漏筛除的可能性,提升了图像的筛除的准确度和图像的筛除效率。
下面参考图4,其示出了适于用来实现本公开实施例的电子设备400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,第一获取模块还可以被描述为“获取至少两个网际协议地址的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例1提供了一种图片筛选方法,所述方法包括:在图片集合中确定基准图片的邻居图片集合;针对集合外图片,确定该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,所述集合外图片是该邻居图片集合以外的图片;根据该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,以及该基准图片与该邻居图片集合中的每一图片之间的余弦相似度,确定该集合外图片与该基准图片之间的杰卡德相似度;根据所述杰卡德相似度,确定是否将该集合外图片加入所述基准图片的邻居图片集合,得到所述基准图片的最终的邻居图片集合;从所述图片集合中剔除所述最终的邻居图片集合以外的图片。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,在所述针对集合外图片,确定该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度之前,包括:从所述图片集合中确定该集合外图片的邻居图片集合;确定该集合外图片的邻居图片集合中包括所述基准图片。
根据本公开的一个或多个实施例,示例3提供了示例1的方法,所述根据该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,以及该基准图片与该邻居图片集合中的每一图片之间的余弦相似度,确定该集合外图片与该基准图片之间的杰卡德相似度,包括:对该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,和该基准图片与该邻居图片集合中的每一图片之间的余弦相似度之间的差异程度进行量化处理;根据量化处理后的差异程度,计算该集合外图片与该基准图片之间的杰卡德相似度,其中,所述杰卡德相似度的大小与所述差异程度的大小反相关。
根据本公开的一个或多个实施例,示例4提供了示例3的方法,所述对该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,和该基准图片与该邻居图片集合中的每一图片之间的余弦相似度之间的差异程度进行量化处理,包括:通过以下公式进行量化处理:W为对所述差异程度进行量化处理后的值,所述根据量化处理后的差异程度,计算该集合外图片与该基准图片之间的杰卡德相似度,包括:通过如下公式确定所述杰卡德相似度:dJ(p,g)=1-W;其中,dJ(p,g)为图片p相对邻居图片集合g的杰卡德相似度。
根据本公开的一个或多个实施例,示例5提供了示例1的方法,所述根据所述杰卡德相似度,确定是否将该图片加入所述基准图片的邻居图片集合,包括:根据所述杰卡德相似度以及所述基准图片与该图片之间的余弦相似度,计算得到该基准图片与该图片的目标相似度;在所述目标相似度大于预设阈值的情况下,将该图片加入所述基准图片的邻居图片集合。
根据本公开的一个或多个实施例,示例6提供了示例1-5的方法,所述在图片集合中确定基准图片的邻居图片集合包括:根据预设的邻居半径以及预设的最小图片数量对所述图片集合中的图片进行聚类,得到多个类簇,其中每一类簇的邻居半径相同,且每一类簇中的图片数量大于或等于所述最小图片数量;确定包含的图片数量大于预设数量阈值的目标类簇,其中,所述预设数量阈值大于所述最小图片数量;将所述目标类簇中的中心向量对应的图片作为所述基准图片,并将所述目标类簇对应的图片集合作为所述基准图片的邻居图片集合。
根据本公开的一个或多个实施例,示例7提供了示例1-5的方法,在所述在图片集合中确定基准图片的邻居图片集合之前,包括:获取搜索引擎基于搜索信息召回的图片集合;将所述图片集合中与该搜索信息相关性最大的至少一张图片作为所述基准图片。
根据本公开的一个或多个实施例,示例8提供了示例7的方法,所述基准图片为多张,相应地,所述从所述图片集合中剔除所述基准图片的最终的邻居图片集合以外的图片,包括:从所述图片集合中剔除各所述基准图片的最终的邻居图片集合以外的图片;合并各所述基准图片的最终的邻居图片集合,得到合并后的图片集合;将合并后的图片集合中的每一张图片作为搜索结果进行展示。
根据本公开的一个或多个实施例,示例9提供了一种图片筛选装置,所述装置包括:图片聚类模块,用于在图片集合中确定基准图片的邻居图片集合;第一确定模块,用于针对集合外图片,确定该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,所述集合外图片是该邻居图片集合以外的图片;第二确定模块,用于根据该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,以及该基准图片与该邻居图片集合中的每一图片之间的余弦相似度,确定该集合外图片与该基准图片之间的杰卡德相似度;集合确定模块,用于根据所述杰卡德相似度,确定是否将该集合外图片加入所述基准图片的邻居图片集合,得到所述基准图片的最终的邻居图片集合;图片筛选模块,用于从所述图片集合中剔除所述最终的邻居图片集合以外的图片。
根据本公开的一个或多个实施例,示例10提供了示例9的装置,所述第一确定模块,还用于从所述图片集合中确定该集合外图片的邻居图片集合,并确定该集合外图片的邻居图片集合中包括所述基准图片。
根据本公开的一个或多个实施例,示例11提供了示例9的装置,所述第二确定模块,用于对该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,和该基准图片与该邻居图片集合中的每一图片之间的余弦相似度之间的差异程度进行量化处理;根据量化处理后的差异程度,计算该集合外图片与该基准图片之间的杰卡德相似度,其中,所述杰卡德相似度的大小与所述差异程度的大小反相关。
根据本公开的一个或多个实施例,示例12提供了示例11的装置,所述第二确定模块,还用于通过以下公式进行量化处理:W为对所述差异程度进行量化处理后的值,所述根据量化处理后的差异程度,计算该集合外图片与该基准图片之间的杰卡德相似度,包括:通过如下公式确定所述杰卡德相似度:dJ(p,g)=1-W;其中,dJ(p,g)为图片p相对邻居图片集合g的杰卡德相似度。
根据本公开的一个或多个实施例,示例13提供了示例9的装置,所述集合确定模块,用于根据所述杰卡德相似度以及所述基准图片与该图片之间的余弦相似度,计算得到该基准图片与该图片的目标相似度;在所述目标相似度大于预设阈值的情况下,将该图片加入所述基准图片的邻居图片集合。
根据本公开的一个或多个实施例,示例14提供了示例9-13的装置,所述装置还包括基准确定模块,用于根据预设的邻居半径以及预设的最小图片数量对所述图片集合中的图片进行聚类,得到多个类簇,其中每一类簇的邻居半径相同,且每一类簇中的图片数量大于或等于所述最小图片数量;确定包含的图片数量大于预设数量阈值的目标类簇,其中,所述预设数量阈值大于所述最小图片数量;将所述目标类簇中的中心向量对应的图片作为所述基准图片,并将所述目标类簇对应的图片集合作为所述基准图片的邻居图片集合。
根据本公开的一个或多个实施例,示例15提供了示例9-13的装置,所述图片聚类模块,用于获取搜索引擎基于搜索信息召回的图片集合;将所述图片集合中与该搜索信息相关性最大的至少一张图片作为所述基准图片。
根据本公开的一个或多个实施例,示例14提供了示例15的装置,所述集合确定模块,用于从所述图片集合中剔除各所述基准图片的最终的邻居图片集合以外的图片;合并各所述基准图片的最终的邻居图片集合,得到合并后的图片集合;将合并后的图片集合中的每一张图片作为搜索结果进行展示。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该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。
Claims (11)
1.一种图片筛选方法,其特征在于,所述方法包括:
在图片集合中确定基准图片的邻居图片集合;
针对集合外图片,确定该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,所述集合外图片是该邻居图片集合以外的图片;
根据该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,以及该基准图片与该邻居图片集合中的每一图片之间的余弦相似度,确定该集合外图片与该基准图片之间的杰卡德相似度;
根据所述杰卡德相似度,确定是否将该集合外图片加入所述基准图片的邻居图片集合,得到所述基准图片的最终的邻居图片集合;
从所述图片集合中剔除所述最终的邻居图片集合以外的图片。
2.根据权利要求1所述的方法,其特征在于,在所述针对集合外图片,确定该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度之前,包括:
从所述图片集合中确定该集合外图片的邻居图片集合;
确定该集合外图片的邻居图片集合中包括所述基准图片。
3.根据权利要求1所述的方法,其特征在于,所述根据该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,以及该基准图片与该邻居图片集合中的每一图片之间的余弦相似度,确定该集合外图片与该基准图片之间的杰卡德相似度,包括:
对该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,和该基准图片与该邻居图片集合中的每一图片之间的余弦相似度之间的差异程度进行量化处理;
根据量化处理后的差异程度,计算该集合外图片与该基准图片之间的杰卡德相似度,其中,所述杰卡德相似度的大小与所述差异程度的大小反相关。
5.根据权利要求1所述的方法,其特征在于,所述根据所述杰卡德相似度,确定是否将该图片加入所述基准图片的邻居图片集合,包括:
根据所述杰卡德相似度以及所述基准图片与该图片之间的余弦相似度,计算得到该基准图片与该图片的目标相似度;
在所述目标相似度大于预设阈值的情况下,将该图片加入所述基准图片的邻居图片集合。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述在图片集合中确定基准图片的邻居图片集合包括:
根据预设的邻居半径以及预设的最小图片数量对所述图片集合中的图片进行聚类,得到多个类簇,其中每一类簇的邻居半径相同,且每一类簇中的图片数量大于或等于所述最小图片数量;
确定包含的图片数量大于预设数量阈值的目标类簇,其中,所述预设数量阈值大于所述最小图片数量;
将所述目标类簇中的中心向量对应的图片作为所述基准图片,并将所述目标类簇对应的图片集合作为所述基准图片的邻居图片集合。
7.根据权利要求1-5中任一项所述的方法,其特征在于,在所述在图片集合中确定基准图片的邻居图片集合之前,包括:
获取搜索引擎基于搜索信息召回的图片集合;
将所述图片集合中与该搜索信息相关性最大的至少一张图片作为所述基准图片。
8.根据权利要求7所述的方法,其特征在于,所述基准图片为多张,相应地,所述从所述图片集合中剔除所述基准图片的最终的邻居图片集合以外的图片,包括:
从所述图片集合中剔除各所述基准图片的最终的邻居图片集合以外的图片;
合并各所述基准图片的最终的邻居图片集合,得到合并后的图片集合;
将合并后的图片集合中的每一张图片作为搜索结果进行展示。
9.一种图片筛选装置,其特征在于,所述装置包括:
图片聚类模块,用于在图片集合中确定基准图片的邻居图片集合;
第一确定模块,用于针对集合外图片,确定该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,所述集合外图片是该邻居图片集合以外的图片;
第二确定模块,用于根据该集合外图片与该邻居图片集合中的每一图片之间的余弦相似度,以及该基准图片与该邻居图片集合中的每一图片之间的余弦相似度,确定该集合外图片与该基准图片之间的杰卡德相似度;
集合确定模块,用于根据所述杰卡德相似度,确定是否将该集合外图片加入所述基准图片的邻居图片集合,得到所述基准图片的最终的邻居图片集合;
图片筛选模块,用于从所述图片集合中剔除所述最终的邻居图片集合以外的图片。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-8中任一项所述方法的步骤。
11.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110118698.7A CN112784086A (zh) | 2021-01-28 | 2021-01-28 | 图片筛选方法和装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110118698.7A CN112784086A (zh) | 2021-01-28 | 2021-01-28 | 图片筛选方法和装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112784086A true CN112784086A (zh) | 2021-05-11 |
Family
ID=75759385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110118698.7A Pending CN112784086A (zh) | 2021-01-28 | 2021-01-28 | 图片筛选方法和装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784086A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6049797A (en) * | 1998-04-07 | 2000-04-11 | Lucent Technologies, Inc. | Method, apparatus and programmed medium for clustering databases with categorical attributes |
CN107506401A (zh) * | 2017-08-02 | 2017-12-22 | 大连理工大学 | 一种基于图方法的图像检索重排方法 |
CN109711399A (zh) * | 2018-11-05 | 2019-05-03 | 北京三快在线科技有限公司 | 基于图像的店铺识别方法、装置,电子设备 |
CN109934104A (zh) * | 2019-01-29 | 2019-06-25 | 武汉烽火众智数字技术有限责任公司 | 基于行人重识别的跨镜头的行人检索方法及系统 |
CN110377774A (zh) * | 2019-07-15 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 进行人物聚类的方法、装置、服务器和存储介质 |
CN110704659A (zh) * | 2019-09-30 | 2020-01-17 | 腾讯科技(深圳)有限公司 | 图像列表的排序方法和装置、存储介质及电子装置 |
CN111291829A (zh) * | 2020-03-03 | 2020-06-16 | 支付宝(杭州)信息技术有限公司 | 一种精选图片的自动确定方法和系统 |
KR20200131599A (ko) * | 2019-05-14 | 2020-11-24 | 주식회사 스누픽 | 사용자 맞춤형 스타일링 서비스 제공 서버 및 그 방법 |
CN112256899A (zh) * | 2020-09-23 | 2021-01-22 | 华为技术有限公司 | 图像重排序方法、相关设备及计算机可读存储介质 |
-
2021
- 2021-01-28 CN CN202110118698.7A patent/CN112784086A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6049797A (en) * | 1998-04-07 | 2000-04-11 | Lucent Technologies, Inc. | Method, apparatus and programmed medium for clustering databases with categorical attributes |
CN107506401A (zh) * | 2017-08-02 | 2017-12-22 | 大连理工大学 | 一种基于图方法的图像检索重排方法 |
CN109711399A (zh) * | 2018-11-05 | 2019-05-03 | 北京三快在线科技有限公司 | 基于图像的店铺识别方法、装置,电子设备 |
CN109934104A (zh) * | 2019-01-29 | 2019-06-25 | 武汉烽火众智数字技术有限责任公司 | 基于行人重识别的跨镜头的行人检索方法及系统 |
KR20200131599A (ko) * | 2019-05-14 | 2020-11-24 | 주식회사 스누픽 | 사용자 맞춤형 스타일링 서비스 제공 서버 및 그 방법 |
CN110377774A (zh) * | 2019-07-15 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 进行人物聚类的方法、装置、服务器和存储介质 |
CN110704659A (zh) * | 2019-09-30 | 2020-01-17 | 腾讯科技(深圳)有限公司 | 图像列表的排序方法和装置、存储介质及电子装置 |
CN111291829A (zh) * | 2020-03-03 | 2020-06-16 | 支付宝(杭州)信息技术有限公司 | 一种精选图片的自动确定方法和系统 |
CN112256899A (zh) * | 2020-09-23 | 2021-01-22 | 华为技术有限公司 | 图像重排序方法、相关设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298413B (zh) | 图像特征提取方法、装置、存储介质及电子设备 | |
CN110634047B (zh) | 一种推荐房源的方法、装置、电子设备及存储介质 | |
CN110826567B (zh) | 光学字符识别方法、装置、设备及存储介质 | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN112364829B (zh) | 一种人脸识别方法、装置、设备及存储介质 | |
CN112364860A (zh) | 字符识别模型的训练方法、装置和电子设备 | |
CN110991373A (zh) | 图像处理方法、装置、电子设备及介质 | |
CN114282581A (zh) | 基于数据增强的训练样本获取方法、装置和电子设备 | |
CN112766284B (zh) | 图像识别方法和装置、存储介质和电子设备 | |
CN114494709A (zh) | 特征提取模型的生成方法、图像特征提取方法和装置 | |
CN112241761B (zh) | 模型训练方法、装置和电子设备 | |
CN111797266B (zh) | 图像处理方法和装置、存储介质和电子设备 | |
CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
CN113051400B (zh) | 标注数据确定方法、装置、可读介质及电子设备 | |
CN115269978A (zh) | 一种视频标签生成方法、装置、设备及介质 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN114625876A (zh) | 作者特征模型的生成方法、作者信息处理方法和装置 | |
CN110413603B (zh) | 重复数据的确定方法、装置、电子设备及计算机存储介质 | |
CN112784086A (zh) | 图片筛选方法和装置、存储介质和电子设备 | |
CN113283115B (zh) | 图像模型生成方法、装置和电子设备 | |
CN113033579B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN113518132B (zh) | 网络地址的类别识别方法、装置、设备及存储介质 | |
CN112395447A (zh) | 基于图片的标签体系更新方法、装置、设备及存储介质 | |
CN114049591A (zh) | 获取视频素材的方法、装置、存储介质及电子设备 | |
CN114490816A (zh) | 数据聚合方法、装置、存储介质及电子设备 |
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 |