CN113222050A - 图像分类方法、装置、可读介质及电子设备 - Google Patents
图像分类方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN113222050A CN113222050A CN202110580309.2A CN202110580309A CN113222050A CN 113222050 A CN113222050 A CN 113222050A CN 202110580309 A CN202110580309 A CN 202110580309A CN 113222050 A CN113222050 A CN 113222050A
- Authority
- CN
- China
- Prior art keywords
- image
- image sample
- classification model
- target
- loss value
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013145 classification model Methods 0.000 claims abstract description 203
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000037308 hair color Effects 0.000 description 21
- 241001465754 Metazoa Species 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 230000015654 memory Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Abstract
本公开涉及一种图像分类方法、装置、可读介质及电子设备，所述方法包括：获取待分类的目标图像；将所述目标图像输入预先训练的目标多标签分类模型，得到所述目标图像对应的多种类型；其中，所述目标多标签分类模型是将根据第一损失值和第二损失值从图像样本集中确定的目标图像样本作为模型训练样本，对预设多标签分类模型进行训练得到的，第一损失值是通过所述预设多标签分类模型，获取的所述图像样本集中每个图像样本的损失值，第二损失值是通过所述图像样本集中每个所述图像样本对应的单标签分类模型，获取的每个所述图像样本的损失值。这样，根据该目标图像样本训练得到的该目标多标签分类模型的准确率更高，从而可以提高图像分类的准确率。
Description
技术领域
本公开涉及图像处理技术领域，具体地，涉及一种图像分类方法、装置、可读介质及电子设备。
背景技术
随着计算机技术的飞速发展，图像处理技术可应用的范围越来越广泛，例如，通过深度学习模型实现图像分类、行人检测以及医学诊断等问题。传统的图像分类主要包括单标签分类和多标签分类，单标签分类是指一个图像对应一个类别标签，多标签分类是指一个图像对应多个类别标签。
相关技术中，通过多标签分类模型获取图像对应的多个类别标签，但是，由于该多标签分类模型需要在一个网络模型中对多个类别标签进行学习和预测，难以同时达到每个类别标签的预测结果都比较准确，从而导致图像分类的准确率较低。
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，本公开提供一种图像分类方法，所述方法包括：
获取待分类的目标图像；
将所述目标图像输入预先训练的目标多标签分类模型，得到所述目标图像对应的多种类型；
其中，所述目标多标签分类模型是将根据第一损失值和第二损失值从图像样本集中确定的目标图像样本作为模型训练样本，对预设多标签分类模型进行训练得到的，所述第一损失值是通过所述预设多标签分类模型，获取的所述图像样本集中每个图像样本的损失值，所述第二损失值是通过所述图像样本集中每个所述图像样本对应的单标签分类模型，获取的每个所述图像样本的损失值。
第二方面，本公开提供一种图像分类装置，所述装置包括：
目标图像获取模块，用于获取待分类的目标图像；
类型获取模块，用于将所述目标图像输入预先训练的目标多标签分类模型，得到所述目标图像对应的多种类型；
其中，所述目标多标签分类模型是将根据第一损失值和第二损失值从图像样本集中确定的目标图像样本作为模型训练样本，对预设多标签分类模型进行训练得到的，所述第一损失值是通过所述预设多标签分类模型，获取的所述图像样本集中每个图像样本的损失值，所述第二损失值是通过所述图像样本集中每个所述图像样本对应的单标签分类模型，获取的每个所述图像样本的损失值。
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，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，以实现本公开第一方面所述方法的步骤。
通过上述技术方案，通过获取待分类的目标图像；将所述目标图像输入预先训练的目标多标签分类模型，得到所述目标图像对应的多种类型；其中，所述目标多标签分类模型是将根据第一损失值和第二损失值从图像样本集中确定的目标图像样本作为模型训练样本，对预设多标签分类模型进行训练得到的，所述第一损失值是通过所述预设多标签分类模型，获取的所述图像样本集中每个图像样本的损失值，所述第二损失值是通过所述图像样本集中每个所述图像样本对应的单标签分类模型，获取的每个所述图像样本的损失值。也就是说，用于训练该目标多标签分类模型的目标图像样本是结合预设多标签分类模型和单标签分类模型，从图像样本集的多个图像样本中选择的，使得根据该目标图像样本训练得到的该目标多标签分类模型的准确率更高，从而可以提高图像分类的准确率。
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是根据一示例性实施例示出的一种图像分类方法的流程图；
图2是根据一示例性实施例示出的一种目标多标签分类模型的训练方法的流程图；
图3是根据一示例性实施例示出的一种图像分类装置的结构示意图；
图4是根据一示例性实施例示出的第二种图像分类装置的结构示意图；
图5是根据一示例性实施例示出的第三种图像分类装置的结构示意图；
图6是根据一示例性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”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1是根据一示例性实施例示出的一种图像分类方法的流程图，如图1所示，该方法可以包括：
S101、获取待分类的目标图像。
其中，该目标图像可以是视频，也可以是图片，本公开对该目标图像的类型不作限定。
在本步骤中，可以实时采集该目标图像，也可以获取预先存储的该目标图像，还可以接收其它设备发送的该目标图像，本公开对该目标图像的获取方式不作限定。
S102、将该目标图像输入预先训练的目标多标签分类模型，得到该目标图像对应的多种类型。
其中，该目标多标签分类模型可以包括多个预设标签，针对每个预设标签，可以通过该目标多标签分类模型确定该目标图像的类型，以得到该目标图像对应的多种类型。
在本步骤中，在得到该目标图像后，可以将该目标图像输入该目标多标签分类模型，通过该目标多标签分类模型确定该目标图像对应的多种类型，示例地，在该目标多标签分类模型对应的预设标签包括动物类型和毛发颜色的情况下，通过该目标多标签分类模型确定的该目标图像对应的类型可以是猫、黄色。
需要说明的是，针对该目标多标签类型的每个预设标签，通过该目标多标签分类模型也可以确定该目标图像为该预设标签对应的每种预设类型的概率，将概率最高的预设类型作为该目标图像对应的类型。示例地，若该预设标签为毛发颜色，该预设类型包括白色、黄色、棕色、其它，通过该目标多标签分类模型得到的该目标图像对应的毛发颜色为黄色的概率为0.9，该目标图像对应的毛发颜色为棕色的概率为0.08，该目标图像对应的毛发颜色为白色的概率为0.01，该目标图像对应的毛发颜色为其它的概率为0.01，则可以确定概率最高的预设类型为黄色，从而可以确定该目标图像对应的毛发颜色为黄色。
其中，该目标多标签分类模型是将根据第一损失值和第二损失值从图像样本集中确定的目标图像样本作为模型训练样本，对预设多标签分类模型进行训练得到的，该第一损失值是通过该预设多标签分类模型，获取的该图像样本集中每个图像样本的损失值，该第二损失值是通过该图像样本集中每个该图像样本对应的单标签分类模型，获取的每个图像样本的损失值。
该单标签分类模型通过以下方式训练得到：根据该单标签分类模型对应的预设标签，从多个图像样本中确定该单标签分类模型对应的第二图像样本；通过该第二图像样本对目标神经网络模型进行训练，得到该单标签分类模型。
采用上述方法，可以结合预设多标签分类模型和单标签分类模型，从图像样本集的多个图像样本中选择目标图像样本，根据该目标图像样本训练得到的该目标多标签分类模型的准确率更高，从而可以提高图像分类的准确率。
图2是根据一示例性实施例示出的一种目标多标签分类模型的训练方法的流程图，如图2所示，该目标多标签分类模型的训练方法可以包括：
S201、从多个图像样本中确定图像样本集。
其中，该图像样本可以是已标注标签的图像，每个图像样本可以包括至少一个标签。
在本步骤中，可以先获取该目标多标签分类模型对应的多个预设标签，从该多个图像样本中，确定每个预设标签对应的多个第一图像样本。示例地，可以从该多个图像样本中，选择标签与该预设标签相同的图像样本为该第一图像样本，例如，若该预设标签为动物类型，该图像样本的标签为猫、黑色，则可以确定该图像样本为该第一图像样本；若该预设标签为动物类型，该图像样本的标签为黑色，则可以确定该图像样本不是该第一图像样本。
需要说明的是，不同的预设标签对应的第一图像样本可以相同，示例地，若该预设标签包括动物类型和毛发颜色，该图像样本的标签为猫和黄色，则该图像样本既是动物类型对应的第一图像样本，也是毛发颜色对应的图像样本。
进一步地，在得到该多个第一图像样本后，可以从该多个第一图像样本中随机抽取第一预设数量的第一图像样本，作为该图像样本集。其中，该第一预设数量可以是全部第一图像样本对应的数量，也可以是部分第一图像样本对应的数量，示例地，该第一预设数量可以是全部第一图像样本数量的20％，例如，若该第一图像样本的数量为500个，则该第一预设数量可以是100个，本公开对该第一预设数量的取值不作限定。
S202、根据该图像样本集循环执行模型训练步骤，直至训练后的该预设多标签模型满足预设停止迭代条件，并将满足该预设停止迭代条件的该预设多标签分类模型作为该目标多标签分类模型。
其中，该预设停止迭代条件可以是损失值小于或等于预设损失阈值，也可以是两次迭代之间权值的变化小于或等于预设变化阈值，还可以是迭代次数大于或等于预设次数阈值，本公开对此不作限定。
其中，该模型训练步骤可以包括：
S1、针对该图像样本集中的每个图像样本，通过该预设多标签分类模型，获取该图像样本对应的第一损失值，并通过该图像样本对应的单标签分类模型，获取该图像样本对应的第二损失值。
其中，该损失值用于表征该图像样本对模型的干扰能力，该损失值越大，表示该图像样本对模型的干扰越大，该损失值越小，表示该图像样本对模型的干扰越小。该预设多标签分类模型可以是通过该图像样本初步训练得到的，也可以是根据其它图像样本训练得到的，本公开对此不作限定。
在得到该图像样本集后，可以针对该图像样本集中的每个图像样本，将该图像样本输入该预设多标签分类模型，根据该预设多标签分类模型的预测结果和预先设置的损失函数，获取该图像样本对应的第一损失值。
在得到该图像样本对应的第一损失值后，可以确定该图像样本对应的目标预设标签，根据该目标预设标签，从多个单标签分类模型中确定该图像样本对应的至少一个目标单标签分类模型，并通过至少一个目标单标签分类模型，获取该图像样本对应的第二损失值。示例地，若该预设标签包括动物类型和毛发颜色，该单标签分类模型包括动物类型对应的单标签分类模型和毛发颜色对应的单标签分类模型，该图像样本对应的目标预设标签为毛发颜色，则可以确定该图像样本对应的目标单标签分类模型为毛发颜色对应的单标签分类模型，并通过该毛发颜色对应的单标签分类模型获取该图像样本对应的第二损失值。其中，通过该单标签分类模型获取该图像样本对应的第二损失值的方法，可以参考通过该目标多标签分类模型获取图像样本对应的第一损失值的方法，此处不再赘述。
在该目标单标签分类模型包括多个的情况下，可以通过每个目标单标签分类模型，获取该图像样本对应的第三损失值，并将该第三损失值的平均值作为该第二损失值。示例地，若该预设标签包括动物类型和毛发颜色，该单标签分类模型包括动物类型对应的单标签分类模型和毛发颜色对应的单标签分类模型，该图像样本对应的目标预设标签为动物类型和毛发颜色，则可以确定该图像样本对应的目标单标签分类模型为动物类型对应的单标签分类模型和毛发颜色对应的单标签分类模型，之后，可以通过该动物类型对应的单标签分类模型获取该图像样本对应的第三损失值，以及通过该毛发颜色对应的单标签分类模型获取该图像样本对应的第三损失值，最后，获取两个第三损失值的平均值，将该平均值作为该第二损失值。
需要说明的是，获取该图像样本对应的第一损失值和第二损失值时，可以先获取该图像样本对应的第一损失值，再获取该图像样本对应的第二损失值，也可以先获取该图像样本对应的第二损失值，再获取该图像样本对应的第一损失值，本公开对此不作限定。
其中，该单标签分类模型可以通过以下方式训练得到：
根据该单标签分类模型对应的预设标签，从多个图像样本中确定该单标签分类模型对应的第二图像样本，并通过该第二图像样本对目标神经网络模型进行训练，得到该单标签分类模型。该目标神经网络模型可以是现有技术的神经网络模型，例如DFF(Deep FeedForword，深度反馈神经网络)、RNN(Recurrent Neural Network，递归神经网络)、LSTM(Long/Short Term Memory，长短时记忆网络)等，本公开对该目标神经网络模型的类型不作限定。不同单标签分类模型对应的目标神经网络模型可以相同，也可以不同，该目标神经网络模型可以与用于训练该多标签分类模型的基础模型相同，也可以不同，本公开对此不作限定。
在训练该单标签分类模型之前，可以先获取该目标多标签分类模型对应多个预设标签，针对该多个预设标签中的每个预设标签，训练得到该预设标签对应的单标签分类模型。示例地，若该目标多标签分类模型对应的预设标签包括动物类型和毛发颜色，则可以训练动物类型对应的单标签分类模型和毛发颜色对应的单标签分类模型。之后，在确定需要训练的单标签分类模型后，可以根据该单标签分类模型对应的预设标签，从该多个图像样本中确定与该预设标签相同的第二图像样本，通过该第二图像样本对目标神经网络模型进行训练，得到该单标签分类模型，该单标签分类模型的训练方法可以参考现有技术的模型训练方法，此处不再赘述。
S2、根据该第一损失值和该第二损失值，从该图像样本集中确定目标图像样本。
在得到每个图像样本对应的第一损失值和第二损失值后，可以获取该第一损失值与该第二损失值的差值，并将该差值最大的第二预设数量的第一损失值对应的图像样本作为该目标图像样本。示例地，该第二预设数量可以是该图像样本集中所有图像样本数量之和的20％，本公开对该第二预设数量的具体数值不作限定。
S3、通过该目标图像样本，对该预设多标签分类模型进行训练。
在确定该目标图像样本后，可以通过现有技术的模型训练方法，通过该目标图像样本对该预设多标签分类模型进行训练，此处不再赘述。
S4、在训练后的该预设多标签分类模型不满足该预设停止迭代条件的情况下，从多个图像样本中确定新的图像样本集。
在通过该目标图像样本对该预设多标签分类模型进行训练后，可以先确定训练后的预设多标签分类模型是否满足该预设停止迭代条件，在确定该训练后的预设多标签分类模型满足该预设停止迭代条件的情况下，可以将该训练后的预设多标签分类模型作为该目标多标签分类模型；在确定该训练后的预设多标签分类模型不满足该预设停止迭代条件的情况下，可以从该图像样本中确定新的图像样本集，其中，确定该新的图像样本集的方法可以参考步骤S201中确定图像样本集的方法，此处不再赘述。
需要说明的是，新的图像样本集所包含的图像样本可以与上一次迭代所使用的图像样本集所包含的图像样本不同，示例地，以步骤S201中确定图像样本集的方法为例，在该第一图像样本的数量为500个的情况下，第一次确定的图像样本集可以是第1～100个第一图像样本，第二次确定的图像样本集可以是第101～200个第一图像样本，第三次确定的图像样本集可以是第201～300个第一图像样本，第四次确定的图像样本集可以是第301～400个第一图像样本，第五次确定的图像样本集可以是第401～500个第一图像样本，第六次确定的图像样本集可以是第1～100个第一图像样本，以此类推，直至训练后的预设多标签分类模型满足预设迭代停止条件。
综上所述，在训练该目标多标签分类模型过程中，可以通过预设多标签分类模型确定图像样本的第一损失值，通过单标签分类模型确定该图像样本的第二损失值，之后，可以根据该第一损失值和该第二损失值确定对该预设多标签分类模型干扰最大的目标图像样本，这样，通过该目标图像样本训练得到的该目标多标签分类模型的准确率也更高。
图3是根据一示例性实施例示出的一种图像分类装置的结构示意图，如图3所示，该装置可以包括：
目标图像获取模块301，用于获取待分类的目标图像；
类型获取模块302，用于将该目标图像输入预先训练的目标多标签分类模型，得到该目标图像对应的多种类型；
其中，该目标多标签分类模型是将根据第一损失值和第二损失值从图像样本集中确定的目标图像样本作为模型训练样本，对预设多标签分类模型进行训练得到的，该第一损失值是通过该预设多标签分类模型，获取的该图像样本集中每个图像样本的损失值，该第二损失值是通过该图像样本集中每个图像样本对应的单标签分类模型，获取的每个图像样本的损失值。
相应地，图4是根据一示例性实施例示出的第二种图像分类装置的结构示意图，如图4所示，该装置还包括：
多标签分类模型训练模块303，用于：
从多个图像样本中确定图像样本集，根据该图像样本集循环执行模型训练步骤，直至训练后的该预设多标签模型满足预设停止迭代条件，并将满足该预设停止迭代条件的该预设多标签分类模型作为该目标多标签分类模型；该模型训练步骤包括：
针对该图像样本集中的每个图像样本，通过该预设多标签分类模型，获取该图像样本对应的第一损失值，并通过该图像样本对应的单标签分类模型，获取该图像样本对应的第二损失值；
根据该第一损失值和该第二损失值，从该图像样本集中确定目标图像样本；
通过该目标图像样本，对该预设多标签分类模型进行训练；
在训练后的该预设多标签分类模型不满足该预设停止迭代条件的情况下，从多个图像样本中确定新的图像样本集。
相应地，该多标签分类模型训练模块303，还用于：
获取该目标多标签分类模型对应的多个预设标签；
从多个图像样本中，确定每个预设标签对应的多个第一图像样本；
从多个第一图像样本中随机抽取第一预设数量的第一图像样本，作为该图像样本集。
相应地，该多标签分类模型训练模块303，还用于：
确定该图像样本对应的目标预设标签；
根据该目标预设标签，从多个单标签分类模型中确定该图像样本对应的至少一个目标单标签分类模型；
通过至少一个目标单标签分类模型，获取该图像样本对应的第二损失值。
相应地，该多标签分类模型训练模块303，还用于：
在该目标单标签分类模型包括多个的情况下，通过每个目标单标签分类模型，获取该图像样本对应的第三损失值；
将该第三损失值的平均值作为该第二损失值。
相应地，该多标签分类模型训练模块303，还用于：
获取该第一损失值与该第二损失值的差值；
将该差值最大的第二预设数量的第一损失值对应的图像样本作为该目标图像样本。
相应地，图5是根据一示例性实施例示出的第三种图像分类装置的结构示意图，如图5所示，该装置还包括：
单标签分类模型训练模块304，用于：
根据该单标签分类模型对应的预设标签，从多个图像样本中确定该单标签分类模型对应的第二图像样本；
通过该第二图像样本对目标神经网络模型进行训练，得到该单标签分类模型。
通过上述装置，可以结合预设多标签分类模型和单标签分类模型，从图像样本集的多个图像样本中选择目标图像样本，根据该目标图像样本训练得到的该目标多标签分类模型的准确率更高，从而可以提高图像分类的准确率。
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。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备600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6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6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：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606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601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：获取待分类的目标图像；将所述目标图像输入预先训练的目标多标签分类模型，得到所述目标图像对应的多种类型；其中，所述目标多标签分类模型是将根据第一损失值和第二损失值从图像样本集中确定的目标图像样本作为模型训练样本，对预设多标签分类模型进行训练得到的，所述第一损失值是通过所述预设多标签分类模型，获取的所述图像样本集中每个图像样本的损失值，所述第二损失值是通过所述图像样本集中每个所述图像样本对应的单标签分类模型，获取的每个所述图像样本的损失值。
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，目标图像获取模块还可以被描述为“获取待分类的目标图像的模块”。
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提供了一种图像分类方法，包括：获取待分类的目标图像；将所述目标图像输入预先训练的目标多标签分类模型，得到所述目标图像对应的多种类型；其中，所述目标多标签分类模型是将根据第一损失值和第二损失值从图像样本集中确定的目标图像样本作为模型训练样本，对预设多标签分类模型进行训练得到的，所述第一损失值是通过所述预设多标签分类模型，获取的所述图像样本集中每个图像样本的损失值，所述第二损失值是通过所述图像样本集中每个所述图像样本对应的单标签分类模型，获取的每个所述图像样本的损失值。
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，所述目标多标签分类模型通过以下方式训练得到：从多个图像样本中确定图像样本集，根据所述图像样本集循环执行模型训练步骤，直至训练后的所述预设多标签模型满足预设停止迭代条件，并将满足所述预设停止迭代条件的所述预设多标签分类模型作为所述目标多标签分类模型；所述模型训练步骤包括：针对所述图像样本集中的每个所述图像样本，通过所述预设多标签分类模型，获取所述图像样本对应的第一损失值，并通过所述图像样本对应的单标签分类模型，获取所述图像样本对应的第二损失值；根据所述第一损失值和所述第二损失值，从所述图像样本集中确定目标图像样本；通过所述目标图像样本，对所述预设多标签分类模型进行训练；在训练后的所述预设多标签分类模型不满足所述预设停止迭代条件的情况下，从多个所述图像样本中确定新的图像样本集。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述从多个图像样本中确定图像样本集包括：获取所述目标多标签分类模型对应的多个预设标签；从多个所述图像样本中，确定每个所述预设标签对应的第一图像样本；从所述第一图像样本中随机抽取第一预设数量的图像样本，作为所述图像样本集。
根据本公开的一个或多个实施例，示例4提供了示例2的方法，所述通过所述图像样本对应的单标签分类模型，获取所述图像样本对应的第二损失值包括：确定所述图像样本对应的目标预设标签；根据所述目标预设标签，从多个所述单标签分类模型中确定所述图像样本对应的至少一个目标单标签分类模型；通过至少一个所述目标单标签分类模型，确定所述图像样本对应的第二损失值。
根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述通过至少一个所述目标单标签分类模型，确定所述图像样本对应的第二损失值包括：在所述目标单标签分类模型包括多个的情况下，通过每个所述目标单标签分类模型，获取所述图像样本对应的第三损失值；将所述第三损失值的平均值作为所述第二损失值。
根据本公开的一个或多个实施例，示例6提供了示例2的方法，所述根据所述第一损失值和所述第二损失值，从所述图像样本集中确定目标图像样本包括：获取所述第一损失值与所述第二损失值的差值；将所述差值最小的预设数量的第一损失值对应的图像样本作为所述目标图像样本。
根据本公开的一个或多个实施例，示例7提供了示例1至示例6中任一示例的方法，所述单标签分类模型通过以下方式训练得到：根据所述单标签分类模型对应的预设标签，从多个图像样本中确定所述单标签分类模型对应的第二图像样本；通过所述第二图像样本对目标神经网络模型进行训练，得到所述单标签分类模型。
根据本公开的一个或多个实施例，示例8提供了一种图像分类装置，所述装置包括：目标图像获取模块，用于获取待分类的目标图像；类型获取模块，用于将所述目标图像输入预先训练的目标多标签分类模型，得到所述目标图像对应的多种类型；其中，所述目标多标签分类模型是将根据第一损失值和第二损失值从图像样本集中确定的目标图像样本作为模型训练样本，对预设多标签分类模型进行训练得到的，所述第一损失值是通过所述预设多标签分类模型，获取的所述图像样本集中每个图像样本的损失值，所述第二损失值是通过所述图像样本集中每个所述图像样本对应的单标签分类模型，获取的每个所述图像样本的损失值。
根据本公开的一个或多个实施例，示例9提供了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示例1至示例7中所述方法的步骤。
根据本公开的一个或多个实施例，示例10提供了一种电子设备，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，以实现示例1至示例7中所述方法的步骤。
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 (10)
1.一种图像分类方法，其特征在于，所述方法包括：
获取待分类的目标图像；
将所述目标图像输入预先训练的目标多标签分类模型，得到所述目标图像对应的多种类型；
其中，所述目标多标签分类模型是将根据第一损失值和第二损失值从图像样本集中确定的目标图像样本作为模型训练样本，对预设多标签分类模型进行训练得到的，所述第一损失值是通过所述预设多标签分类模型，获取的所述图像样本集中每个图像样本的损失值，所述第二损失值是通过所述图像样本集中每个所述图像样本对应的单标签分类模型，获取的每个所述图像样本的损失值。
2.根据权利要求1所述的方法，其特征在于，所述目标多标签分类模型通过以下方式训练得到：
从多个图像样本中确定图像样本集，根据所述图像样本集循环执行模型训练步骤，直至训练后的所述预设多标签模型满足预设停止迭代条件，并将满足所述预设停止迭代条件的所述预设多标签分类模型作为所述目标多标签分类模型；所述模型训练步骤包括：
针对所述图像样本集中的每个所述图像样本，通过所述预设多标签分类模型，获取所述图像样本对应的第一损失值，并通过所述图像样本对应的单标签分类模型，获取所述图像样本对应的第二损失值；
根据所述第一损失值和所述第二损失值，从所述图像样本集中确定目标图像样本；
通过所述目标图像样本，对所述预设多标签分类模型进行训练；
在训练后的所述预设多标签分类模型不满足所述预设停止迭代条件的情况下，从多个所述图像样本中确定新的图像样本集。
3.根据权利要求2所述的方法，其特征在于，所述从多个图像样本中确定图像样本集包括：
获取所述目标多标签分类模型对应的多个预设标签；
从多个所述图像样本中，确定每个所述预设标签对应的多个第一图像样本；
从多个所述第一图像样本中随机抽取第一预设数量的第一图像样本，作为所述图像样本集。
4.根据权利要求2所述的方法，其特征在于，所述通过所述图像样本对应的单标签分类模型，获取所述图像样本对应的第二损失值包括：
确定所述图像样本对应的目标预设标签；
根据所述目标预设标签，从多个所述单标签分类模型中确定所述图像样本对应的至少一个目标单标签分类模型；
通过至少一个所述目标单标签分类模型，获取所述图像样本对应的第二损失值。
5.根据权利要求4所述的方法，其特征在于，所述通过至少一个所述目标单标签分类模型，确定所述图像样本对应的第二损失值包括：
在所述目标单标签分类模型包括多个的情况下，通过每个所述目标单标签分类模型，获取所述图像样本对应的第三损失值；
将所述第三损失值的平均值作为所述第二损失值。
6.根据权利要求2所述的方法，其特征在于，所述根据所述第一损失值和所述第二损失值，从所述图像样本集中确定目标图像样本包括：
获取所述第一损失值与所述第二损失值的差值；
将所述差值最大的第二预设数量的第一损失值对应的图像样本作为所述目标图像样本。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述单标签分类模型通过以下方式训练得到：
根据所述单标签分类模型对应的预设标签，从多个图像样本中确定所述单标签分类模型对应的第二图像样本；
通过所述第二图像样本对目标神经网络模型进行训练，得到所述单标签分类模型。
8.一种图像分类装置，其特征在于，所述装置包括：
目标图像获取模块，用于获取待分类的目标图像；
类型获取模块，用于将所述目标图像输入预先训练的目标多标签分类模型，得到所述目标图像对应的多种类型；
其中，所述目标多标签分类模型是将根据第一损失值和第二损失值从图像样本集中确定的目标图像样本作为模型训练样本，对预设多标签分类模型进行训练得到的，所述第一损失值是通过所述预设多标签分类模型，获取的所述图像样本集中每个图像样本的损失值，所述第二损失值是通过所述图像样本集中每个所述图像样本对应的单标签分类模型，获取的每个所述图像样本的损失值。
9.一种计算机可读介质，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1-7中任一项所述方法的步骤。
10.一种电子设备，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1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110580309.2A CN113222050B (zh) | 2021-05-26 | 2021-05-26 | 图像分类方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110580309.2A CN113222050B (zh) | 2021-05-26 | 2021-05-26 | 图像分类方法、装置、可读介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113222050A true CN113222050A (zh) | 2021-08-06 |
| CN113222050B CN113222050B (zh) | 2024-05-03 |
Family
ID=77098839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110580309.2A Active CN113222050B (zh) | 2021-05-26 | 2021-05-26 | 图像分类方法、装置、可读介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113222050B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114372974A (zh) * | 2022-01-12 | 2022-04-19 | 北京字节跳动网络技术有限公司 | 图像检测方法、装置、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389220A (zh) * | 2018-09-28 | 2019-02-26 | 北京达佳互联信息技术有限公司 | 神经网络模型的处理方法、装置、电子设备以及存储介质 |
| CN110163234A (zh) * | 2018-10-10 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 一种模型训练方法、装置和存储介质 |
| CN110659646A (zh) * | 2019-08-21 | 2020-01-07 | 北京三快在线科技有限公司 | 一种多任务证件图像自动处理方法、装置、设备及可读存储介质 |
| CN111261174A (zh) * | 2018-11-30 | 2020-06-09 | 杭州海康威视数字技术股份有限公司 | 音频的分类方法、装置、终端及计算机可读存储介质 |
| CN111753863A (zh) * | 2019-04-12 | 2020-10-09 | 北京京东尚科信息技术有限公司 | 一种图像分类方法、装置、电子设备及存储介质 |
| CN112328823A (zh) * | 2020-11-25 | 2021-02-05 | Oppo广东移动通信有限公司 | 多标签分类模型的训练方法、装置、电子设备及存储介质 |
| CN112418327A (zh) * | 2020-11-25 | 2021-02-26 | Oppo广东移动通信有限公司 | 图像分类模型的训练方法、装置、电子设备以及存储介质 |
-
2021
- 2021-05-26 CN CN202110580309.2A patent/CN113222050B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389220A (zh) * | 2018-09-28 | 2019-02-26 | 北京达佳互联信息技术有限公司 | 神经网络模型的处理方法、装置、电子设备以及存储介质 |
| CN110163234A (zh) * | 2018-10-10 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 一种模型训练方法、装置和存储介质 |
| US20210042580A1 (en) * | 2018-10-10 | 2021-02-11 | Tencent Technology (Shenzhen) Company Limited | Model training method and apparatus for image recognition, network device, and storage medium |
| CN111261174A (zh) * | 2018-11-30 | 2020-06-09 | 杭州海康威视数字技术股份有限公司 | 音频的分类方法、装置、终端及计算机可读存储介质 |
| CN111753863A (zh) * | 2019-04-12 | 2020-10-09 | 北京京东尚科信息技术有限公司 | 一种图像分类方法、装置、电子设备及存储介质 |
| CN110659646A (zh) * | 2019-08-21 | 2020-01-07 | 北京三快在线科技有限公司 | 一种多任务证件图像自动处理方法、装置、设备及可读存储介质 |
| CN112328823A (zh) * | 2020-11-25 | 2021-02-05 | Oppo广东移动通信有限公司 | 多标签分类模型的训练方法、装置、电子设备及存储介质 |
| CN112418327A (zh) * | 2020-11-25 | 2021-02-26 | Oppo广东移动通信有限公司 | 图像分类模型的训练方法、装置、电子设备以及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114372974A (zh) * | 2022-01-12 | 2022-04-19 | 北京字节跳动网络技术有限公司 | 图像检测方法、装置、设备及存储介质 |
| CN114372974B (zh) * | 2022-01-12 | 2024-03-08 | 抖音视界有限公司 | 图像检测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113222050B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110288049B (zh) | 用于生成图像识别模型的方法和装置 | |
| CN109740018B (zh) | 用于生成视频标签模型的方法和装置 | |
| CN109947989B (zh) | 用于处理视频的方法和装置 | |
| CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
| CN110826567B (zh) | 光学字符识别方法、装置、设备及存储介质 | |
| CN111767371A (zh) | 一种智能问答方法、装置、设备及介质 | |
| CN113313064A (zh) | 字符识别方法、装置、可读介质及电子设备 | |
| CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
| CN112200173B (zh) | 多网络模型训练方法、图像标注方法和人脸图像识别方法 | |
| CN111784712A (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
| CN112883968A (zh) | 图像字符识别方法、装置、介质及电子设备 | |
| CN115294501A (zh) | 视频识别方法、视频识别模型训练方法、介质及电子设备 | |
| CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
| CN113222050B (zh) | 图像分类方法、装置、可读介质及电子设备 | |
| CN112907628A (zh) | 视频目标追踪方法、装置、存储介质及电子设备 | |
| CN113033682B (zh) | 视频分类方法、装置、可读介质、电子设备 | |
| CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
| CN110334763B (zh) | 模型数据文件生成、图像识别方法、装置、设备及介质 | |
| CN112669816B (zh) | 模型的训练方法、语音识别方法、装置、介质及设备 | |
| CN115269978A (zh) | 一种视频标签生成方法、装置、设备及介质 | |
| CN111353536B (zh) | 图像的标注方法、装置、可读介质和电子设备 | |
| CN113033680A (zh) | 视频分类方法、装置、可读介质及电子设备 | |
| CN114495080A (zh) | 字体识别方法、装置、可读介质及电子设备 | |
| CN112418233A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN113177176A (zh) | 特征构建方法、内容显示方法及相关装置 |
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 |