CN113011742A - 聚类效果测评方法、系统、介质及装置 - Google Patents
聚类效果测评方法、系统、介质及装置 Download PDFInfo
- Publication number
- CN113011742A CN113011742A CN202110292980.7A CN202110292980A CN113011742A CN 113011742 A CN113011742 A CN 113011742A CN 202110292980 A CN202110292980 A CN 202110292980A CN 113011742 A CN113011742 A CN 113011742A
- Authority
- CN
- China
- Prior art keywords
- data samples
- total amount
- prediction
- clustering
- calculating
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像数据处理的技术领域,具体涉及一种聚类效果测评方法、系统、介质及装置。本发明旨在解决现有的测评方法无法对聚类系统在商场业务中的跨镜追踪的效果进行有效评价的问题。为此目的,本发明利用含有标注信息的待聚类的所有数据样本,在聚类系统对待聚类的所有数据样本聚类后得到的所有预测分类组后,基于所述待聚类的所有数据样本的总量、关联的数据样本的总量、正确关联的数据样本的总量,利用混淆矩阵来计算针对所述聚类系统的聚类效果评价指标。如此,本发明不同于现有测评方法重点关注每个分类组中数据样本的排列效果,而是更关注聚类结果的综合准确性,从而有利于对聚类系统在商场业务中的跨镜追踪的效果进行有效评价。
Description
技术领域
本发明属于图像数据处理的技术领域,具体涉及一种聚类效果测评方法、系统、介质及装置。
背景技术
聚类是数据挖掘的一种方法。在图像处理技术领域中,图像聚类是基于图像特征将多幅图像分成由类似的图像组成的多个类的过程。图像聚类在图像分割、目标跟踪等领域具有重要的作用。目前在商业场景中,聚类系统和跨镜追踪(ReId)技术应用的非常广泛,目的在于解决跨摄像头跨场景下行人的识别与检索,可以对无法获取清晰拍摄人脸的行人进行跨摄像头连续跟踪,增强数据的时空连续性。例如在大型商场中,对商场各个点位的摄像头采集到的抓拍图进行聚类,可以描绘出单个顾客的行动轨迹,分析出顾客在不同摄像头下的停留时间,出入店铺,便于商场对顾客精细化服务。
同时,在商场这种复杂场景下,聚类系统在实际应用时往往会面临的一些问题,如不同相机拍摄角度差异大、监控抓拍图片模糊不清、行人更换服装配饰、秋冬穿衣风格不同、白天晚上的光线差异等都会影响聚类的结果。由于在聚类场景多种多样,聚类过程可能会出现误差,将本不属于同一类的图像归为同一个图像簇,则该图像簇的中心会发生偏移,使得后续的聚类结果越来越不准确。对于这些问题,聚类系统需要一个完善的测评方法对聚类结果进行测评,判断该系统在实际情况下是否具备实际应用价值。
目前,针对聚类系统的常用的测评方式,是在Market1501,DukeMTMC-reID,CUHK03三个数据集上进行指标测试,包括两个指标Rank1和mAP。Rank1指标是把聚类系统看做一个排序系统,Rank是排序命中率核心指标,Rank1是首位命中率,就是排在第一位的图有没有命中他本人,Rank5是1-5张图有没有至少一张命中他本人。而mAP是平均精度均值,计算方法为真实排序位置除以实际排序位置的值均值。可知,现有的上述Rank1和mAP两种指标都是把聚类系统作为排序问题来量化,注重轨迹的排序位置,抓拍图形成轨迹的顺序排列是否符合预期。
但是,聚类系统在商场业务的应用中需要实现跨镜追踪的功能,该功能要求将顾客的行动轨迹和人脸进行绑定,还对实时性有较高的要求。现有的上述聚类效果测评方法重点关注每个分类组中数据样本的排列效果,从而导致无法对聚类系统在商场业务中的跨镜追踪的效果进行有效评价。
相应地,本领域需要一种聚类效果测评方法、系统、介质及装置来解决上述问题。
发明内容
为了解决或至少部分解决:现有的测评方法无法对聚类系统在商场业务中的跨镜追踪的效果进行有效评价的问题。本发明提供了一种聚类效果测评方法、系统、介质及装置。
第一方面,本发明提供了一种聚类效果测评方法,所述测评方法包括:获取含有标注信息的待聚类的所有数据样本的总量,所述标注信息包括各数据样本的真实类别名;计算各预测分类组中不同标注信息对应的数据样本的数量,所述预测分类组是聚类系统对所述待聚类的所有数据样本进行聚类后得到;基于各所述预测分类组中不同标注信息对应的数据样本的数量确定各预测分类组的预测类别名;计算已确定的各预测类别名对应的预测分类组中数据样本的总量并将其确定为关联的数据样本的总量,以及计算各预测分类组中真实类别名与预测类别名相同的数据样本的总量并将其确定为正确关联的数据样本的总量;基于待聚类的所有数据样本的总量、关联的数据样本的总量以及正确关联的数据样本的总量,利用混淆矩阵来计算针对所述聚类系统的聚类效果评价指标。
作为本发明提供的上述测评方法的一种优选的技术方案,“基于各所述预测分类组中不同标注信息对应的数据样本的数量确定各预测分类组的预测类别名”的步骤包括:对于一个预测分类组,将其中数据样本的数量最多的真实类别名确定为该预测分类组的预测类别名;或者,对于一个真实类别名,将其对应的数据样本的数量最多的预测分类组的预测类别名确定为该真实类别名;以及,将无法确定预测类别名的预测分类组均确定为未知类别名;其中,所有预测分类组的预测类别名均不相同。
作为本发明提供的上述测评方法的一种优选的技术方案,所述含有标注信息的所有数据样本均为人像样本,所述标注信息还包括各人像样本中是否含有人脸;“基于各所述预测分类组中不同标注信息对应的数据样本的数量确定各预测分类组的预测类别名”的步骤还包括:计算各所述预测分类组中真实类别名对应的有人脸的数据样本的数量;对于一个预测分类组,将其中有人脸的数据样本的数量最多的真实类别名作为该预测分类组的预测类别名;或者,对于一个真实类别名,将其对应的有人脸的数据样本的数量最多的预测分类组的预测类别名确定为该真实类别名;以及,将无法确定预测类别名的预测分类组均确定为未知类别名;其中,所有预测分类组的预测类别名均不相同。
作为本发明提供的上述测评方法的一种优选的技术方案,所述含有标注信息的所有数据样本均为人像样本,所述标注信息还包括各人像样本中是否含有人脸;所述测评方法还包括:在“基于待聚类的所有数据样本的总量、关联的数据样本的总量以及正确关联的数据样本的总量,利用混淆矩阵来计算针对所述聚类系统的聚类效果评价指标”的步骤之前,针对含有标注信息的所有数据样本、有人脸的所有数据样本和无人脸的所有数据样本中的任一种:计算待聚类的所有数据样本的总量、关联的数据样本的总量以及正确关联的数据样本的总量。
作为本发明提供的上述测评方法的一种优选的技术方案,“基于待聚类的所有数据样本的总量、关联的数据样本的总量以及正确关联的数据样本的总量,利用混淆矩阵来计算针对所述聚类系统的聚类效果评价指标”的步骤包括:
计算数据样本聚类的关联率:
计算数据样本聚类的精确率:
计算数据样本聚类的综合准确率:
然后,将Acc、P和Acc*P中的一个或者多个作为所述聚类效果评价指标;
其中,针对含有标注信息的所有数据样本、有人脸的所有数据样本和无人脸的所有数据样本中的任一种:TP+FP+FN+TN表示待聚类的所有数据样本的总量,TP+FP表示关联的数据样本的总量,TP表示正确关联的数据样本的总量。
第二方面,本发明提供了一种聚类效果测评系统,所述测评系统包括:获取模块,用于获取含有标注信息的待聚类的所有数据样本的总量,所述标注信息包括各数据样本的真实类别名;计算模块,用于计算各预测分类组中不同标注信息对应的数据样本的数量,所述预测分类组是聚类系统对所述待聚类的所有数据样本进行聚类后得到;确定模块,用于基于各所述预测分类组中不同标注信息对应的数据样本的数量确定各预测分类组的预测类别名;所述计算模块还用于计算已确定的各预测类别名对应的预测分类组中数据样本的总量并将其确定为关联的数据样本的总量,以及计算各预测分类组中真实类别名与预测类别名相同的数据样本的总量并将其确定为正确关联的数据样本的总量;所述计算模块还用于基于待聚类的所有数据样本的总量、关联的数据样本的总量以及正确关联的数据样本的总量,利用混淆矩阵来计算针对所述聚类系统的聚类效果评价指标。
作为本发明提供的上述测评系统的一种优选的技术方案,所述确定模块具体用于:对于一个预测分类组,将其中数据样本的数量最多的真实类别名确定为该预测分类组的预测类别名;或者,对于一个真实类别名,将其对应的数据样本的数量最多的预测分类组的预测类别名确定为该真实类别名;以及,将无法确定预测类别名的预测分类组均确定为未知类别名;其中,所有预测分类组的预测类别名均不相同。
作为本发明提供的上述测评系统的一种优选的技术方案,所述含有标注信息的所有数据样本均为人像样本,所述标注信息还包括各人像样本中是否含有人脸;所述计算模块还具体用于:计算各所述预测分类组中真实类别名对应的有人脸的数据样本的数量;所述确定模块还具体用于:对于一个预测分类组,将其中有人脸的数据样本的数量最多的真实类别名作为该预测分类组的预测类别名;或者,对于一个真实类别名,将其对应的有人脸的数据样本的数量最多的预测分类组的预测类别名确定为该真实类别名;以及,将无法确定预测类别名的预测分类组均确定为未知类别名;其中,所有预测分类组的预测类别名均不相同。
作为本发明提供的上述测评系统的一种优选的技术方案,所述含有标注信息的所有数据样本均为人像样本,所述标注信息还包括各人像样本中是否含有人脸;所述计算模块在用于“基于待聚类的所有数据样本的总量、关联的数据样本的总量以及正确关联的数据样本的总量,利用混淆矩阵来计算针对所述聚类系统的聚类效果评价指标”之前,所述计算模块还用于:针对含有标注信息的所有数据样本、有人脸的所有数据样本和无人脸的所有数据样本中的任一种:计算待聚类的所有数据样本的总量、关联的数据样本的总量以及正确关联的数据样本的总量。
作为本发明提供的上述测评系统的一种优选的技术方案,所述计算模块还具体用于:
计算数据样本聚类的关联率:
计算数据样本聚类的精确率:
计算数据样本聚类的综合准确率:
然后,将Acc、P和Acc*P中的一个或者多个作为所述聚类效果评价指标;
其中,针对含有标注信息的所有数据样本、有人脸的所有数据样本和无人脸的所有数据样本中的任一种:TP+FP+FN+TN表示待聚类的所有数据样本的总量,TP+FP表示关联的数据样本的总量,TP表示正确关联的数据样本的总量。
第三方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行前述第一方面中任一技术方案所述的测评方法。
第四方面,本发明还提供了一种聚类效果测评装置,包括处理器和存储器,所述存储器中存储有多条程序代码,所述程序代码适于由所述处理器加载并运行以执行前述第一方面中任一技术方案所述的测评方法。
本发明提供的一种聚类效果测评方法、系统、介质及装置,利用含有标注信息的待聚类的所有数据样本,在聚类系统对待聚类的所有数据样本聚类后得到的所有预测分类组后,基于所述待聚类的所有数据样本的总量、关联的数据样本的总量、正确关联的数据样本的总量,利用混淆矩阵来计算针对所述聚类系统的聚类效果评价指标。如此,本发明不同于现有测评方法重点关注每个分类组中数据样本的排列效果,而是更关注聚类结果的综合准确性,从而有利于对聚类系统在商场业务中的跨镜追踪的效果进行有效评价。
此外,本发明提供的一种聚类效果测评方法、系统、介质及装置,在对聚类系统进行测评时,待聚类的所有数据样本的标注信息还包括各人像样本中是否含有人脸,并基于有人脸的待聚类的数据样本的总量、有人脸且关联的数据样本的总量以及有人脸且正确关联的数据样本的总量,利用混淆矩阵来计算针对聚类系统的聚类效果评价指标。如此,本发明还重点关注了包含人脸以及不包含人脸的人像样本的聚类的准确度,针对聚类系统对商场服务客户产生实质性帮助的目的,通过多方面地对聚类系统进行测评,实现了对聚类系统的多角度评价,从而能够更全面地对聚类系统在商场业务中的跨镜追踪的效果进行有效评价。
附图说明
下面参照附图来描述本实施例的具体实施方式,附图中:
图1为本实施例的聚类效果测评方法的主要流程示意图;
图2为本实施例的聚类效果测评方法中用到的部分数据样本组成的示例图;
图3为本实施例提供的第一种终端设备的硬件结构示意图;
图4为本实施例提供的第二种终端设备的硬件结构示意图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。例如,虽然本实施例提供的一种聚类效果测评方法、系统、介质及装置主要是为了解决现有的测评方法无法对聚类系统在商场业务中的跨镜追踪的效果进行有效评价的问题,即最先为了针对商场业务中的聚类系统进行评价,但是该方法的应用对象非一成不变的,在不偏离本发明原理的条件下,本领域技术人员可以根据需要对其作出调整,以便适应具体的应用场合。
在本发明的描述中,“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路,各种合适的感应器,通信端口,存储器,也可以包括软件部分,比如程序代码,也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。
术语“A和/或B”表示所有可能的A与B的组合,比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似,可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。当然,上述可以替换的实施方式之间、以及可以替换的实施方式和优选的实施方式之间还可以交叉配合使用,从而组合出新的实施方式以适用于更加具体的应用场景。
为了解决现有的测评方法无法对聚类系统在商场业务中的跨镜追踪的效果进行有效评价的问题。本实施例提供了一种聚类效果测评方法、系统、介质及装置。
需要说明的是,在本实施例中跨镜追踪(简称ReID),全称为Person Re-Identification,该技术主要实现跨摄像头和跨场景的行人识别与检索。
第一方面
在本实施例提供的一种聚类效果测评方法中,如图1所示,该测评方法包括:
S1、获取含有标注信息的待聚类的所有数据样本的总量;其中,该标注信息包括各数据样本的真实类别名。
示例性地,可以通过对个数据样本命名的方式来使其含有标注信息。该标注信息除了包含数据样本的真实类别名之外,还可以包含其他的标注信息,例如,当该待聚类的所有数据样本均为人像样本时,标注信息除了真实类别名还可以包括各人像样本中是否含有人脸。在获取数据样本时,可以获取真实环境下的摄像头录制的1小时的视频,对该视频生成的抓拍图进行数据预处理。对分类后的图片按照规定的格式命名,通过图片路径+图片名方便的获取图片包含标注信息,得到标注数据集(或者称为真实数据集)Y_Real=[]。
进一步,可以通过“/PersonId/ActionId_DeviceId_ImageId_Face.jpg”的格式进行命名,其中,该名称中的“PersonId”为人的身份、“ActionId”为人的行为名称、“DeviceId”为摄像设备名称、“ImageId”为人像数据的编号、“Face”为是否包含人脸。需要说明的是,本实施例中聚类系统预期的分类结果是按照人的身份信息来进行分类的,此时人的身份信息或者身份编号即为其真实类别名。
S2、计算各预测分类组中不同标注信息对应的数据样本的数量,该预测分类组是基于聚类系统对待聚类的所有数据样本聚类后得到。
示例性地,当把数据样本推送到线上聚类系统后,需要线上聚类系统在对数据样本聚类时生成日志记录,通过该日志记录可以得到预测结果集:Y_Predict=[]。
S3、基于各预测分类组中不同标注信息对应的数据样本的数量确定各预测分类组的预测类别名。即,将各预测分类组与真实的类别组进行对齐操作。
作为步骤S3的一种优选的实施方式,步骤S3具体可以包括:对于一个预测分类组,将其中数据样本的数量最多的真实类别名确定为该预测分类组的预测类别名;或者,对于一个真实类别名,将其对应的数据样本的数量最多的预测分类组的预测类别名确定为该真实类别名;以及,将无法确定预测类别名的预测分类组均确定为未知类别名;其中,所有预测分类组的预测类别名均不相同。
由此,可以通过判断各预测类别名对应的预测分类组中数据样本的真实类别名是否与预测类别名相符,以及相符的数据样本的比例来评价该聚类系统对数据样本聚类的准确性。
S4、计算已确定的各预测类别名对应的预测分类组中数据样本的总量并将其确定为关联的数据样本的总量,以及计算各预测分类组中真实类别名与预测类别名相同的数据样本的总量并将其确定为正确关联的数据样本的总量。
可以理解的是,已确定的各预测类别名对应的预测分类组不包括未知类别名的预测分类组。
S5、基于待聚类的所有数据样本的总量、关联的数据样本的总量、正确关联的数据样本的总量,利用混淆矩阵来计算针对聚类系统的聚类效果评价指标。
示例性地,根据聚类系统得到的预测结果与真实情况是否一致及各种情况对应的样本的数量可以得到表1所示的混淆矩阵。
表1混淆矩阵
通过混淆矩阵能够计算的指标一般包括准确率(Acc,即accuracy)、精确率(P,即Percision查准率)、召回率(R,即Recall查全率)等指标。在具体应用时,可以通过其中的一个或多个指标,或者在这些指标的基础上得到的其他指标来评价聚类系统聚类的准确性。
在本实施例中,含有标注信息的所有数据样本均为人像样本,该标注信息还包括各人像样本中是否含有人脸。在步骤S5之前,还可以针对含有标注信息的所有数据样本、有人脸的所有数据样本和无人脸的所有数据样本中的任一种:计算待聚类的所有数据样本的总量、关联的数据样本的总量以及正确关联的数据样本的总量。
然后,可以将Acc、P和Acc*P中的一个或者多个作为所述聚类效果评价指标。
其中,可以针对含有标注信息的所有数据样本,正确关联的数据样本的总量可以表示为TP,关联的数据样本的总量可以表示为TP+FP,待聚类的所有数据样本的总量可以表示为TP+FP+FN+TN。作为可选的实施方式之一,步骤S5具体可以包括:
计算整体的数据样本聚类的关联率:
计算整体的数据样本聚类的精确率:
计算整体的数据样本聚类的综合准确率:
其中,整体的数据样本聚类的综合准确率越高表明该聚类系统的聚类结果越好。
可以理解的是,本实施例提供的一种聚类效果测评方法,利用含有标注信息的待聚类的所有数据样本,在聚类系统对待聚类的所有数据样本聚类后得到的所有预测分类组后,基于所述待聚类的所有数据样本的总量、关联的数据样本的总量、正确关联的数据样本的总量,利用混淆矩阵来计算针对所述聚类系统的聚类效果评价指标。如此,本实施例不同于现有测评方法重点关注每个分类组中数据样本的排列效果,而是更关注聚类结果的综合准确性,从而有利于对聚类系统在商场业务中的跨镜追踪的效果进行有效评价。
进一步,本实施例的聚类效果测评方法的优点具体还包括:本实施例提供的测评方法所针对的聚类系统为实时系统,不同于传统聚类系统,评测的时候也是注重于单个类目中的图片召回率,力求单个类目中包含的图片广,单个类目中每一张图都可能为底库图片。
作为本实施例提供的上述测评方法的一种优选的实施方式,该测评方法中,上述步骤S2还可以包括:计算各预测分类组中真实类别名对应的有人脸的数据样本的数量。进一步,步骤S3还可以包括:对于一个预测分类组,将其中有人脸的数据样本的数量最多的真实类别名作为该预测分类组的预测类别名;或者,对于一个真实类别名,将其对应的有人脸的数据样本的数量最多的预测分类组的预测类别名确定为该真实类别名;以及,将无法确定预测类别名的预测分类组均确定为未知类别名;其中,所有预测分类组的预测类别名均不相同。如此,在对数据样本进行分类的过程中,更注重人脸识别的准确性。
作为本实施例提供的上述测评方法的一种优选的实施方式,步骤S4中还可以包括:计算有人脸的待聚类的数据样本的总量、有人脸且关联的数据样本的总量以及有人脸且正确关联的数据样本的总量;同时,步骤S5中还可以包括:基于有人脸的待聚类的数据样本的总量、有人脸且关联的数据样本的总量以及有人脸且正确关联的数据样本的总量,利用混淆矩阵来计算针对聚类系统的聚类效果评价指标。
示例性地,有人脸且正确关联的数据样本的总量可以表示为TP,有人脸且关联的数据样本的总量可以表示为TP+FP,有人脸的待聚类的所有数据样本的总量可以表示为TP+FP+FN+TN。作为可选的实施方式之一,步骤S5具体还可以包括:
计算有人脸的数据样本聚类的关联率:
计算有人脸的数据样本聚类的精确率:
计算有人脸的数据样本聚类的综合准确率:
作为本实施例提供的上述测评方法的一种优选的实施方式,步骤S4中还可以包括:计算无人脸的待聚类的数据样本的总量、无人脸且关联的数据样本的总量以及无人脸且正确关联的数据样本的总量;步骤S5中还可以包括:基于无人脸的待聚类的数据样本的总量、无人脸且关联的数据样本的总量以及无人脸且正确关联的数据样本的总量,利用混淆矩阵来计算针对聚类系统的聚类效果评价指标。
示例性地,无人脸且正确关联的数据样本的总量可以表示为TP,无人脸且关联的数据样本的总量可以表示为TP+FP,无人脸的待聚类的所有数据样本的总量可以表示为TP+FP+FN+TN。作为可选的实施方式之一,步骤S5具体还可以包括:
计算无人脸的数据样本聚类的关联率:
计算无人脸的数据样本聚类的精确率:
计算无人脸的数据样本聚类的综合准确率:
本实施例提供的一种聚类效果测评方法,在对聚类系统进行测评时,待聚类的所有数据样本的标注信息还包括各人像样本中是否含有人脸,并基于有人脸的待聚类的数据样本的总量、有人脸且关联的数据样本的总量以及有人脸且正确关联的数据样本的总量,利用混淆矩阵来计算针对聚类系统的聚类效果评价指标。如此,本实施例还重点关注了包含人脸以及不包含人脸的人像样本的聚类的准确度,针对聚类系统对商场服务客户产生实质性帮助的目的,通过多方面地对聚类系统进行测评,实现了对聚类系统的多角度评价,从而能够更全面地对聚类系统在商场业务中的跨镜追踪的效果进行有效评价。
可以理解的是,在上述实施例中示出的评价指标的基础上进行的其他计算,也是属于本实施例需要说明的利用混淆矩阵来计算针对所述聚类系统的聚类效果评价指标,仍属于本发明的保护范围,例如:
1)有人脸的待聚类的数据样本的占比=有人脸的待聚类的数据样本的总量/待聚类的所有数据样本的总量;
2)有人脸且关联的数据样本的占比=有人脸且关联的数据样本的总量/关联的数据样本的总量;
3)无人脸的待聚类的数据样本的占比=无人脸的待聚类的数据样本的总量/待聚类的所有数据样本的总量;
4)无人脸且关联的数据样本的占比=无人脸且关联的数据样本的总量/关联的数据样本的总量。
此外,还可以计算:有人脸且未关联的各种原因占比,以及无人脸且未关联的各种原因占比等。
需要说明的是,尽管上文详细描述了本实施例方法的详细步骤,但是,在不偏离本实施例的基本原理的前提下,本领域技术人员可以对上述步骤进行组合、拆分及调换顺序,如此修改后的实施范式并没有改变本实施例的基本构思,因此也落入本实施例的保护范围之内。
第二方面
在本实施例提供的一种聚类效果测评系统中,该测评系统包括:获取模块,用于获取含有标注信息的待聚类的所有数据样本的总量;标注信息包括各数据样本的真实类别名;计算模块,用于计算各预测分类组中不同标注信息对应的数据样本的数量,所述预测分类组是基于聚类系统对待聚类的所有数据样本聚类后得到;确定模块,用于基于各预测分类组中不同标注信息对应的数据样本的数量确定各预测分类组的预测类别名;计算模块还用于计算已确定的各预测类别名对应的预测分类组中数据样本的总量并将其确定为关联的数据样本的总量,以及用于计算各预测分类组中真实类别名与预测类别名相同的数据样本的总量并将其确定为正确关联的数据样本的总量;计算模块还用于基于待聚类的所有数据样本的总量、关联的数据样本的总量、正确关联的数据样本的总量,利用混淆矩阵来计算针对聚类系统的聚类效果评价指标。
作为本实施例提供的上述测评系统的一种优选的实施方式,上述确定模块具体用于:对于一个预测分类组,将其中数据样本的数量最多的真实类别名确定为该预测分类组的预测类别名;或者,对于一个真实类别名,将其对应的数据样本的数量最多的预测分类组的预测类别名确定为该真实类别名;以及,将无法确定预测类别名的预测分类组均确定为未知类别名;其中,所有预测分类组的预测类别名均不相同。
作为本实施例提供的上述测评系统的一种优选的实施方式,含有标注信息的所有数据样本均为人像样本,标注信息还包括各人像样本中是否含有人脸;计算模块在用于“基于待聚类的所有数据样本的总量、关联的数据样本的总量以及正确关联的数据样本的总量,利用混淆矩阵来计算针对聚类系统的聚类效果评价指标”之前,计算模块还用于:针对含有标注信息的所有数据样本、有人脸的所有数据样本和无人脸的所有数据样本中的任一种:计算待聚类的所有数据样本的总量、关联的数据样本的总量以及正确关联的数据样本的总量。
作为本实施例提供的上述测评系统的一种优选的实施方式,上述计算模块具体用于:
计算整体的数据样本聚类的关联率:
计算整体的数据样本聚类的精确率:
计算整体的数据样本聚类的综合准确率:
然后,将Acc、P和Acc*P中的一个或者多个作为所述聚类效果评价指标;
其中,针对含有标注信息的所有数据样本、有人脸的所有数据样本和无人脸的所有数据样本中的任一种:TP+FP+FN+TN表示待聚类的所有数据样本的总量,TP+FP表示关联的数据样本的总量,TP表示正确关联的数据样本的总量。
作为本实施例提供的上述测评系统的一种优选的实施方式,上述待聚类的所有数据样本均为人像样本,标注信息还包括各人像样本中是否含有人脸;上述计算模块还具体用于:计算各预测分类组中真实类别名对应的有人脸的数据样本的数量;确定模块还具体用于:对于一个预测分类组,将其中有人脸的数据样本的数量最多的真实类别名作为该预测分类组的预测类别名;或者,对于一个真实类别名,将其对应的有人脸的数据样本的数量最多的预测分类组的预测类别名确定为该真实类别名;以及,将无法确定预测类别名的预测分类组均确定为未知类别名;其中,所有预测分类组的预测类别名均不相同。
作为本实施例提供的上述测评系统的一种优选的实施方式,上述计算模块还用于:计算有人脸的待聚类的数据样本的总量、有人脸且关联的数据样本的总量以及有人脸且正确关联的数据样本的总量;基于有人脸的待聚类的数据样本的总量、有人脸且关联的数据样本的总量以及有人脸且正确关联的数据样本的总量,利用混淆矩阵来计算针对聚类系统的聚类效果评价指标。
作为本实施例提供的上述测评系统的一种优选的实施方式,上述计算模块还用于:计算无人脸的待聚类的数据样本的总量、无人脸且关联的数据样本的总量以及无人脸且正确关联的数据样本的总量;基于无人脸的待聚类的数据样本的总量、无人脸且关联的数据样本的总量以及无人脸且正确关联的数据样本的总量,利用混淆矩阵来计算针对聚类系统的聚类效果评价指标。
需要说明的是,本实施例提供的聚类效果测评系统与前述第一方面中的聚类效果测评方法是相互对应的,故不再对本实施例中的系统进行赘述,关于该系统的说明请参见前述的第一方面中的内容。
要说明的是,上述实施例提供的聚类效果测评系统,仅以上述各功能模块(如获取模块、计算模块、确定模块等)的划分进行举例说明,在实际应用中,可以根据需要而将上述功能模块由不同的功能模块来完成,即将本实施例中的功能模块再分解或者组合,例如,上述实施例的功能模块可以合并为一个功能模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本实施例中涉及的功能模块名称,仅仅是为了进行区分,不视为对本实施例的不当限定。
第三方面
本领域的技术人员应当理解的是,在本实施例提供的一种计算机可读存储介质中,该存储介质存储有多条程序代码,该程序代码适于由处理器加载并运行以执行前述第一方面任一种实施方式中的聚类效果测评方法。
该存储介质中包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本实施例各个实施例方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
第四方面
在本实施例提供的一种聚类效果测评装置中,包括处理器和存储器,存储器中存储有多条程序代码,程序代码适于由处理器加载并运行以执行前述第一方面中任一实施方式的测评方法。
第五方面
本实施例主要通过一个应用于终端设备的场景中,对本发明的实现做进一步说明。终端设备的硬件结构如图3所示。该终端设备可以包括:输入设备1100、第一处理器1101、输出设备1102、第一存储器1103和至少一个通信总线1104。通信总线1104用于实现元件之间的通信连接。第一存储器1103可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,第一存储器1103中可以存储各种程序,用于完成各种处理功能以及实现本实施例的方法步骤。
可选的,上述第一处理器1101例如可以为中央处理器(Central ProcessingUnit,简称CPU)、应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,该第一处理器1101通过有线或无线连接耦合到上述输入设备1100和输出设备1102。
可选的,上述输入设备1100可以包括多种输入设备,例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的,该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件插入接口(例如USB接口、串口等);可选的,该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等);可选的,上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口,例如芯片的输入引脚接口或者输入接口等;输出设备1102可以包括显示器、音响等输出设备。在本实施例中,该终端设备的处理器包括用于执行各设备中语音识别装置各模块的功能,具体功能和技术效果参照上述实施例即可,此处不再赘述。
图4为本申请的另一个实施例提供的终端设备的硬件结构示意图。图4是对图3在实现过程中的一个具体的实施例。如图4所示,本实施例的终端设备可以包括第二处理器1201以及第二存储器1202。
第二处理器1201执行第二存储器1202所存放的计算机程序代码,实现上述实施例中图1的所述方法。第二存储器1202被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令,例如消息、图片、视频等。第二存储器1202可能包含随机存取存储器(random access memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
可选地,第二处理器1201设置在处理组件1200中。该终端设备还可以包括:通信组件1203,电源组件1204,多媒体组件1205,语音组件1206,输入/输出接口1207和/或传感器组件1208。终端设备具体所包含的组件等依据实际需求设定,本实施例对此不作限定。
处理组件1200通常控制终端设备的整体操作。处理组件1200可以包括一个或多个第二处理器1201来执行指令,以完成上述图1所示方法的全部或部分步骤。此外,处理组件1200可以包括一个或多个模块,便于处理组件1200和其他组件之间的交互。例如,处理组件1200可以包括多媒体模块,以方便多媒体组件1205和处理组件1200之间的交互。电源组件1204为终端设备的各种组件提供电力。电源组件1204可以包括电源管理系统,一个或多个电源,及其他与为终端设备生成、管理和分配电力相关联的组件。多媒体组件1205包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中,显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示屏包括触摸面板,显示屏可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。语音组件1206被配置为输出和/或输入语音信号。例如,语音组件1206包括一个麦克风(MIC),当终端设备处于操作模式,如语音识别模式时,麦克风被配置为接收外部语音信号。所接收的语音信号可以被进一步存储在第二存储器1202或经由通信组件1203发送。在一些实施例中,语音组件1206还包括一个扬声器,用于输出语音信号。
输入/输出接口1207为处理组件1200和外围接口模块之间提供接口,上述外围接口模块可以是点击轮,按钮等。这些按钮可包括但不限于:音量按钮、启动按钮和锁定按钮。
传感器组件1208包括一个或多个传感器,用于为终端设备提供各个方面的状态评估。例如,传感器组件1208可以检测到终端设备的打开/关闭状态,组件的相对定位,用户与终端设备接触的存在或不存在。传感器组件1208可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在,包括检测用户与终端设备间的距离。在一些实施例中,该传感器组件1208还可以包括摄像头等。
通信组件1203被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个实施例中,该终端设备中可以包括SIM卡插槽,该SIM卡插槽用于插入SIM卡,使得终端设备可以登录GPRS网络,通过互联网与服务器建立通信。
由上可知,在图4实施例中所涉及的通信组件1203、语音组件1206以及输入/输出接口1207、传感器组件1208均可以作为图3实施例中的输入设备的实现方式。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的保护范围之内并且形成不同的实施例。例如,在本发明的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (12)
1.一种聚类效果测评方法,其特征在于,所述测评方法包括:
获取含有标注信息的待聚类的所有数据样本的总量,所述标注信息包括各数据样本的真实类别名;
计算各预测分类组中不同标注信息对应的数据样本的数量,所述预测分类组是聚类系统对所述待聚类的所有数据样本进行聚类后得到;
基于各所述预测分类组中不同标注信息对应的数据样本的数量确定各预测分类组的预测类别名;
计算已确定的各预测类别名对应的预测分类组中数据样本的总量并将其确定为关联的数据样本的总量,以及计算各预测分类组中真实类别名与预测类别名相同的数据样本的总量并将其确定为正确关联的数据样本的总量;
基于待聚类的所有数据样本的总量、关联的数据样本的总量以及正确关联的数据样本的总量,利用混淆矩阵来计算针对所述聚类系统的聚类效果评价指标。
2.根据权利要求1所述的测评方法,其特征在于,“基于各所述预测分类组中不同标注信息对应的数据样本的数量确定各预测分类组的预测类别名”的步骤包括:
对于一个预测分类组,将其中数据样本的数量最多的真实类别名确定为该预测分类组的预测类别名;或者,对于一个真实类别名,将其对应的数据样本的数量最多的预测分类组的预测类别名确定为该真实类别名;以及,
将无法确定预测类别名的预测分类组均确定为未知类别名;
其中,所有预测分类组的预测类别名均不相同。
3.根据权利要求1所述的测评方法,其特征在于,所述含有标注信息的所有数据样本均为人像样本,所述标注信息还包括各人像样本中是否含有人脸;“基于各所述预测分类组中不同标注信息对应的数据样本的数量确定各预测分类组的预测类别名”的步骤还包括:
计算各所述预测分类组中真实类别名对应的有人脸的数据样本的数量;
对于一个预测分类组,将其中有人脸的数据样本的数量最多的真实类别名作为该预测分类组的预测类别名;或者,对于一个真实类别名,将其对应的有人脸的数据样本的数量最多的预测分类组的预测类别名确定为该真实类别名;以及,
将无法确定预测类别名的预测分类组均确定为未知类别名;
其中,所有预测分类组的预测类别名均不相同。
4.根据权利要求1所述的测评方法,其特征在于,所述含有标注信息的所有数据样本均为人像样本,所述标注信息还包括各人像样本中是否含有人脸;所述测评方法还包括:在“基于待聚类的所有数据样本的总量、关联的数据样本的总量以及正确关联的数据样本的总量,利用混淆矩阵来计算针对所述聚类系统的聚类效果评价指标”的步骤之前,
针对含有标注信息的所有数据样本、有人脸的所有数据样本和无人脸的所有数据样本中的任一种:计算待聚类的所有数据样本的总量、关联的数据样本的总量以及正确关联的数据样本的总量。
6.一种聚类效果测评系统,其特征在于,所述测评系统包括:
获取模块,用于获取含有标注信息的待聚类的所有数据样本的总量,所述标注信息包括各数据样本的真实类别名;
计算模块,用于计算各预测分类组中不同标注信息对应的数据样本的数量,所述预测分类组是聚类系统对所述待聚类的所有数据样本进行聚类后得到;
确定模块,用于基于各所述预测分类组中不同标注信息对应的数据样本的数量确定各预测分类组的预测类别名;
所述计算模块还用于计算已确定的各预测类别名对应的预测分类组中数据样本的总量并将其确定为关联的数据样本的总量,以及计算各预测分类组中真实类别名与预测类别名相同的数据样本的总量并将其确定为正确关联的数据样本的总量;
所述计算模块还用于基于待聚类的所有数据样本的总量、关联的数据样本的总量以及正确关联的数据样本的总量,利用混淆矩阵来计算针对所述聚类系统的聚类效果评价指标。
7.根据权利要求6所述的测评系统,其特征在于,所述确定模块具体用于:
对于一个预测分类组,将其中数据样本的数量最多的真实类别名确定为该预测分类组的预测类别名;或者,对于一个真实类别名,将其对应的数据样本的数量最多的预测分类组的预测类别名确定为该真实类别名;以及,
将无法确定预测类别名的预测分类组均确定为未知类别名;
其中,所有预测分类组的预测类别名均不相同。
8.根据权利要求6所述的测评系统,其特征在于,所述含有标注信息的所有数据样本均为人像样本,所述标注信息还包括各人像样本中是否含有人脸;
所述计算模块还具体用于:计算各所述预测分类组中真实类别名对应的有人脸的数据样本的数量;
所述确定模块还具体用于:
对于一个预测分类组,将其中有人脸的数据样本的数量最多的真实类别名作为该预测分类组的预测类别名;或者,对于一个真实类别名,将其对应的有人脸的数据样本的数量最多的预测分类组的预测类别名确定为该真实类别名;以及,
将无法确定预测类别名的预测分类组均确定为未知类别名;
其中,所有预测分类组的预测类别名均不相同。
9.根据权利要求6所述的测评系统,其特征在于,所述含有标注信息的所有数据样本均为人像样本,所述标注信息还包括各人像样本中是否含有人脸;所述计算模块在用于“基于待聚类的所有数据样本的总量、关联的数据样本的总量以及正确关联的数据样本的总量,利用混淆矩阵来计算针对所述聚类系统的聚类效果评价指标”之前,所述计算模块还用于:
针对含有标注信息的所有数据样本、有人脸的所有数据样本和无人脸的所有数据样本中的任一种:计算待聚类的所有数据样本的总量、关联的数据样本的总量以及正确关联的数据样本的总量。
11.一种计算机可读存储介质,所述计算机可读存储介质中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至5中任一项所述的测评方法。
12.一种聚类效果测评装置,包括处理器和存储器,所述存储器中存储多条程序代码,其特征在于,所述程序代码适于由所述处理器加载并运行以执行权利要求1至5中任一项所述的聚类效果测评方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110292980.7A CN113011742A (zh) | 2021-03-18 | 2021-03-18 | 聚类效果测评方法、系统、介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110292980.7A CN113011742A (zh) | 2021-03-18 | 2021-03-18 | 聚类效果测评方法、系统、介质及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113011742A true CN113011742A (zh) | 2021-06-22 |
Family
ID=76402663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110292980.7A Pending CN113011742A (zh) | 2021-03-18 | 2021-03-18 | 聚类效果测评方法、系统、介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011742A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505730A (zh) * | 2021-07-26 | 2021-10-15 | 全景智联(武汉)科技有限公司 | 基于海量数据的模型评价方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605992A (zh) * | 2013-11-28 | 2014-02-26 | 国家电网公司 | 一种电力内外网交互中的敏感图像识别方法 |
CN105160299A (zh) * | 2015-07-31 | 2015-12-16 | 华南理工大学 | 基于贝叶斯融合稀疏表示分类器的人脸情感识别方法 |
CN110826616A (zh) * | 2019-10-31 | 2020-02-21 | Oppo广东移动通信有限公司 | 信息处理方法及装置、电子设备、存储介质 |
CN111325726A (zh) * | 2020-02-19 | 2020-06-23 | 腾讯医疗健康(深圳)有限公司 | 模型训练方法、图像处理方法、装置、设备及存储介质 |
CN112232270A (zh) * | 2020-10-29 | 2021-01-15 | 广西科技大学 | 一种基于模型量化的mdssd人脸检测方法 |
CN112508044A (zh) * | 2019-09-16 | 2021-03-16 | 华为技术有限公司 | 人工智能ai模型的评估方法、系统及设备 |
-
2021
- 2021-03-18 CN CN202110292980.7A patent/CN113011742A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605992A (zh) * | 2013-11-28 | 2014-02-26 | 国家电网公司 | 一种电力内外网交互中的敏感图像识别方法 |
CN105160299A (zh) * | 2015-07-31 | 2015-12-16 | 华南理工大学 | 基于贝叶斯融合稀疏表示分类器的人脸情感识别方法 |
CN112508044A (zh) * | 2019-09-16 | 2021-03-16 | 华为技术有限公司 | 人工智能ai模型的评估方法、系统及设备 |
CN110826616A (zh) * | 2019-10-31 | 2020-02-21 | Oppo广东移动通信有限公司 | 信息处理方法及装置、电子设备、存储介质 |
CN111325726A (zh) * | 2020-02-19 | 2020-06-23 | 腾讯医疗健康(深圳)有限公司 | 模型训练方法、图像处理方法、装置、设备及存储介质 |
CN112232270A (zh) * | 2020-10-29 | 2021-01-15 | 广西科技大学 | 一种基于模型量化的mdssd人脸检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505730A (zh) * | 2021-07-26 | 2021-10-15 | 全景智联(武汉)科技有限公司 | 基于海量数据的模型评价方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107909443B (zh) | 信息推送方法、装置及系统 | |
TW202007178A (zh) | 用戶特徵的生成方法、裝置、設備及儲存介質 | |
CN105787133B (zh) | 广告信息过滤方法及装置 | |
CN109740573B (zh) | 视频分析方法、装置、设备及服务器 | |
CN111383039A (zh) | 信息推送方法、装置及信息展示系统 | |
CN107885742B (zh) | 服务推荐方法和装置 | |
CN113052079B (zh) | 一种基于人脸聚类的区域客流统计方法、系统、设备和介质 | |
CN106126592B (zh) | 搜索数据的处理方法及装置 | |
CN110837581A (zh) | 视频舆情分析的方法、装置以及存储介质 | |
TWI785267B (zh) | 影像處理方法、電子設備和儲存介質 | |
CN111382627B (zh) | 同行判定方法及相关产品 | |
CN111476107A (zh) | 一种图像处理方法及装置 | |
CN105608476A (zh) | 基于随机森林分类器的分类方法及装置 | |
CN110826646A (zh) | 机器人视觉测试方法、装置、存储介质及终端设备 | |
Bâce et al. | Quantification of users' visual attention during everyday mobile device interactions | |
CN106998336B (zh) | 渠道中的用户检测方法和装置 | |
CN106301979B (zh) | 检测异常渠道的方法和系统 | |
CN113011742A (zh) | 聚类效果测评方法、系统、介质及装置 | |
CN109558505A (zh) | 视觉搜索方法、装置、计算机设备及存储介质 | |
CN112232882B (zh) | 一种客流统计方法、装置及电子设备 | |
CN116186119A (zh) | 用户行为分析方法、装置、设备及存储介质 | |
CN111352821A (zh) | 业务测试方法、装置、电子设备和计算机可读存储介质 | |
CN110909188A (zh) | 检查图片确定方法及装置 | |
Che et al. | Pedestrian multiple-object tracking based on FairMOT and circle loss | |
CN111695511B (zh) | 基于城市社区的对象管理方法、装置、可读介质及设备 |
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 |