CN113657933A - 电梯广告推荐数据准备方法 - Google Patents
电梯广告推荐数据准备方法 Download PDFInfo
- Publication number
- CN113657933A CN113657933A CN202110935204.4A CN202110935204A CN113657933A CN 113657933 A CN113657933 A CN 113657933A CN 202110935204 A CN202110935204 A CN 202110935204A CN 113657933 A CN113657933 A CN 113657933A
- Authority
- CN
- China
- Prior art keywords
- model
- screen
- human body
- elevator
- network
- 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
- 238000002360 preparation method Methods 0.000 title claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 4
- 238000013526 transfer learning Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0261—Targeted advertisements based on user location
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0253—During e-commerce, i.e. online transactions
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电梯广告推荐数据准备方法,包括以下步骤:a、采集电梯轿厢内的图像数据并传输至云端;b、利用目标检测或分割模型对所述图像数据进行预处理得到检测对象;c、利用分类检测模型对所述检测对象进行检测,得到电梯广告推荐数据:人体属性及乘客看屏信息。本发明的方法可以为电梯的广告推荐系统提供数据支持,从而可以解决电梯广告推荐模型中缺少乘客信息和乘客与广告交互信息的问题。
Description
技术领域
本发明涉及一种电梯广告推荐数据准备方法。
背景技术
随着现代高层楼宇的增加,电梯成为重要的运输工具。伴随着移动网络和传媒技术的发展,人们每天都会碰到各种各样的广告,因此很多电梯轿厢内会安装广告屏幕播放广告。但大多数人已经对无目标的广告推送免疫,所以很多网站都使用了电子商务推荐系统,这类推荐系统不止给互联网商家带来了巨大的附加利益,同时也提高了用户满意度,增加了用户黏性。在搭建推荐系统时,需要用户信息、广告内容和用户对广告内容是否真正感兴趣等数据。而一般互联网广告推荐系统虽然有用户的基本信息和基于点击率判断用户是否对广告感兴趣的功能,但是却很难获取电梯乘客的信息和乘客与广告的交互数据,从而无法判断乘客是否对广告感兴趣,使得在电梯中搭建推荐系统的难度加大。
发明内容
本发明的目的在于提供一种电梯广告推荐数据准备方法。
为实现上述发明目的,本发明提供一种电梯广告推荐数据准备方法,包括以下步骤:
a、采集电梯轿厢内的图像数据并传输至云端;
b、对所述图像数据进行预处理,利用目标检测模型或实例分割模型分割出检测对象——人体、人头、及屏幕信息;
c、利用不同分类检测模型对所述检测对象进行检测,分别得到电梯广告推荐数据:人体属性及乘客看屏信息。
根据本发明的一个方面,在所述步骤(a)中,所述图像数据为在电梯开始运行和开关门时采集的电梯轿厢内摄像头拍摄的图片。
根据本发明的一个方面,在所述步骤(b)中,所述检测对象包括所述图像数据中的广告屏幕、人体和人头。
根据本发明的一个方面,所述检测对象包括所述图像数据中的广告屏幕和人头,使用的是MobileNet_SSD网络目标检测模型,快速检测出人头和屏幕的位置,作为后续看屏模型的输入。
根据本发明的一个方面,所述检测对象包括所述图像数据中的人体信息,使用的是YOLACT实例分割模型。
根据本发明的一个方面,在所述步骤(c)中,所述检测模型包括人体属性模型和看屏模型。
根据本发明的一个方面,所述人体属性模型采用嫁接网络,在训练阶段,进行所述步骤(a)和所述步骤(b),得到分割出的人体信息构成人体属性数据集;
对所述人体属性数据集中的图片添加人体属性标签,所述人体属性标签为二分类标签,将所述人体属性数据集分为多个子数据集;
每个所述子数据集上具有对应的标签,且具有取值为0,1,……T的索引;
所述人体属性模型的主干网络为Inception V3,每个所述子数据集利用Inception V3作为共有的主干网络,且对应不同的全连接层;
每一轮训练时,随机选取一个所述子数据集的图片送入Inception V3模型中提取特征,然后将提取的特征送入该子数据集对应的全连接层预测分类,训练的损失函数Loss为:
其中,t表示所述子数据集的索引;T为所有属性类别;εt∈{0,1}表示输入数据是否属于该属性数据的子集;Lt表示属性t的损失;w0表示Inception V3主干网络的参数,wt表示子数据集对应全连接层的参数,Gw0,wt表示特定属性的网络预测结果,yt表示子数据集的标签;
训练完成后,只保留Inception主干网络的训练结果,将全连接层的训练结果舍弃。
根据本发明的一个方面,基于训练好的主干网络,训练每个子数据集的分支网络;
训练所述分支网络时,固定主干网络的前八个模块,使所有的子数据集分支网络共用前八个模块,提取低层共有的特征;
然后开放主干网络的剩余模块,每个子数据集训练对应的权重,提取高层次的特征。
根据本发明的一个方面,所述看屏模型包括用于检测头部位置和屏幕位置的检测部分和用于识别乘客是否正在看屏幕的识别部分。
根据本发明的一个方面,在所述看屏模型的训练阶段,进行所述步骤(a)和所述步骤(b),得到广告屏幕和人头图片构成看屏数据集;
所述MobilenetV2模型的训练采用迁移学习,在ImageNet数据集上预训练权重,然后用所述看屏数据集对模型权重进行调整。
根据本发明的一个方面,训练好的所述检测模型被部署至云端,在所述步骤(c)中对所述图像数据进行推断,判断乘客属性和是否看广告屏幕,作为所述电梯广告推荐数据。
根据本发明的一个方面,所述看屏模型在所述步骤(c)中,所述检测部分分别检测出人头和广告屏幕的位置并将两处拼接,形成的图片分为三个部分,分别为人头、广告屏幕、人头与广告屏幕的拼接。
根据本发明的构思,通过检测乘客属性来获取乘客信息,同时检测乘客是否看广告屏幕来判定乘客是否对广告感兴趣,以此为电梯的广告推荐系统提供数据支持,从而解决了电梯广告推荐模型中缺少乘客信息和乘客与广告交互信息的问题。
根据本发明的一个方案,通过对于场景高效的网络结构----嫁接网络来识别电梯乘客的年龄、性别、穿衣风格等特征,可以为电梯乘客做对应的画像,从而得到电梯乘客的相关特征和信息。
根据本发明的一个方案,通过看屏模型结合电梯内屏幕位置和人头位置识别出电梯乘客是否在看广告屏幕,从而可以判定电梯乘客是否对广告感兴趣。由此,看屏模型可确定电梯乘客与广告的交互程度,从而作为广告智能推荐的关键信息。
附图说明
图1为本发明实施方式的电梯广告推荐数据准备方法的流程图;
图2为本发明实施方式的电梯广告推荐数据准备方法的原理框图;
图3为本发明实施方式的人体属性模型的推理流程图;
图4为本发明实施方式的人体属性模型的嫁接网络结构图;
图5为本发明实施方式的看屏模型推理图片的网络原理图;
图6为本发明实施方式的看屏模型的ROC曲线图。
具体实施方式
为了更清楚地说明本发明实施方式或现有技术中的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
下面结合附图和具体实施方式对本发明作详细地描述,实施方式不能在此一一赘述,但本发明的实施方式并不因此限定于以下实施方式。
本发明的基于人体属性检测和看屏检测算法的电梯广告(智能)推荐数据准备方法,如图1,首先采集电梯轿厢内的图像数据并传输至云端,接着对图像数据进行预处理分割出检测对象,利用检测模型对检测对象进行检测,得到电梯广告推荐数据。其中,图像数据为在电梯开始运行和开关门等时刻(即电梯状态发生改变时)采集的电梯轿厢摄像头拍摄的图片。
由于本发明要识别电梯乘客属性和电梯乘客是否看屏的信息,所以,在采集的图像数据中,除了人体和广告屏幕以外的部分均是检测模型(计算机视觉模型)不需要的。如图2所示,例如,在检测人体属性时,只需检测人体,因此利用YOLACT模型将人体单独分割出来;在识别乘客是否看屏幕时,只需检测人的视线信息和屏幕位置信息,因此利用MobileNet_SSD模型将广告屏幕和乘客的头部(模型)分割出来,乘客躯干部分也可舍弃。YOLACT实例分割模型为一个one-stage模型,其与two-stage的模型(Mask R-CNN)相比速度更快,因此本发明使用YOLACT模型训练可以达到和Mask R-CNN相同的效果。由此,本发明的预处理步骤分割出的检测对象包括图像数据中的广告屏幕(信息)、人体和人头。这样,既提高了检测效率,还可避免其余部分给模型带来干扰。
本发明中,检测模型包括人体属性模型和看屏模型。
本发明的人体属性模型采用嫁接网络,整体框架参见图3,在图像预处理阶段,采集图像数据并进行相应的预处理(YOLACT)从而分割人体,利用分割出的人体图片构成人体属性数据集。对人体属性数据集中的图片添加人体属性标签,人体属性标签为多个二分类标签,比如是否是小孩、是否是老年人、男女性别和是否是运动风格的穿衣等,得到的嫁接网络的具体结构如图4所示。如此,将人体属性数据集分为多个子数据集,每个二分类都用自己对应的子数据集,每个子数据集上只有自身对应的标签。并且,本发明赋予每个子数据集一个独有的索引,索引取值为0,1,……T。随后即可基于人体属性数据集训练人体属性模型来检测电梯中乘客的相关属性,比如年龄段、性别、穿衣风格。
本发明中,人体属性模型(即嫁接网络)的主干网络采用Inception V3模型,每个子数据集均利用Inception V3作为共有的主干网络,且每个子数据集对应不同的全连接层。即,所有分类共用一个主干网络,且每个二分类都有自己的分值结构。每一轮训练时,随机选取一个子数据集的图片送入Inception V3模型中提取特征,然后将提取的特征送入该子数据集对应的全连接层预测分类,训练的损失函数为:
其中,t表示所述子数据集的索引;T为所有属性类别;εt∈{0,1}表示输入数据是否属于该属性数据的子集;Lt表示属性t的损失;w0表示Inception V3主干网络的参数,wt表示子数据集对应全连接层的参数,Gw0,wt表示特定属性的网络预测结果,yt表示子数据集的标签。
按照上述完成主干网络的训练后,可基于主干网络训练每个子数据集(即二分类)的分支网络。Inception V3网络结构包含11个模块,每个模块都由若干卷积层、激活层等构成。在训练分支网络时,固定主干网络的前八个模块,从而使所有的子数据集分支网络共用前八个模块提取低层共有的一些特征,例如形状、纹理等。然后开放主干网络的剩余模块,每个子数据集训练对应的权重,以此来提取高层次的特征。当然,若某个子数据集的特征提取难度高,可以开放更多的模块训练。如此,如图4所示,按照上述方式将人体属性模型训练完成后,可将分割出的人体(或称人像)图片送入人体属性模型推断识别出相应的人体属性(即判断图片类型)。本发明嫁接网络在测试集上测试,对于每个分类的预测都达到了较高的准确率。
本发明的看屏模型用来通过照片中电梯乘客头部的方向和屏幕的位置判定乘客是否在看屏幕,框架如图2所示(右边部分),整个看屏分为两个部分,包括用于检测头部位置和屏幕位置的图像检测部分和用于识别乘客是否正在看屏幕的识别部分。在模型的训练过程中,按照上述步骤采集图像数据并进行预处理以分割出广告屏幕和人头图片,从而构成看屏数据集。看屏模型的检测部分采用MobileNet-SSD模型,识别部分采用MobilenetV2模型。MobilenetV2模型的训练采用迁移学习,在ImageNet数据集上预训练权重,然后用看屏数据集对模型权重进行调整,通过电梯乘客是否看屏来判定乘客是否对广告感兴趣。
参见图5示出的整体检测部分和识别部分流程,按照上述训练好的看屏模型在实际工作时,其检测部分通过分别检测出人头和广告屏幕的位置并将两处拼接,形成的图片分为三个部分,分别为人头、广告屏幕、人头与广告屏幕的拼接。由此,检测部分将图片分割成三个部分后,由识别部分利用MobilenetV2模型判别乘客是否看广告屏幕。由图6示出的看屏模型的ROC曲线可知,本发明的看屏模型检测效果是可靠的。
按照上述训练好的检测模型(即嫁接网络和看屏模型)即可部署至云端,在实际工作中对实时采集的图像数据进行推断,判断得到乘客人体属性数据和是否看电梯中的广告屏幕等信息(即人体属性及乘客看屏信息),以此作为电梯中广告推荐系统的数据基础(即电梯广告推荐数据)。
以上所述仅为本发明的一个实施方式而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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,均应包括在本发明的保护范围之内。
Claims (12)
1.一种电梯广告推荐数据准备方法,包括以下步骤:
a、采集电梯轿厢内的图像数据并传输至云端;
b、对所述图像数据进行预处理,利用目标检测模型或实例分割模型分割出检测对象;
c、利用不同分类检测模型对所述检测对象进行检测,分别得到电梯广告推荐数据。
2.根据权利要求1所述的方法,其特征在于,在所述步骤(a)中,所述图像数据为在电梯开始运行和开关门时采集的电梯轿厢内摄像头拍摄的图片。
3.根据权利要求1所述的方法,其特征在于,在所述步骤(b)中,所述检测对象包括所述图像数据中的广告屏幕、人体和人头。
4.根据权利要求3所述的方法,其特征在于,采用MobileNet_SSD网络检测所述图像数据中的广告屏幕、人头模型,检测出人头和屏幕的位置后用做看屏模型的输入。
5.根据权利要求3所述的方法,其特征在于,采用YOLACT实例分割模型检测所述图像数据中的人体。
6.根据权利要求3所述的方法,其特征在于,在所述步骤(c)中,所述检测模型包括人体属性模型和看屏模型。
7.根据权利要求6所述的方法,其特征在于,所述人体属性模型采用嫁接网络,在训练阶段,进行所述步骤(a)和所述步骤(b),得到分割出的人体图片构成人体属性数据集;
对所述人体属性数据集中的图片添加人体属性标签,所述人体属性标签为二分类标签,将所述人体属性数据集分为多个子数据集;
每个所述子数据集上具有对应的标签,且具有取值为0,1,……T的索引;
所述人体属性模型的主干网络为Inception V3,每个所述子数据集利用Inception V3作为共有的主干网络,且对应不同的全连接层;
每一轮训练时,随机选取一个所述子数据集的图片送入Inception V3模型中提取特征,然后将提取的特征送入该子数据集对应的全连接层预测分类,训练的损失函数Loss为:
其中,t表示所述子数据集的索引;T为所有属性类别;εt∈{0,1}表示输入数据是否属于该属性数据的子集;Lt表示属性t的损失;w0表示Inception V3主干网络的参数,wt表示子数据集对应全连接层的参数,Gw0,wt表示特定属性的网络预测结果,yt表示子数据集的标签;
训练完成后,只保留Inception主干网络的训练结果,将全连接层的训练结果舍弃。
8.根据权利要求7所述的方法,其特征在于,基于训练好的主干网络,训练每个子数据集的分支网络;
训练所述分支网络时,固定主干网络的前八个模块,使所有的子数据集分支网络共用前八个模块,提取低层共有的特征;
然后开放主干网络的剩余模块,每个子数据集训练对应的权重,提取高层次的特征。
9.根据权利要求6所述的方法,其特征在于,所述看屏模型包括用于检测头部位置和屏幕位置的检测部分和用于识别乘客是否正在看屏幕的识别部分。
10.根据权利要求9所述的方法,其特征在于,在所述看屏模型的训练阶段,进行所述步骤(a)和所述步骤(b),得到广告屏幕和人头图片构成看屏数据集;
所述检测部分采用MobileNet-SSD模型,所述识别部分采用MobilenetV2模型;
所述MobilenetV2模型的训练采用迁移学习,在ImageNet数据集上预训练权重,然后用所述看屏数据集对模型权重进行调整。
11.根据权利要求1所述的方法,其特征在于,训练好的所述检测模型被部署至云端,在所述步骤(c)中对所述图像数据进行推断,判断乘客属性和是否看广告屏幕,作为所述电梯广告推荐数据。
12.根据权利要求9所述的方法,其特征在于,所述看屏模型在所述步骤(c)中,所述检测部分分别检测出人头和广告屏幕的位置并将两处拼接,形成的图片分为三个部分,分别为人头、广告屏幕、人头与广告屏幕的拼接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110935204.4A CN113657933A (zh) | 2021-08-16 | 2021-08-16 | 电梯广告推荐数据准备方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110935204.4A CN113657933A (zh) | 2021-08-16 | 2021-08-16 | 电梯广告推荐数据准备方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113657933A true CN113657933A (zh) | 2021-11-16 |
Family
ID=78479147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110935204.4A Pending CN113657933A (zh) | 2021-08-16 | 2021-08-16 | 电梯广告推荐数据准备方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657933A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657486A (zh) * | 2021-08-16 | 2021-11-16 | 浙江新再灵科技股份有限公司 | 基于电梯图片数据的多标签多属性分类模型建立方法 |
CN114501081A (zh) * | 2022-02-14 | 2022-05-13 | 浙江新再灵科技股份有限公司 | 屏幕广告播放方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241982A (zh) * | 2018-09-06 | 2019-01-18 | 广西师范大学 | 基于深浅层卷积神经网络的目标检测方法 |
CN109886095A (zh) * | 2019-01-08 | 2019-06-14 | 浙江新再灵科技股份有限公司 | 一种基于视觉的轻型卷积神经网络的乘客属性识别系统及方法 |
CN110135883A (zh) * | 2019-03-27 | 2019-08-16 | 浙江新再灵科技股份有限公司 | 一种电梯人群画像和广告受众分析的方法及系统 |
CN110751512A (zh) * | 2019-09-29 | 2020-02-04 | 浙江新再灵科技股份有限公司 | 基于乘梯人员穿衣风格的广告投放方法 |
CN111062752A (zh) * | 2019-12-13 | 2020-04-24 | 浙江新再灵科技股份有限公司 | 基于受众群体的电梯场景广告投放方法及投放系统 |
CN111724199A (zh) * | 2020-05-30 | 2020-09-29 | 同济大学 | 基于行人主动感知的智慧社区广告精准投放方法及装置 |
CN113034181A (zh) * | 2021-03-23 | 2021-06-25 | 浙江新再灵科技股份有限公司 | 一种用于电梯的广告投放方法及广告投放系统 |
-
2021
- 2021-08-16 CN CN202110935204.4A patent/CN113657933A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241982A (zh) * | 2018-09-06 | 2019-01-18 | 广西师范大学 | 基于深浅层卷积神经网络的目标检测方法 |
CN109886095A (zh) * | 2019-01-08 | 2019-06-14 | 浙江新再灵科技股份有限公司 | 一种基于视觉的轻型卷积神经网络的乘客属性识别系统及方法 |
CN110135883A (zh) * | 2019-03-27 | 2019-08-16 | 浙江新再灵科技股份有限公司 | 一种电梯人群画像和广告受众分析的方法及系统 |
CN110751512A (zh) * | 2019-09-29 | 2020-02-04 | 浙江新再灵科技股份有限公司 | 基于乘梯人员穿衣风格的广告投放方法 |
CN111062752A (zh) * | 2019-12-13 | 2020-04-24 | 浙江新再灵科技股份有限公司 | 基于受众群体的电梯场景广告投放方法及投放系统 |
CN111724199A (zh) * | 2020-05-30 | 2020-09-29 | 同济大学 | 基于行人主动感知的智慧社区广告精准投放方法及装置 |
CN113034181A (zh) * | 2021-03-23 | 2021-06-25 | 浙江新再灵科技股份有限公司 | 一种用于电梯的广告投放方法及广告投放系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657486A (zh) * | 2021-08-16 | 2021-11-16 | 浙江新再灵科技股份有限公司 | 基于电梯图片数据的多标签多属性分类模型建立方法 |
CN114501081A (zh) * | 2022-02-14 | 2022-05-13 | 浙江新再灵科技股份有限公司 | 屏幕广告播放方法及系统 |
CN114501081B (zh) * | 2022-02-14 | 2023-10-17 | 浙江新再灵科技股份有限公司 | 屏幕广告播放方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829443B (zh) | 基于图像增强与3d卷积神经网络的视频行为识别方法 | |
CN105787458B (zh) | 基于人工设计特征和深度学习特征自适应融合的红外行为识别方法 | |
CN109902202B (zh) | 一种视频分类方法及装置 | |
CN113657933A (zh) | 电梯广告推荐数据准备方法 | |
CN111797771B (zh) | 一种基于迭代学习的弱监督视频行为检测方法及系统 | |
CN109214263A (zh) | 一种基于特征复用的人脸识别方法 | |
CN112131929B (zh) | 一种基于区块链的跨摄像机行人跟踪系统及方法 | |
CN110232340A (zh) | 建立视频分类模型以及视频分类的方法、装置 | |
CN114333070A (zh) | 一种基于深度学习的考生异常行为检测方法 | |
CN112819065A (zh) | 基于多重聚类信息的无监督行人难样本挖掘方法和系统 | |
CN110427888A (zh) | 一种基于特征聚类的人脸质量评估方法 | |
CN110532911A (zh) | 协方差度量驱动小样本gif短视频情感识别方法及系统 | |
US20230222841A1 (en) | Ensemble Deep Learning Method for Identifying Unsafe Behaviors of Operators in Maritime Working Environment | |
CN116363712B (zh) | 一种基于模态信息度评估策略的掌纹掌静脉识别方法 | |
CN112614102A (zh) | 一种车辆检测方法、终端及其计算机可读存储介质 | |
CN113591603A (zh) | 证件的验证方法、装置、电子设备及存储介质 | |
CN113515669A (zh) | 基于人工智能的数据处理方法和相关设备 | |
CN116955707A (zh) | 内容标签的确定方法、装置、设备、介质及程序产品 | |
CN113158835A (zh) | 一种基于深度学习的交通事故智能检测方法 | |
CN111724199A (zh) | 基于行人主动感知的智慧社区广告精准投放方法及装置 | |
CN109543519A (zh) | 一种用于物体检测的深度分割引导网络 | |
CN110059189B (zh) | 一种游戏平台消息的分类系统及方法 | |
CN117079329A (zh) | 一种基于短间隔人脸图像边缘信息特征比对的身份验证方法 | |
CN110751512A (zh) | 基于乘梯人员穿衣风格的广告投放方法 | |
CN112883868B (zh) | 一种基于关系建模的弱监督视频动作定位模型的训练方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211116 |