CN113204664B - 一种图像聚类方法及装置 - Google Patents
一种图像聚类方法及装置 Download PDFInfo
- Publication number
- CN113204664B CN113204664B CN202110446112.XA CN202110446112A CN113204664B CN 113204664 B CN113204664 B CN 113204664B CN 202110446112 A CN202110446112 A CN 202110446112A CN 113204664 B CN113204664 B CN 113204664B
- Authority
- CN
- China
- Prior art keywords
- image
- clustered
- images
- adjacent
- classified
- 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.)
- Active
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
- G06F16/55—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
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本说明书公开了一种图像聚类方法及装置,基于各待聚类图像之间的相似度,确定各待聚类图像的临近图像,以得到各待聚类图像的密度,并根据各待聚类图像的密度,从由各待聚类图像及其临近图像组成的各待选图像对中,筛选出若干待分类图像对,最后基于对各待分类图像对是否属于同类的分类结果,确定待聚类图像的聚类结果。本方法仅需要根据各待聚类图像的特征计算一次相似度,即可实现对各待聚类图像的聚类,减少了图像聚类的计算量,使得通过本方法进行图像聚类,得到聚类结果的时间更短,效率更高。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种图像聚类方法及装置。
背景技术
图像聚类,是指将图像集合中的图像分成由类似的图像组成的多个类的过程,通常可用于图像信息的整理,或者用于生成训练样本标注等,属于一种常见的图像处理手段。
现有图像聚类方法,一般是基于图像提取出的图像特征,通过传统聚类算法进行图像聚类,例如,通过k均值聚类算法(k-means clustering algorithm)或密度的含噪空间聚类方法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)等算法进行聚类。
但是,由于传统算法在进行图像聚类时,需要根据各图像特征,重复确定各图像的相似度、密度等,但图像特征较为复杂,因此,根据传统算法进行图像聚类的计算量较大。且当需要进行聚类的图像的数量较多时,基于传统算法进行图像聚类的方法对于计算资源的需求较大,得到聚类结果的时间较长,效率较低。
发明内容
本说明书提供一种图像聚类方法及装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供一种图像聚类方法,包括:
确定各待聚类图像的特征;
针对每个待聚类图像,根据各待聚类图像的特征,确定各其他待聚类图像分别与该待聚类图像的相似度,并根据各其他待聚类图像与该待聚类图像的相似度以及预设的指定数量,确定该待聚类图像的各临近图像;
根据该待聚类图像的各临近图像与该待聚类图像的相似度,确定该待聚类图像的密度;
基于由各待聚类图像及其临近图像组成的各待选图像对,根据各待聚类图像的密度,从各待选图像对中筛选得到若干待分类图像对;
将各待分类图像对作为输入,输入到训练完成的分类器中,得到所述分类器输出的各待分类图像对的分类结果,并根据所述分类结果为相同类型的各待分类图像对,确定各待聚类图像的聚类结果。
可选地,根据各其他待聚类图像与该待聚类图像的相似度以及预设的指定数量,确定该待聚类图像的各临近图像,具体包括:
根据各其他待聚类图像与该待聚类图像的相似度从大到小的顺序,对各待聚类图像进行排序;
根据预设的指定数量以及所述排序,确定指定数量的待聚类图像,作为该待聚类图像的各临近图像。
可选地,根据该待聚类图像的各临近图像与该待聚类图像的相似度,确定该待聚类图像的密度,具体包括:
根据该待聚类图像的各邻近图像与该待聚类图像的相似度,将各邻近图像进行排序;
根据确定出的各邻近图像的排序,确定各临近图像的权重;
根据各临近图像与该待聚类图像的相似度,以及各临近图像的权重,确定该待聚类图像的密度。
可选地,根据各待聚类图像的密度,从各待选图像对中筛选得到若干待分类图像对,具体包括:
针对每个待聚类图像,根据该待聚类图像的密度,判断该待聚类图像的临近图像中,是否存在密度高于该待聚类图像的密度的临近图像;
若是,从该待聚类图像及其临近图像组成的各待选图像对中,确定密度高于该待聚类图像的临近图像与该待聚类图像组成的待选图像对,作为待分类图像对。
可选地,将各待分类图像对作为输入,输入到训练完成的分类器中,得到所述分类器输出的各待分类图像对的分类结果,具体包括:
针对每个待分类图像对,根据该待分类图像对中的每个待聚类图像的特征,以及该待分类图像对中的每个待聚类图像的各临近图像的特征,确定该待分类图像对的配对特征;
将该待分类图像对的配对特征作为输入,输入到分类器中,得到所述分类器输出的该待分类图像对的分类结果。
可选地,根据所述分类结果为相同类型的各待分类图像对,确定各待聚类图像的聚类结果,具体包括:
针对每个待分类图像对,当该待分类图像对的分类结果为相同类型时,确定该待分类图像对中的各待聚类图像的关联关系;
根据确定出的各待聚类图像的关联关系,确定各待聚类图像的聚类结果。
可选地,根据该待聚类图像的各临近图像与该待聚类图像的相似度,确定该待聚类图像的密度,具体包括:
根据该待聚类图像的各临近图像与该待聚类图像的相似度,确定该待聚类图像的各临近图像与该待聚类图像的各相似度之和,作为该待聚类图像的密度。
本说明书提供一种图像聚类装置,包括:
特征确定模块,用于确定各待聚类图像的特征;
第一确定模块,针对每个待聚类图像,根据各待聚类图像的特征,确定各其他待聚类图像分别与该待聚类图像的相似度,并根据各其他待聚类图像与该待聚类图像的相似度以及预设的指定数量,确定该待聚类图像的各临近图像;
密度确定模块,根据该待聚类图像的各临近图像与该待聚类图像的相似度,确定该待聚类图像的密度;
第二确定模块,基于由各待聚类图像及其临近图像组成的各待选图像对,根据各待聚类图像的密度,从各待选图像对中筛选得到若干待分类图像对;
聚类模块,将各待分类图像对作为输入,输入到训练完成的分类器中,得到所述分类器输出的各待分类图像对的分类结果,并根据所述分类结果为相同类型的各待分类图像对,确定各待聚类图像的聚类结果。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述图像聚类方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述图像聚类方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的图像聚类方法中,基于各待聚类图像之间的相似度,确定各待聚类图像的临近图像,以得到各待聚类图像的密度,并根据各待聚类图像的密度,从由各待聚类图像及其临近图像组成的各待选图像对中,筛选出若干待分类图像对,最后基于对各待分类图像对是否属于同类的分类结果,确定待聚类图像的聚类结果。
从上述方法中可以看出,本方法仅需要根据各待聚类图像的特征计算一次相似度,即可实现对各待聚类图像的聚类,减少了图像聚类的计算量,使得通过本方法进行图像聚类,得到聚类结果的时间更短,效率更高。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书提供的图像聚类方法的流程示意图;
图2为本说明书提供的各待聚类图像特征的示意图;
图3为本说明书提供的确定配对特征的示意图;
图4为本说明书提供的图像聚类方法的流程示意图;
图5为本说明书提供的图像聚类装置示意图;
图6为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
区别于现有技术中直接根据各待聚类图像的特征,重复确定各图像的相似度、密度等,对各图像进行聚类,本说明书提出一种新的图像聚类方法,使得服务器可仅根据各待聚类图像的特征,确定一次各图像之间的相似度,并基于确定出的相似度,对各图像进行聚类。避免了由于重复确定相似度、密度带来的对计算资源的浪费。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的图像聚类方法的流程示意图,具体包括以下步骤:
S100:确定各待聚类图像的特征。
一般的,图像聚类方法可基于各待聚类图像的特征,对各图像进行聚类,因此,服务器可首先确定各待聚类图像的特征。
具体的,该服务器可获取需要进行聚类的各待聚类图像,以使后续可基于获取到的各待聚类图像进行图像聚类。当获取到各待聚类图像后,该服务器可将各待聚类图像作为输入,输入到预先训练好的特征提取模型,得到该特征提取模型输出的各待聚类图像的特征,其中,该特征提取模型可为卷积神经网络层(Convolutional Neural Networks,CNN),也可为其他的能够提取图像特征的模型,通过何种特征提取模型提取图像的特征可根据需要进行设置,本说明书对此不做限制。
在本说明书提供的一个或多个实施例中,该图像聚类方法针对的是需要对大量图像进行聚类的场景,由于需要对大量图像进行特征提取,并且在进行图像聚类是还需要基于图像的特征进行大量的相似度计算,因此图像聚类方法通常对于算力要求较高,所以本说明书提供的该图像聚类方法具体可由服务器执行。
S102:针对每个待聚类图像,根据各待聚类图像的特征,确定各其他待聚类图像分别与该待聚类图像的相似度,并根据各其他待聚类图像与该待聚类图像的相似度以及预设的指定数量,确定该待聚类图像的各临近图像。
在本说明书提供的一个或多个实施例中,为了可基于各聚类图像的密度,进行图像聚类,该服务器在通过步骤S100确定各待聚类图像的特征之后,便可基于特征确定两两待聚类图像之间的相似度,并根据确定出的各相似度与预设的指定数量,确定每个待聚类图像的临近图像,临近图像用于确定待聚类图像的密度。
具体的,首先,该服务器可针对每个待聚类图像,将该待聚类图像的特征,分别与其他待聚类图像的特征,进行相似度计算,确定该待聚类图像分别与各其他待聚类图像的相似度。该相似度表示了在图像的特征空间中,该待聚类图像分别与其他待聚类图像的距离,距离越远则相似度越低,反之亦然。后续便可根据确定该待聚类图像的临近图像。
其中,该服务器可根据相似度函数sij=fi·fj,确定该待聚类图像与其他待聚类图像的相似度,该相似度函数中,i表示该待聚类图像,j表示任一其他待聚类图像,fi为该待聚类图像的特征,fj为其他待聚类图像的特征,则sij为其他待聚类图像与该待聚类图像的相似度。
之后,在确定出各其他待聚类图像分别与该待聚类图像的相似度后,该服务器还可根据各待聚类图像与该待聚类图像的相似度,按照相似度从大到小的顺序,对各其他待聚类图像进行排序。也就是说,在该排序中,与该待聚类图像相似度越高,则排序越靠前。
最后,该服务器可基于该排序,按照与该待聚类图像相似度从高到低顺序,将指定数量的其他待聚类图像,作为该待聚类图像的临近图像。
进一步的,在衡量数据之间的相关性方面,余弦距离相较于其他可用于描述相似度的参数更加敏感,因此,该服务器在针对每个待聚类图像,确定各其他待聚类图像与该待聚类图像的相似度,以及基于各相似度确定该待聚类图像的临近图像时,可优选余弦距离来描述各待聚类图像之间的相似度,即,根据各待聚类图像的特征,针对每个待聚类图像,确定各其他待聚类图像分别与该待聚类图像的余弦距离,并根据确定出的各余弦距离,确定该待聚类图像的各临近图像。当然,也可用欧式距离来对各待聚类图像之间的相似度进行描述。
需要说明的是,上述的余弦距离、欧式距离以及相似度函数中使用的内积,都为衡量相似度的参数,具体的该相似度采用何种参数可根据需要进行设置,本说明书对此不作限制。
S104:根据该待聚类图像的各临近图像与该待聚类图像的相似度,确定该待聚类图像的密度。
在本说明书提供的一个或多个实施例中,在确定出各待聚类图像的临近图像后,该服务器还可根据该待聚类图像的各临近图像与该待聚类图像的相似度,确定该待聚类图像的密度。
具体的,假设步骤S100获取到的各待聚类图像是可通过聚类,划分为多类图像的,则距离某个聚类中心较近的待聚类图像,其临近图像与自身之间的相似度,一般会明显高于距离某聚类中心较远的另一个待聚类图像,其临近图像与之的相似度。且在临近图像数量相同的前提下,距离某个聚类中心较近的待聚类图像及其临近图像的各相似度总和,高于距离某聚类中心较远的另一个待聚类图像及其各临近图像的各相似度总和,如图2所示。
图2为本说明书提供的各待聚类图像特征的示意图,对图像进行特征提取得到的图像特征的维度一般为n维,为了方便理解,图2中以各待聚类图像的特征的维度为2维为例进行表示,则根据各待聚类图像的特征,可确定各待聚类图像的位置,显然,各待聚类图像之间的距离越近,则相似度越高。图2中,A点为距离聚类中心较近的待聚类图像,B点为距离聚类中心较远的待聚类图像。可见,位于A点的待聚类图像的各临近图像与A点的距离较近,位于B点的待聚类图像的各临近图像与B点的距离较远。于是,位于A点的待聚类图像的各临近图像与其自身的相似度较高,位于B点的待聚类图像的各临近图像与之的相似度较低。进而可确定位于A点的待聚类图像及其临近图像的相似度总和,高于位于B点的待聚类图像及其各临近图像的各相似度总和。
于是,基于各待聚类图像的临近图像与各待聚类图像的相似度,即可大致确定各待聚类图像与聚类中心的距离。则该服务器可基于各待聚类图像及其各临近图像的相似度,确定各待聚类图像的密度,并用密度来表征各待聚类图像距离聚类中心的远近程度,或该待聚类图像属于聚类中心的概率。
具体的,该服务器可针对每个待聚类图像,根据该待聚类图像的各临近图像与该待聚类图像的相似度,确定该待聚类图像与该待聚类图像的各临近图像的相似度之和,作为该待聚类图像的密度。一般的,密度越高,该待聚类图像为聚类中心的概率越高,或者该待聚类图像距离聚类中心越近。
S106:基于由各待聚类图像及其临近图像组成的各待选图像对,根据各待聚类图像的密度,从各待选图像对中筛选得到若干待分类图像对。
在本说明书提供的一个或多个实施例中,在确定出各待聚类图像的密度后,该服务器还可基于步骤S104中确定出的各待聚类图像的密度,确定用于输入分类器的各待分类图像对,以便于后续对各待聚类图像进行聚类。
具体的,首先,针对每个待聚类图像,该待聚类图像的各邻近图像与该待聚类图像的相似度较高,则该待聚类图像的各临近图像显然较为可能与该待聚类图像为相同类型,因此,仅需判断该待聚类图像与各临近图像是否为相同类型,即可实现对各图像的聚类。于是,该服务器可针对每个待聚类图像,根据该待聚类图像以及该待聚类图像的各临近图像,分别确定各待选图像对。
然后,如果要对每个待聚类图像及其临近图像进行判断,则对计算资源的要求较大,则该服务器可根据步骤S104中确定出的各待聚类图像的密度,对各待选图像对进行筛选,确定各待分类图像对,以便于后续可基于各待分类图像对进行聚类。而如前所述的,与某聚类中心更接近的待聚类图像的密度,显然高于与某聚类中心距离较远的待聚类图像的密度,因此,针对每个待聚类图像,密度高于该待聚类图像的密度的临近图像与该待聚类图像为相同类型的概率越大,密度低于该待聚类图像的密度的临近图像与该待聚类图像为相同类型的概率越小。则针对每个待聚类图像,通过判断该待聚类图像及其临近图像组成的待选图像对中,较为可能为相同类型的待选图像对是否为相同类型,即可实现对各待聚类图像的聚类。于是,该服务器可针对每个待聚类图像,根据该待聚类图像的密度,判断该待聚类图像的临近图像中,是否存在密度高于该待聚类图像的密度的临近图像。
最后,当存在密度高于该待聚类图像的密度的临近图像时,该服务器可从各待选图像对中,确定该临近图像与该待聚类图像组成的待选图像对,作为待分类图像对。当不存在密度高于该待聚类图像的密度的临近图像时,则可确定不将该待聚类图像及其临近图像组成的待选图像对作为待分类图像对。
进一步的,为了进一步节约计算资源,该服务器在根据各待聚类图像的密度,对各待选图像对进行筛选时,还可针对每个待聚类图像,根据该待聚类图像的密度,从该待聚类图像的各临近图像中,按照相似度由高到低寻找少于指定数量的高于该待聚类图像的密度的临近图像,如,一个,并从各待选图像对中,确定寻找到的该临近图像与该待聚类图像组成的待选图像对,作为待分类图像对。
S108:将各待分类图像对作为输入,输入到训练完成的分类器中,得到所述分类器输出的各待分类图像对的分类结果,并根据所述分类结果为相同类型的各待分类图像对,确定各待聚类图像的聚类结果。
在本说明书提供的一个或多个实施例中,在确定出各待分类图像对后,该服务器还可对各待分类图像对进行分类,确定各待分类图像对的分类结果,进而确定各待聚类图像的聚类结果。
具体的,如前所述的,该服务器可判断各待分类图像对中包含的各待聚类图像是否为相同类型,即可实现对各待聚类图像的聚类。于是,该服务器中可预存有预先训练好的分类器,当确定出各待分类图像对后,该服务器可将各待分类图像对作为输入,输入该训练完成的分类器中,得到该分类器输出的各待分类图像对的分类结果。其中,该分类结果为该待分类图像对中包含的各待聚类图像是否为相同类型。
于是,在确定出各待分类图像对的分类结果后,该服务器可针对每个待分类图像对,当该待分类图像对的分类结果为相同类型时,确定该待分类图像对中的各待聚类图像的关联关系,并根据确定出的各待聚类图像的关联关系,使用宽度优先搜索算法,确定各待聚类图像的聚类结果。
进一步的,针对每个待聚类图像,该待聚类图像的各临近图像与该待聚类图像的相似度较高,因而可以补充该待聚类图像的一些特征,于是,在对各待分类图像对进行分类时,该服务器还可在输入该分类器的待分类图像对中,加入各临近图像的因素。
于是,针对每个待分类图像对,该服务器可根据该待分类图像对中的每个待聚类图像的特征,以及该待分类图像对中的每个待聚类图像的各临近图像的特征,确定该待分类图像对的配对特征。在配对特征确定好后,该服务器可将该待分类图像对的配对特征作为输入,输入到分类器中,得到分类器输出的该待分类图像对的分类结果。如图3所示。
图3为本说明书提供的确定配对特征的示意图,图中黑色圆A和灰色圆B,为待分类图像对中的各待聚类图像,白色圆A1、A2、A3、A4为待聚类图像A的各临近图像,白色圆B1、B2、B3、B4为待聚类图像B的各临近图像,于是,根据待聚类图像A,可确定特征1的黑色部分,根据待聚类图像A的临近图像A1、A2、A3、A4,可确定特征1的白色部分,同理,根据待聚类图像B,可确定特征2的灰色部分,根据待聚类图像B的临近图像B1、B2、B3、B4,可确定特征2的白色部分,则根据特征1和特征2,可确定由配对特征待聚类图像A和待聚类图像B组成的待分类图像对的配对特征。
基于图1的图像聚类方法,基于各待聚类图像之间的相似度,确定各待聚类图像的临近图像,以得到各待聚类图像的密度,并根据各待聚类图像的密度,从由各待聚类图像及其临近图像组成的各待选图像对中,筛选出若干待分类图像对,最后基于对各待分类图像对是否属于同类的分类结果,确定待聚类图像的聚类结果。本方法仅需要根据各待聚类图像的特征计算一次相似度,即可实现对各待聚类图像的聚类,减少了图像聚类的计算量,使得通过本方法进行图像聚类,得到聚类结果的时间更短,效率更高。
另外,现有技术还提供一种基于图神经网络的图像聚类方法,首先通过对各待聚类图像进行不同维度的特征提取等,确定出各待聚类图像的不同维度的特征。其次,针对每张待聚类图像,确定与该待聚类图像的相似度高于相似度阈值的各待聚类图像,作为该待聚类图像的各候选图像。然后,根据各待聚类图像及其候选图像,构建待聚类图像对,最后,基于多维特征,确定该待聚类图像对的分类结果,并基于分类结果进行聚类。但是,现有技术在实现对各待聚类图像的聚类中,需要确定多个维度的各待聚类图像的特征,并在构建各待聚类样本对时,需要对各维度特征进行融合,导致计算量过大。而本方法仅需要对各待聚类图像进行一次特征提取,且本方法中的各待分类图像对,为根据各待聚类图像的密度将各待选图像对进行筛选得到的,因此,对计算资源的需求更小,效率更高。
进一步的,在步骤S102中,确定各待聚类图像的临近图像时,还可预设相似度阈值,于是,针对每个待聚类图像,该服务器可根据相似度阈值,确定与该待聚类图像的相似度高于相似度阈值的各其他待聚类图像,作为该待聚类图像的各临近图像。当然,也可根据预设的指定数量,从与该待聚类图像的相似度高于相似度阈值的各其他待聚类图像中,确定指定数量的各待聚类图像,作为该待聚类图像的各临近图像。当与该待聚类图像的相似度高于相似度阈值的各其他待聚类图像的数量小于指定数量时,为了保证后续步骤S108中可确定各待分类图像对的配对特征,该服务器还可确定与该待聚类图像的相似度高于相似度阈值的各其他待聚类图像,作为该待聚类图像的各临近图像,并将该待聚类图像的其他临近图像的特征,用0进行填充。
更进一步的,在步骤S104中,若仅根据相似度确定密度,则可能出现距离聚类中心较远的待聚类图像与离散的待聚类图像的密度相同的情况,如,待聚类图像A的各临近图像与待聚类图像A的相似度分别为0.7、0.4、0.1,待聚类图像B的各临近图像与待聚类图像B的相似度分别为0.4、0.4、0.4,若仅根据相似度确定密度,则待聚类图像A和待聚类图像B的密度都为1.2,但显然待聚类图像A较之待聚类图像B,距离聚类中心更近。因此,为了准确对各待聚类图像进行聚类,该服务器还可预设权重。
具体的,针对每个待聚类图像,该服务器可根据该待聚类图像的各临近图像与该待聚类图像的相似度,将各临近图像进行排序。于是,该服务器可根据确定出的各临近图像的排序,确定各临近图像的权重。其中,该权重与临近图像在确定出的排序中的排位相关。如,令临近图像的数量为5,则若确定出的排序为按照相似度由大到小的各临近图像的序列,预设的各临近图像的权重可为0.9、0.7、0.5、0.3、0.1。若确定出的排序为按照相似度由小到大的各临近图像的序列,预设的各临近图像的权重可为0.1、0.3、0.5、0.7、0.9。
在确定出各临近图像的权重后,该服务器可根据各临近图像与该待聚类图像的相似度,以及各临近图像的权重,确定该待聚类图像的密度。具体可由密度确定函教确定,其中,di为各待聚类图像中第i个待聚类图像的密度,f(j)为预设的权重确定函数,为单调函数,sij为各待聚类图像中的第j张待聚类图像相对于第i张待聚类图像的相似度,k为预设的各临近图像的个数。
需要说明的是,上述各临近图像的权重,可为人为预设的,也可为确定出各临近图像的排位后,根据排位与权重确定函数确定的,其中该权重确定函数为可为幂函数、指数函数、对数函数等,在其预设的临近图像的个数1~k内为单调函数,且当确定出的按照相似度由大到小进行排序的各临近图像的序列时,为单调递减函数,当确定出的按照相似度由小到大进行排序的各临近图像的序列时,为单调递增函数即可,具体的该权重确定函数的内容,可根据需要进行设置,本说明书对此不作限制。
另外,本说明书中所述的分类器,可由训练模型的服务器预先训练得到,在执行本说明书的图像聚类方法的服务器需要进行图像聚类时,向训练模型的服务器发送获取请求,获取该用于对各待分类图像对进行分类的分类器。在训练模型时,可获取若干图像,基于各图像确定各待分类图像对,作为训练样本,并将各待分类图像对中的各图像是否为相同类型作为标注,将各训练样本输入到待训练的分类器中,确定各训练样本的分类结果,以各训练样本的分类结果与标注之间的差异最小化为训练目标,对该分类器进行训练。
进一步地,基于图1所示的图像聚类方法的流程示意图,本说明书还提供另一种图像聚类方法的流程示意图,如图4所示。
图4为本说明书提供的图像聚类方法的流程示意图,首先,与图2类似,图4中A部分也以各待聚类图像的特征的维度为2维为例进行表示,则可确定如图4中A部分所示的各黑色圆点,为各待聚类图像的特征。其次,针对每个待聚类图像,基于各待聚类图像的特征,可确定该待聚类图像的临近图像,图中B部分,以黑色圆点1表征的待聚类图像为例,假设指定数量为4,可确定黑色圆点2、黑色圆点3、黑色圆点4、黑色圆点5表征的待聚类图像为黑色圆点1表征的待聚类图像的各临近图像,为了方便说明,图4中B部分仅以黑色圆点1为例进行了说明,其他待聚类图像与其各临近图像的关系未进行标注。
然后,针对每个待聚类图像,根据该待聚类图像的各临近图像的相似度,可确定该待聚类图像的密度,各待聚类图像的密度图如图4中C部分所示,各圆点的颜色表征了待聚类图像的密度高低,C部分中圆点的颜色越深,则表示该圆点对应的待聚类图像的密度越高,反之颜色越浅,则表示对应的待聚类图像的密度越低。可见,圆点之间的箭头表示密度升高的方向。
最后,基于各待聚类图像的密度,可确定各待分类图像对,图4中C部分假设仅根据临近图像中第一个高于该待聚类图像的临近图像,确定各待分类图像对。于是,以圆点1为例,从圆点1及其各临近图像组成的各待选图像对中,只筛选出圆点2与圆点1组成的待选图像对,作为待分类图像对。
则可根据圆点1的特征及其临近图像的特征,确定特征1,根据圆点2及其临近图像的特征,确定特征2,并基于特征1和特征2确定出的配对特征,通过分类器,确定圆点1和圆点2组成的待分类图像对的分类结果,显然,为相同类型,则可建立圆点1和圆点2的关联关系。于是,便可基于各分类结果为相同类型的待分类图像对,确定各待聚类图像之间的关联关系,进而确定如图4中D部分所示的各待聚类图像的聚类结果,其中,白色圆点为一类,黑色圆点为另一类。
需要说明的是,图4中表征密度高低的颜色,以及聚类结果的颜色等,都可根据需要进行设置,本说明书对此不做限制。
以上为本说明书的一个或多个实施例提供的图像聚类方法,基于同样的思路,本说明书还提供了相应的图像聚类装置,如图5所示。
图5为本说明书提供的图像聚类装置示意图,包括:
特征确定模块200,用于确定各待聚类图像的特征。
第一确定模块202,针对每个待聚类图像,根据各待聚类图像的特征,确定各其他待聚类图像分别与该待聚类图像的相似度,并根据各其他待聚类图像与该待聚类图像的相似度以及预设的指定数量,确定该待聚类图像的各临近图像。
密度确定模块204,根据该待聚类图像的各临近图像与该待聚类图像的相似度,确定该待聚类图像的密度。
第二确定模块206,基于由各待聚类图像及其临近图像组成的各待选图像对,根据各待聚类图像的密度,从各待选图像对中筛选得到若干待分类图像对。
聚类模块208,将各待分类图像对作为输入,输入到训练完成的分类器中,得到所述分类器输出的各待分类图像对的分类结果,并根据所述分类结果为相同类型的各待分类图像对,确定各待聚类图像的聚类结果。
可选地,所述第一确定模块202,具体用于根据各其他待聚类图像与该待聚类图像的相似度从大到小的顺序,对各待聚类图像进行排序,根据预设的指定数量以及所述排序,确定指定数量的待聚类图像,作为该待聚类图像的各临近图像。
可选地,所述密度确定模块204,具体用于根据该待聚类图像的各邻近图像与该待聚类图像的相似度,将各邻近图像进行排序,根据确定出的各邻近图像的排序,确定各临近图像的权重,根据各临近图像与该待聚类图像的相似度,以及各临近图像的权重,确定该待聚类图像的密度。
可选地,所述第二确定模块206,具体用于针对每个待聚类图像,根据该待聚类图像的密度,判断该待聚类图像的临近图像中,是否存在密度高于该待聚类图像的密度的临近图像,若是,从该待聚类图像及其临近图像组成的各待选图像对中,确定密度高于该待聚类图像的临近图像与该待聚类图像组成的待选图像对,作为待分类图像对。
可选地,所述聚类模块208,具体用于针对每个待分类图像对,根据该待分类图像对中的每个待聚类图像的特征,以及该待分类图像对中的每个待聚类图像的各临近图像的特征,确定该待分类图像对的配对特征,将该待分类图像对的配对特征作为输入,输入到分类器中,得到所述分类器输出的该待分类图像对的分类结果。
可选地,所述聚类模块208,具体用于针对每个待分类图像对,当该待分类图像对的分类结果为相同类型时,确定该待分类图像对中的各待聚类图像的关联关系,根据确定出的各待聚类图像的关联关系,确定各待聚类图像的聚类结果。
可选地,所述密度确定模块204,具体用于根据该待聚类图像的各临近图像与该待聚类图像的相似度,确定该待聚类图像的各临近图像与该待聚类图像的各相似度之和,作为该待聚类图像的密度。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的图像聚类方法。
本说明书还提供了图6所示的电子设备的示意结构图。如图6所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的图像聚类方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (9)
1.一种图像聚类方法,其特征在于,所述方法包括:
确定各待聚类图像的特征;
针对每个待聚类图像,根据各待聚类图像的特征,确定各其他待聚类图像分别与该待聚类图像的相似度,并根据各其他待聚类图像与该待聚类图像的相似度以及预设的指定数量,确定该待聚类图像的各临近图像;
根据该待聚类图像的各临近图像与该待聚类图像的相似度,确定该待聚类图像的各临近图像与该待聚类图像的各相似度之和,作为该待聚类图像的密度;
基于由各待聚类图像及其临近图像组成的各待选图像对,根据各待选图像对中待聚类图像的密度及其临近图像的密度,从各待选图像对中筛选得到若干待分类图像对;
将各待分类图像对作为输入,输入到训练完成的分类器中,得到所述分类器输出的各待分类图像对的分类结果,并根据所述分类结果为相同类型的各待分类图像对,确定各待聚类图像的聚类结果。
2.如权利要求1所述的方法,其特征在于,根据各其他待聚类图像与该待聚类图像的相似度以及预设的指定数量,确定该待聚类图像的各临近图像,具体包括:
根据各其他待聚类图像与该待聚类图像的相似度从大到小的顺序,对各待聚类图像进行排序;
根据预设的指定数量以及所述排序,确定指定数量的待聚类图像,作为该待聚类图像的各临近图像。
3.如权利要求1所述的方法,其特征在于,根据该待聚类图像的各临近图像与该待聚类图像的相似度,确定该待聚类图像的各临近图像与该待聚类图像的各相似度之和,作为该待聚类图像的密度,具体包括:
根据该待聚类图像的各邻近图像与该待聚类图像的相似度,将各邻近图像进行排序;
根据确定出的各邻近图像的排序,确定各临近图像的权重;
根据各临近图像与该待聚类图像的相似度,以及各临近图像的权重,确定该待聚类图像的密度。
4.如权利要求1所述的方法,其特征在于,根据各待选图像对中待聚类图像的密度及其临近图像的密度,从各待选图像对中筛选得到若干待分类图像对,具体包括:
针对每个待聚类图像,根据该待聚类图像的密度,判断该待聚类图像的临近图像中,是否存在密度高于该待聚类图像的密度的临近图像;
若是,从该待聚类图像及其临近图像组成的各待选图像对中,确定密度高于该待聚类图像的临近图像与该待聚类图像组成的待选图像对,作为待分类图像对。
5.如权利要求1所述的方法,其特征在于,将各待分类图像对作为输入,输入到训练完成的分类器中,得到所述分类器输出的各待分类图像对的分类结果,具体包括:
针对每个待分类图像对,根据该待分类图像对中的每个待聚类图像的特征,以及该待分类图像对中的每个待聚类图像的各临近图像的特征,确定该待分类图像对的配对特征;
将该待分类图像对的配对特征作为输入,输入到分类器中,得到所述分类器输出的该待分类图像对的分类结果。
6.如权利要求1所述的方法,其特征在于,根据所述分类结果为相同类型的各待分类图像对,确定各待聚类图像的聚类结果,具体包括:
针对每个待分类图像对,当该待分类图像对的分类结果为相同类型时,确定该待分类图像对中的各待聚类图像的关联关系;
根据确定出的各待聚类图像的关联关系,确定各待聚类图像的聚类结果。
7.一种图像聚类装置,其特征在于,所述装置包括:
特征确定模块,用于确定各待聚类图像的特征;
第一确定模块,针对每个待聚类图像,根据各待聚类图像的特征,确定各其他待聚类图像分别与该待聚类图像的相似度,并根据各其他待聚类图像与该待聚类图像的相似度以及预设的指定数量,确定该待聚类图像的各临近图像;
密度确定模块,根据该待聚类图像的各临近图像与该待聚类图像的相似度,确定该待聚类图像的各临近图像与该待聚类图像的各相似度之和,作为该待聚类图像的密度;
第二确定模块,基于由各待聚类图像及其临近图像组成的各待选图像对,根据各待选图像对中待聚类图像的密度及其临近图像的密度,从各待选图像对中筛选得到若干待分类图像对;
聚类模块,将各待分类图像对作为输入,输入到训练完成的分类器中,得到所述分类器输出的各待分类图像对的分类结果,并根据所述分类结果为相同类型的各待分类图像对,确定各待聚类图像的聚类结果。
8.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~6任一项所述的方法。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110446112.XA CN113204664B (zh) | 2021-04-25 | 2021-04-25 | 一种图像聚类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110446112.XA CN113204664B (zh) | 2021-04-25 | 2021-04-25 | 一种图像聚类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113204664A CN113204664A (zh) | 2021-08-03 |
CN113204664B true CN113204664B (zh) | 2022-11-04 |
Family
ID=77028401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110446112.XA Active CN113204664B (zh) | 2021-04-25 | 2021-04-25 | 一种图像聚类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113204664B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8346767B2 (en) * | 2010-04-21 | 2013-01-01 | Microsoft Corporation | Image search result summarization with informative priors |
JP6131723B2 (ja) * | 2012-11-26 | 2017-05-24 | 株式会社リコー | 情報処理装置、情報処理方法、プログラムおよび記録媒体 |
JP6314071B2 (ja) * | 2014-10-07 | 2018-04-18 | 株式会社Nttドコモ | 情報処理装置、情報処理方法及びプログラム |
CN108665441B (zh) * | 2018-03-30 | 2019-09-17 | 北京三快在线科技有限公司 | 一种近似重复图像检测方法及装置,电子设备 |
CN111325245B (zh) * | 2020-02-05 | 2023-10-17 | 腾讯科技(深圳)有限公司 | 重复图像识别方法、装置、电子设备及计算机可读存储介质 |
CN111444370A (zh) * | 2020-03-09 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 图像检索方法、装置、设备及其存储介质 |
CN111814923B (zh) * | 2020-09-10 | 2020-12-25 | 上海云从汇临人工智能科技有限公司 | 一种图像聚类方法、系统、设备和介质 |
CN112328826A (zh) * | 2020-11-03 | 2021-02-05 | 珠海大横琴科技发展有限公司 | 一种船只图像检索方法、装置、电子设备以及存储介质 |
-
2021
- 2021-04-25 CN CN202110446112.XA patent/CN113204664B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113204664A (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109471938B (zh) | 一种文本分类方法及终端 | |
EP3248143B1 (en) | Reducing computational resources utilized for training an image-based classifier | |
CN112287927B (zh) | 一种文本图像倾斜角度的检测方法及装置 | |
US11816149B2 (en) | Electronic device and control method thereof | |
CN107683469A (zh) | 一种基于深度学习的产品分类方法及装置 | |
CN111126396A (zh) | 图像识别方法、装置、计算机设备以及存储介质 | |
CN113255714A (zh) | 图像聚类方法、装置、电子设备及计算机可读存储介质 | |
CN115443490A (zh) | 影像审核方法及装置、设备、存储介质 | |
CN114283350A (zh) | 视觉模型训练和视频处理方法、装置、设备及存储介质 | |
CN115712866A (zh) | 数据处理方法、装置及设备 | |
CN115828162A (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
CN110490225B (zh) | 基于场景的图像分类方法、装置、系统和存储介质 | |
CN113988162A (zh) | 模型训练及图像识别方法、装置、存储介质及电子设备 | |
CN117113174A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN112365513A (zh) | 一种模型训练的方法及装置 | |
CN115545572B (zh) | 一种业务风控的方法、装置、设备及存储介质 | |
CN113204664B (zh) | 一种图像聚类方法及装置 | |
CN116757278A (zh) | 一种预测模型的训练方法、装置、存储介质及电子设备 | |
CN115984671A (zh) | 模型在线更新方法、装置、电子设备及可读存储介质 | |
CN116152933A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN114926687A (zh) | 一种分类模型的训练方法及装置 | |
CN116227467A (zh) | 模型的训练方法、文本处理方法及装置 | |
CN115204395A (zh) | 数据的处理方法、装置及设备 | |
CN113344197A (zh) | 一种识别模型的训练方法、业务执行的方法以及装置 | |
KR102060110B1 (ko) | 컨텐츠에 포함되는 객체를 분류하는 방법, 장치 및 컴퓨터 프로그램 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |