CN112860928A - 一种基于类别感知图神经网络的服饰检索方法 - Google Patents
一种基于类别感知图神经网络的服饰检索方法 Download PDFInfo
- Publication number
- CN112860928A CN112860928A CN202110170942.4A CN202110170942A CN112860928A CN 112860928 A CN112860928 A CN 112860928A CN 202110170942 A CN202110170942 A CN 202110170942A CN 112860928 A CN112860928 A CN 112860928A
- Authority
- CN
- China
- Prior art keywords
- network
- single product
- neural network
- method based
- retrieval method
- 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
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于类别感知图神经网络的服饰检索方法,所述方法包括以下步骤:提取视觉特征和标题文本特征;通过图卷积网络建立类别信息的交互,并将得到的类别特征与融合后的多模态特征进行结合,作为后续高阶关联性构建网络的输入特征;利用自动编码器网络进行单品的视觉特征和标题文本特征两个模态特征的融合;将经过上述阶段融合后的特征通过高阶关联性构建网络建立单品之间的高阶关联性并得到最终的兼容度分数;针对检索的单品计算得到该单品与数据库中其它单品的兼容度分数将兼容分数高的单品挑选作为检索结果。
Description
技术领域
本发明涉及多媒体环境下的时尚检索领域,尤其涉及一种以时尚兼容度为衡量指标的基于类别感知图神经网络的服饰检索方法。
背景技术
随着互联网和人工智能技术的不断创新发展,多媒体信息处理技术呈现蓬勃发展的态势。时尚购物网站和电商行业的兴起,以及时尚分析中相关数据集的公开,推动着多媒体时尚领域相关技术的探索和进步。日常生活中,人们对于线上时尚购物网站中相关搭配的挑选需求也不断的改变,每个人的时尚敏感度不同,但是对于一些特定场合需要进行符合时宜的穿搭,因此提供一个科学性的参考是非常有意义和价值的。
多模态数据是从不同的角度对单品进行描述,现存的算法中对于多模态信息的利用是不充分的,相关研究中,类别信息是作为普通的文本描述特征,并不能充分利用类别的语义信息,使得检索的精度较低,无法满足实际应用中的多种需要。
发明内容
本发明提供了一种以时尚兼容度为衡量指标的基于类别感知图神经网络的服饰检索方法,提高了检索精度,满足了实际应用中的需要,详见下文描述:
一种基于类别感知图神经网络的服饰检索方法,所述方法包括以下步骤:
提取视觉特征和标题文本特征;
通过图卷积网络建立类别信息的交互,并将得到的类别特征与融合后的多模态特征进行结合,作为后续高阶关联性构建网络的输入特征;
利用自动编码器网络进行单品的视觉特征和标题文本特征两个模态特征的融合;
将经过上述阶段融合后的特征通过高阶关联性构建网络建立单品之间的高阶关联性并得到最终的兼容度分数;
针对检索的单品计算得到该单品与数据库中其它单品的兼容度分数将兼容分数高的单品挑选作为检索结果。
其中,所述对标题文本特征的提取采用注意力机制和双向长短期记忆网络。
进一步地,所述自动编码器网络由内部编码器网络和外部编码器网络构成,
内部编码器损失函数:
外部编码器损失函数:
其中,所述高阶关联性构建网络的输入特征为:
E=[t1,...,tT,b1,...,bB],其中t1,...tT和b1,...,bB分别是上衣单品和下衣单品经过融合后的特征表示。
本发明提供的技术方案的有益效果是:
1、本发明采用自动编码器网络用于多模态特征的融合,保证多模态特征之间的一致性和完备性;
2、本发明加入了高层语义的类别交互信息完善对单品的特征表示;
3、本发明基于单品高阶关联性构建,通过图神经网络建立邻接关联信息的传递得到单品高阶信息传递后新的表示;
4、本发明将不同模态的时尚数据映射到一个统一的特征空间,并通过高阶关联性构建从而能够更加精确的进行兼容度分数的度量,并以此为依据进行服装搭配的检索,从而有效的提升了检索的效率和准确率。
附图说明
图1为一种基于类别感知图神经网络的服饰检索方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
区别于传统的基于图像的相似度从同类的时尚单品中检索出相似的单品,本发明实施例建立了一个以时尚兼容度分数为衡量指标的时尚检索模型来解决时尚领域中单品的搭配问题。通过融合时尚信息的多模态数据构建特征,将不同模态的数据映射到一个统一的特征空间,加入有着更高级语义的类别信息提升特征的表现程度,并通过高阶关联性构建网络构建单品之间的高阶关联性得到单品有着丰富信息的特征,从而有效的提升了单品间兼容度计算的准确率,提高了时尚检索的有效性和准确性。
本发明的服饰检索方法为用户提供了灵活多变的数据检索和分析工具,帮助用户在海量的服装数据中检索出得体的搭配单品,提升用户体验,在大数据时代的时尚行业中具有非常实际的应用价值。
实施例1
本发明实施例提供了一种基于类别感知图神经网络的服饰检索方法,参见图1,该方法包括以下步骤:
101:提取视觉特征和标题文本特征;
102:通过图卷积网络建立类别信息的交互,并将得到的类别信息与融合后的多模态特征进行结合,作为后续高阶关联性构建网络的输入特征;
其中,类别信息可以为单品的类别信息,例如:牛仔裤、短裙、毛衣等,类别信息指通过利用Glove模型得到的单品类别的特征,每一个类别对应一个向量叫做类别特征,经过图神经网络建立特征之间的交互得到新的类别特征。
103:利用自动编码器网络进行单品的视觉特征和标题文本特征两个模态特征的融合;
104:将经过上述阶段融合后的特征通过高阶关联性构建网络建立单品之间的高阶关联性并得到最终的兼容度分数;
其中,高阶关联性构建网络也是由图卷积网络构成,高阶关联性构建网络的实现过程利用图卷积神经网络。
105:针对检索的单品计算得到该单品与数据库中其它单品的兼容度分数将兼容分数高的单品挑选作为检索结果。
综上所述,本发明实施例通过上述步骤101-步骤105进行多模态信息的利用,通过自动编码器网络进行多模态特征数据之间的交互融合,同时将单品类别信息作为高层语义通过图神经网络建立类别间的交互关系,并将经过处理的特征通过图神经网络得到单品的多层的表示并建立单品高阶关联性得到单品之间的兼容度分数作为单品检索的衡量指标。
实施例2
下面结合计算公式、实例对实施例1中的方案进行进一步地介绍,详见下文描述:
201:使用在ImageNet上预训练的深度神经网络Inception-V3进行视觉特征的提取,得到了2048D的视觉特征,对标题文本特征的提取,用到了基于注意力机制(Attention)和双向长短期记忆网络(Bi-LSTM),最终得到300D的文本特征向量;
202:对类别之间交互信息的处理用到了图卷积神经网络(Graph ConvolutionalNetworks,简称GCN)网络,单品的类别特征向量矩阵表示为其中N和F分别为样本的个数和特征向量的维度,包含了图中所有节点的特征,为实数域,GCN网络在其中一层的矩阵形式表达式如下:
其中,为第s层的归一化的邻接矩阵,其中为邻接矩阵,为对角度矩阵,对角线元素的值为Dii=∑jA1(i,j),邻接信息的深度由图神经网络的深度S来控制。表示q层当中所有可训练的参数,F'表示权重矩阵的维度。
是第q层的特征矩阵,是第q+1层的特征矩阵。ReLU表示非线性激活函数。将单品的原始特征矩阵C转换为包含其兼容单品信息的新的特征表示矩阵Θs={Θs (1),Θs (2),...,Θs (q)}为图神经网络参数,最终得到有交互信息的类别特征矩阵。
203:用于多模态信息融合的自动编码器网络由内部编码器网络和外部编码器网络构成;其中,内部编码器损失函数:
其中,表示第v个模态的特征矩阵,是内部编码器的输入,其中的是每个单品的特征向量,dv、V和n分别表示特征向量的维度、模态数和样本数。Q(K,v)=[q1 (K,v),q2 (K,v),...,qn (K,v)]是由内部编码器得到的特征矩阵相应的重构表示,qi (K,v)=a(Win (K)qi (K-1,v)+bin (K,v))是第v个模态的第i个样本在网络第K层重构的输出向量,其中a为非线性激活函数。是内部自动编码器的所有变量集合,即有K层的非线性转换,Win (k,v)和bin (k,v)分别是第v个模态在网络第k层的权重矩阵和偏置。代表F范数的平方。
其中,外部编码器损失函数:
其中,是内部编码器网络中间层的低维特征表示矩阵,G(R,v)=[g1 (R,v),...,gn (R,v)]是每个模态低维特征矩阵相应的重构表示,其中的gi (R,v)=a(Wout (R)gi (R-1,v)+bout (R ,v))是第v个模态的第i个样本在网络第R层重构的输出向量,其中a为非线性激活函数,G(0,v)是外部编码器的输入。是外部自动编码器所有的变量集合,即有R层非线性转换,Wout (r,v)和bout (r,v)分别是第v个模态在网络第r层的权重矩阵和偏置。代表F范数的平方。通过外部编码器得到的矩阵即多模态融合后的低维特征矩阵,其中p为潜在表示特征的维度。
204:高阶关联构建网络的输入E=[t1,...,tT,b1,...,bB],其中t1,...tT和b1,...,bB分别是上衣单品和下衣单品经过前面所述网络融合后的特征表示,E作为单品的表示输入到一个基于图卷积神经网络的信息传递结构当中。
对于相互关联的上衣单品i和下衣单品j,由下衣单品j到上衣单品i以及上衣单品的自连接性的信息传递表达式为:
m(l) i←j=pij(Wcf1 (l)ti (l-1)+Wcf2 (l)(ti (l-1)e bj (l-1))) (4)
m(l) i←i=Wcf1 (l)ti (l-1) (5)
其中,Wcf1和Wcf2是网络中的可训练权重矩阵,ti (l-1)和bj (l-1)是由前面的信息传递过程得到的单品的表示,这个表示中包含了l-1层邻域间的相关性。pij设置为其中和分别表示为与单品i和单品j直接连接的邻域中的单品数量,e表示元素之间的点积,以上衣单品为例,经过l层的信息传递,上衣单品i表示为:
其中,LeakyReLU为激活函数,令Θcf={E,Wcf1,Wcf2}是协同过滤图神经网络所有可训练变量的集合,相似的可以得到下衣单品j的表示。
由此获得了带有高阶关联性的单品的特征表示。矩阵形式的信息传递过程可由如下形式表示:
其中,U表示单品之间的交互矩阵,0表示全零矩阵。D2表示对角度矩阵,第t个对角元素为Dii=∑jA2(i,j)。
205:将公式的目标项整合到一起,得到如下损失函数:
其中,表示成对的训练数据,k表示未与上衣单品搭配过的下衣单品,表示搭配过的单品,表示未搭配过的单品,Θs、Θin、Θout、Θcf代表网络中所有可训练的模型参数,表示F-范数的平方。λ、β、α、γ控制可训练参数避免过拟合。
206:通过进行合理的参数设置对模型进行训练,最终结果以“受试者工作特征”曲线下的面积AUC(Area Under roc Curve,简称AUC)作为衡量指标;
207:通过上述计算,得到单品最终的特征表示。针对检索的单品,计算得到该单品与数据库中其它单品的兼容度分数将兼容分数高的单品挑选作为检索结果。
综上所述,本发明实施例将自动编码器网络应用到特征融合中,进行多模态数据之间的交互融合,将单品类别信息通过图神经网络建立类别间的交互关系,得到交互后的类别信息特征,并将这个信息嵌入到融合后的多模态特征数据中,进行后续处理。
实施例3
下面结合具体的实验数据对本发明实施例1和2中的方案进行可行性验证,详见下文描述:
本发明实施例的检测性能通过ROC曲线(Receiver Operating CharacteristicCurve,简称ROC曲线)的AUC(Area Under roc Curve,简称AUC)作为衡量指标。本发明实施例使用来自FashionVC的20726个搭配数据作为数据集,它总共包含14870个上衣单品,13662个下衣单品,每个时尚单品包含视觉和标题文本多模态数据,同时还包含每个单品的类别信息。将数据库中的正样本对O按照9:1的比例分别分为Otrain训练集,和Otest测试集。关于模型评估中的概念,TP(True Positives),将正例正确预测为正例,FN(FalseNegatives)将正例错误预测为负例,FP(False Positives)将负例错误预测为正例,TN(True Negatives)将负例正确预测为负例,TP+FN表示实际数据集中正样本的数量,FP+TN表示实际数据集中负样本的数量,真阳性率TPR(True Positive Rate)和假阳性率FPR(False Positive Rate)的定义如下:
在ROC曲线中,每个点以对应的FPR值为横坐标,以TPR值为纵坐标。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于类别感知图神经网络的服饰检索方法,其特征在于,所述方法包括以下步骤:
提取视觉特征和标题文本特征;
通过图卷积网络建立类别信息的交互,并将得到的类别特征与融合后的多模态特征进行结合,作为后续高阶关联性构建网络的输入特征;
利用自动编码器网络进行单品的视觉特征和标题文本特征两个模态特征的融合;
将经过上述阶段融合后的特征通过高阶关联性构建网络建立单品之间的高阶关联性并得到最终的兼容度分数;
针对检索的单品计算得到该单品与数据库中其它单品的兼容度分数将兼容分数高的单品挑选作为检索结果。
2.根据权利要求1所述的一种基于类别感知图神经网络的服饰检索方法,其特征在于,所述对标题文本特征的提取采用注意力机制和双向长短期记忆网络。
4.根据权利要求1所述的一种基于类别感知图神经网络的服饰检索方法,其特征在于,所述高阶关联性构建网络的输入特征为:
E=[t1,...,tT,b1,...,bB],其中t1,...tT和b1,...,bB分别是上衣单品和下衣单品经过融合后的特征表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110170942.4A CN112860928A (zh) | 2021-02-08 | 2021-02-08 | 一种基于类别感知图神经网络的服饰检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110170942.4A CN112860928A (zh) | 2021-02-08 | 2021-02-08 | 一种基于类别感知图神经网络的服饰检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112860928A true CN112860928A (zh) | 2021-05-28 |
Family
ID=75989148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110170942.4A Pending CN112860928A (zh) | 2021-02-08 | 2021-02-08 | 一种基于类别感知图神经网络的服饰检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112860928A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565119A (zh) * | 2021-11-25 | 2022-05-31 | 天津市测绘院有限公司 | 基于多模态图卷积网络的时尚兼容度预测方法 |
CN116130089A (zh) * | 2023-02-02 | 2023-05-16 | 湖南工商大学 | 基于超图神经网络的多模态抑郁症检测系统、装置及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960959A (zh) * | 2018-05-23 | 2018-12-07 | 山东大学 | 基于神经网络的多模态互补服装搭配方法、系统及介质 |
CN109583498A (zh) * | 2018-11-29 | 2019-04-05 | 天津大学 | 一种基于低秩正则化特征增强表征的时尚兼容度预测方法 |
CN109903314A (zh) * | 2019-03-13 | 2019-06-18 | 腾讯科技(深圳)有限公司 | 一种图像区域定位的方法、模型训练的方法及相关装置 |
CN110544154A (zh) * | 2019-08-30 | 2019-12-06 | 北京市商汤科技开发有限公司 | 服饰搭配方法及装置、电子设备和存储介质 |
CN110807477A (zh) * | 2019-10-18 | 2020-02-18 | 山东大学 | 基于注意力机制的神经网络服装搭配方案生成方法及系统 |
US20200160154A1 (en) * | 2018-11-15 | 2020-05-21 | Element Ai Inc. | Systems and methods for assessing item compatibility |
CN111737474A (zh) * | 2020-07-17 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 业务模型的训练和确定文本分类类别的方法及装置 |
CN111783754A (zh) * | 2020-09-04 | 2020-10-16 | 中国科学院自动化研究所 | 基于部位上下文的人体属性图像分类方法、系统和装置 |
CN111861672A (zh) * | 2020-07-28 | 2020-10-30 | 青岛科技大学 | 基于多模态的生成式兼容性服装搭配方案生成方法及系统 |
-
2021
- 2021-02-08 CN CN202110170942.4A patent/CN112860928A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960959A (zh) * | 2018-05-23 | 2018-12-07 | 山东大学 | 基于神经网络的多模态互补服装搭配方法、系统及介质 |
US20200160154A1 (en) * | 2018-11-15 | 2020-05-21 | Element Ai Inc. | Systems and methods for assessing item compatibility |
CN109583498A (zh) * | 2018-11-29 | 2019-04-05 | 天津大学 | 一种基于低秩正则化特征增强表征的时尚兼容度预测方法 |
CN109903314A (zh) * | 2019-03-13 | 2019-06-18 | 腾讯科技(深圳)有限公司 | 一种图像区域定位的方法、模型训练的方法及相关装置 |
CN110544154A (zh) * | 2019-08-30 | 2019-12-06 | 北京市商汤科技开发有限公司 | 服饰搭配方法及装置、电子设备和存储介质 |
CN110807477A (zh) * | 2019-10-18 | 2020-02-18 | 山东大学 | 基于注意力机制的神经网络服装搭配方案生成方法及系统 |
CN111737474A (zh) * | 2020-07-17 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 业务模型的训练和确定文本分类类别的方法及装置 |
CN111861672A (zh) * | 2020-07-28 | 2020-10-30 | 青岛科技大学 | 基于多模态的生成式兼容性服装搭配方案生成方法及系统 |
CN111783754A (zh) * | 2020-09-04 | 2020-10-16 | 中国科学院自动化研究所 | 基于部位上下文的人体属性图像分类方法、系统和装置 |
Non-Patent Citations (2)
Title |
---|
PEIGUANG JING , SHU YE等: "Low-Rank Regularized Multi-Representation Learning for Fashion Compatibility Prediction", 《IEEE TRANSACTIONS ON MULTIMEDIA》 * |
张丽娟,崔天舒, 井佩光,苏育挺: "基于深度多模态特征融合的短视频分类", 《北京航空航天大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565119A (zh) * | 2021-11-25 | 2022-05-31 | 天津市测绘院有限公司 | 基于多模态图卷积网络的时尚兼容度预测方法 |
CN114565119B (zh) * | 2021-11-25 | 2023-09-26 | 天津市测绘院有限公司 | 基于多模态图卷积网络的时尚兼容度预测方法 |
CN116130089A (zh) * | 2023-02-02 | 2023-05-16 | 湖南工商大学 | 基于超图神经网络的多模态抑郁症检测系统、装置及介质 |
CN116130089B (zh) * | 2023-02-02 | 2024-01-02 | 湖南工商大学 | 基于超图神经网络的多模态抑郁症检测系统、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492157B (zh) | 基于rnn、注意力机制的新闻推荐方法及主题表征方法 | |
US9600499B2 (en) | System for collecting interest graph by relevance search incorporating image recognition system | |
CN113657450B (zh) | 基于注意机制的陆战场图像-文本跨模态检索方法及其系统 | |
CN110826328A (zh) | 关键词提取方法、装置、存储介质和计算机设备 | |
CN116402063B (zh) | 多模态讽刺识别方法、装置、设备以及存储介质 | |
CN111324765A (zh) | 基于深度级联跨模态相关性的细粒度草图图像检索方法 | |
CN114693397B (zh) | 一种基于注意力神经网络的多视角多模态商品推荐方法 | |
CN113722583A (zh) | 推荐方法、推荐模型训练方法及相关产品 | |
CN112860928A (zh) | 一种基于类别感知图神经网络的服饰检索方法 | |
CN114817673A (zh) | 一种基于模态关系学习的跨模态检索方法 | |
CN116151263B (zh) | 多模态命名实体识别方法、装置、设备以及存储介质 | |
Xiong et al. | Deeply supervised subspace learning for cross-modal material perception of known and unknown objects | |
Shi et al. | Multi-label graph convolutional network representation learning | |
Park et al. | Neurocartography: Scalable automatic visual summarization of concepts in deep neural networks | |
CN115712780A (zh) | 一种基于云计算和大数据的信息推送方法及装置 | |
CN114840747A (zh) | 一种基于对比学习的新闻推荐方法 | |
Zhu et al. | Interpretation of users’ feedback via swarmed particles for content-based image retrieval | |
Zhang et al. | Deep collaborative graph hashing for discriminative image retrieval | |
CN113822183B (zh) | 基于au-emo关联与图神经网络的零样本表情识别方法及系统 | |
CN113392254A (zh) | 一种基于上下文感知注意的图像文本检索方法 | |
Yao et al. | Unified entity search in social media community | |
CN114565119B (zh) | 基于多模态图卷积网络的时尚兼容度预测方法 | |
Wu et al. | The fusion knowledge of face, body and context for emotion recognition | |
Yin et al. | Animal image retrieval algorithms based on deep neural network | |
Anusuya et al. | Web page recommendation system using bat optimization and weighted support vector machine algorithm for health care service |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210528 |