CN113688271A - 一种目标对象的档案搜索方法及相关装置 - Google Patents
一种目标对象的档案搜索方法及相关装置 Download PDFInfo
- Publication number
- CN113688271A CN113688271A CN202111237448.1A CN202111237448A CN113688271A CN 113688271 A CN113688271 A CN 113688271A CN 202111237448 A CN202111237448 A CN 202111237448A CN 113688271 A CN113688271 A CN 113688271A
- Authority
- CN
- China
- Prior art keywords
- attribute
- archive
- target
- image
- file
- 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
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
- G06F16/58—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
- G06F16/5838—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 colour
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种目标对象的档案搜索方法及相关装置,本申请实施例根据属于同一目标对象的第二图像构建该目标对象的档案,并根据该档案中每一第二图像的属性确定该档案的档案属性标签。进行档案搜索时,根据用户输入的携带搜索对象的第一图像或待搜索的属性内容进行特征识别,从而确定搜索对象的至少一个目标属性,基于该目标属性对档案属性标签进行检索,确定包含全部目标属性的档案属性标签所对应的档案,以供用户从中选定搜索对象档案。上述检索方式无需对档案库中的全部图像进行特征比对,仅需根据预先建立的档案属性标签进行检索即可获得包含搜索对象全部特征的档案。由此降低对内存空间的占用,并提高检索效率。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种目标对象的档案搜索方法及相关装置。
背景技术
随着科技的发展,人脸聚类技术愈加成熟。该技术多应用于对目标对象的档案检索。相关技术中针对人像库中的海量图像,多通过人脸聚类技术将属于同一目标的多张图像归属与一类,并以此建档。对未确定身份的目标对象进行档案查询时,可通过输入该目标对象的图像或特征属性,对档案库中存储的图像集进行全面检索,通过特征比对的方式获取相似度高的检索结果。
现有的档案检索方法可概括为以图搜当和属性检索,这两种方式均需要根据用户输入的待搜索图像或属性标签确定图像特征,并将图像特征全量拉入到内存。通过与已存储的图像进行特征比对,将相似度高于相似度阈值的图像输出给用户。这种对已存储图像进行全面检索的方式对内存空间的占用较大,且耗时较长。
发明内容
本申请实施例提供一种目标对象的档案搜索方法及相关装置,通过从用户输入的搜索信息中提取搜索对象的目标属性,基于该目标属性对预先建立的档案属性标签进行检索以获得包含搜索对象全部特征的档案。降低对内存空间的占用,并提高检索效率。
第一方面,本申请实施例提供了一种目标对象的档案搜索方法,所述方法包括:
获取搜索信息,并根据所述搜索信息确定搜索对象的至少一个目标属性;其中,所述目标属性至少包括所述搜索对象的服饰款式或服饰颜色,所述搜索信息为携带所述搜索对象的第一图像或待搜索属性;
基于所述目标属性对档案库中的档案属性标签进行比对,根据对比结果确定包含全部目标属性的档案属性标签;其中,档案库中的每一档案内均包含至少一张携带目标对象的第二图像,且每一档案对应唯一目标对象,所述档案属性标签为所述第二图像包含所述目标对象的属性的集合,所述第二图像的属性是由预先训练的多头注意力模型确定的;
确定所述档案属性标签对应的档案,并将所述档案输出展示,以供用户从中选定搜索对象档案。
本申请实施例根据属于同一目标对象的第二图像构建该目标对象的档案,并根据该档案中每一第二图像的属性确定该档案的档案属性标签。其中,第二图像的属性是通过预先训练的多头注意力模型确定的。在进行档案搜索时,根据用户输入的携带搜索对象的第一图像或待搜索的属性内容进行特征识别,从而确定搜索对象的至少一个目标属性,进一步的,根据该目标属性对档案属性标签进行检索,确定包含全部目标属性的档案属性标签所对应的档案,以供用户从中选定搜索对象档案。上述检索方式无需对档案库中的全部图像进行特征比对,仅需根据预先建立的档案属性标签进行检索即可获得包含搜索对象全部特征的档案。由此降低对内存空间的占用,并提高检索效率。
在一些可能的实施例中,所述根据所述搜索信息确定搜索对象的至少一个目标属性,包括:
若所述搜索信息为所述第一图像,则将所述第一图像输入所述多头注意力模型中,并根据输出结果确定所述第一图像包含的目标属性;或,
若所述搜索信息为所述待搜索属性,则将所述待搜索属性的属性内容作为所述目标属性。
本申请实施例在确定搜索对象的目标属性时,由于档案库中第二图像的属性均通过预先训练的多头注意力模型确定,故而针对携带搜索对象的第一图像,需将该第一图像输入多头注意力模型即可确定该图像中搜索对象的目标属性。而针对待搜索属性的属性内容,则可直接将属性内容作为目标属性。
在一些可能的实施例中,所述确定所述档案属性标签对应的档案之后,所述方法还包括:
针对所述档案,将与所述目标属性对应的第二图像的属性作为搜索属性;
根据所述档案属性标签确定所述搜索属性的属性概率,并将所述属性概率作为所述档案包含所述目标属性的概率;其中,所述属性概率表征所述多头注意力模型识别所述属性的置信度;
根据每一目标属性的概率的加权求和结果确定所述档案为搜索对象档案的概率。
本申请实施例中的档案属性标签标有每一属性的属性概率,该属性概率表征该档案包含该属性的概率。针对每一目标属性,将与目标属性对应的第二图像的属性作为搜索属性。应理解的是,搜索属性的属性概率即为该档案包含目标属性的概率。由此,通过对该属性概率进行加权求和即可确定该档案是搜索对象的档案的概率。
在一些可能的实施例中,所述将所述档案输出展示,包括:
将每一档案与对应概率进行关联;
针对每一档案,以所述档案对应概率从高到低的顺序进行排序展示。
本申请实施例将每一档案与对应的概率关联,并按照档案对应概率从高低顺序排序展示,以使用户更易于查找到搜索对象档案。
在一些可能的实施例中,每一档案均有对应的档案特征,所述档案特征是根据所述档案中每一第二图像的图像特征确定的,所述确定所述档案属性标签对应的档案之后,所述方法还包括:
若所述搜索信息为所述第一图像,则获取所述第一图像的图像特征,并针对每一档案,将所述图像特征与所述档案特征进行相似度比较;
根据所得相似度确定所述档案为搜索对象档案的概率。
本申请实施例针对每一档案,通过对该档案内全部第二图像进行特征提取以获取该档案的档案特征。相应的,通过对第一图像进行特征提取获取第一图像对应的图像特征,将图像特征与档案特征进行相似度比对,从而得到该档案属于第一图像中包含的搜索对象的概率。
在一些可能的实施例中,所述将所述档案输出展示,包括:
将每一档案的相似度与相似度阈值进行比较;
针对相似度不小于所述相似度阈值的档案,以相似度由大到小顺序进行排序展示。
本申请实施例将包含全部目标属性的档案按照相似度由大到小的顺序排序展示,以使用户更易于查找到搜索对象档案。
在一些可能的实施例中,所述相似度阈值是根据以下方式确定的:
针对每一档案,根据所述档案的相似度确定所述档案为所述搜索对象档案的先验概率;
基于所述先验概率,采用贝叶斯算法确定所述档案中每一与目标属性对应属性的后验概率,并根据所述后验概率确定所述相似度阈值。
本申请实施例根据档案相似度确定该档案为搜索对象档案的先验概率后,再通过贝叶斯算法算出该搜索对象档案对应的后验概率。通过对每一属性的后验概率进行如加权求和等计算来得到相似度阈值,以提高识别精度。
在一些可能的实施例中,所述档案属性标签中的每一属性预设有影响权重,所述将每一档案的相似度与相似度阈值进行比较之前,所述方法还包括:
根据所述档案属性标签中每一属性的影响权重,确定所述目标属性的影响权重;
基于所述影响权重对所述相似度阈值进行调整。
本申请实施例中针对实际应用场景为档案属性标签中的各属性设置对应的影响系数,通过影响系数对相似度阈值进行调整以提高检索精度。
在一些可能的实施例中,所述目标属性还包括性别和/或年龄,所述性别和所述年龄是根据预先训练的识别模型确定的。
本申请实施例中的属性标签还包括性别和/或年龄,通过预先训练的识别模型识别第一图像中包含的性别和/或年龄以提高检索速率。
第二方面,本申请实施例提供了一种目标对象的档案搜索装置,所述装置包括:
属性提取模块,被配置为执行获取搜索信息,并根据所述搜索信息确定搜索对象的至少一个目标属性;其中,所述目标属性至少包括所述搜索对象的服饰款式或服饰颜色,所述搜索信息为携带所述搜索对象的第一图像或待搜索属性;
属性确认模块,被配置为执行基于所述目标属性对档案库中的档案属性标签进行比对,根据对比结果确定包含全部目标属性的档案属性标签;其中,档案库中的每一档案内均包含至少一张携带目标对象的第二图像,且每一档案对应唯一目标对象,所述档案属性标签为所述第二图像包含所述目标对象的属性的集合,所述第二图像的属性是由预先训练的多头注意力模型确定的;
档案获取模块,被配置为执行确定所述档案属性标签对应的档案,并将所述档案输出展示,以供用户从中选定搜索对象档案。
在一些可能的实施例中,执行所述根据所述搜索信息确定搜索对象的至少一个目标属性,所述属性提取模块被配置为:
若所述搜索信息为所述第一图像,则将所述第一图像输入所述多头注意力模型中,并根据输出结果确定所述第一图像包含的目标属性;或,
若所述搜索信息为所述待搜索属性,则将所述待搜索属性的属性内容作为所述目标属性。
在一些可能的实施例中,执行所述确定所述档案属性标签对应的档案之后,所述档案获取模块还被配置为:
针对所述档案,将与所述目标属性对应的第二图像的属性作为搜索属性;
根据所述档案属性标签确定所述搜索属性的属性概率,并将所述属性概率作为所述档案包含所述目标属性的概率;其中,所述属性概率表征所述多头注意力模型识别所述属性的置信度;
根据每一目标属性的概率的加权求和结果确定所述档案为搜索对象档案的概率。
在一些可能的实施例中,执行所述将所述档案输出展示,所述档案获取模块被配置为:
将每一档案与对应概率进行关联;
针对每一档案,以所述档案对应概率从高到低的顺序进行排序展示。
在一些可能的实施例中,执行所述将所述档案输出展示,所述档案获取模块被配置为:
将每一档案与对应概率进行关联;
针对每一档案,以所述档案对应概率从高到低的顺序进行排序展示。
在一些可能的实施例中,每一档案均有对应的档案特征,所述档案特征是根据所述档案中每一第二图像的图像特征确定的,执行所述确定所述档案属性标签对应的档案之后,所述属性确认模块还被配置为 :
若所述搜索信息为所述第一图像,则获取所述第一图像的图像特征,并针对每一档案,将所述图像特征与所述档案特征进行相似度比较;
根据所得相似度确定所述档案为搜索对象档案的概率。
在一些可能的实施例中,执行所述将所述档案输出展示,所述档案获取模块被配置为:
将每一档案的相似度与相似度阈值进行比较;
针对相似度不小于所述相似度阈值的档案,以相似度由大到小顺序进行排序展示。
在一些可能的实施例中,所述相似度阈值是根据以下方式确定的:
针对每一档案,根据所述档案的相似度确定所述档案为所述搜索对象档案的先验概率;
基于所述先验概率,采用贝叶斯算法确定所述档案为所述搜索对象档案的后验概率,并将所述后验概率作为所述相似度阈值。
在一些可能的实施例中,所述档案属性标签中的每一属性预设有影响权重,执行所述将每一档案的相似度与相似度阈值进行比较之前,所述档案获取模块还被配置为:
根据所述档案属性标签中每一属性的影响权重,确定所述目标属性的影响权重;
基于所述影响权重对所述相似度阈值进行调整。
在一些可能的实施例中,所述目标属性还包括搜索对象的性别和/或年龄,所述性别和所述年龄是根据预先训练的识别模型确定的。
第三方面,本申请实施例还提供了一种电子设备,包括至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请实施例提供的一种目标对象的档案搜索方法。
第四方面,本申请实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序用于使计算机执行本申请实施例提供的一种目标对象的档案搜索方法。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,显而易见地,下面所介绍的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,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。
图1为本申请实施例示出的应用场景示意图;
图2a为本申请实施例示出的一种目标对象的档案搜索方法整体流程图;
图2b为本申请实施例示出档案库建立流程示意图;
图2c为本申请实施例示出的多头注意力模型原理示意图;
图2d为本申请实施例示出的档案属性标签提取示意图;
图2e为本申请实施例示出的将档案以相似度由大到小顺序排序示意图;
图3为本申请实施例示出的档案搜索流程图;
图4为本申请实施例示出的一种目标对象的档案搜索装置400的结构图;
图5为本申请实施例示出的电子设备示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、详尽地描述。在本申请实施例的描述中,除非另有说明,“面将表示或的意思,例如,A/B可以表示A或B;文本中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,另外,在本申请实施例的描述中,“多个”是指两个或多于两个。
在本申请实施例的描述中,除非另有说明,术语“多个”是指两个或两个以上,其它量词与之类似应当理解,此处所描述的优选实施例仅用于说明和解释本申请,并不用于限定本申请,并且在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
为进一步说明本申请实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。方法在实际的处理过程中或者控制设备执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行。
档案检索技术的应用十分广泛,例如在公安行业破案时,需要根据未确认身份的嫌疑人图像在档案库中的海量人像中进行检索,以获取该嫌疑人的身份信息。而当未获取嫌疑人图像时,可根据嫌疑人的部分特征属性(例如衣着、身高等)对档案库进行检索。相关技术中,无论是以图像进行检索还是以特征属性进行检索,其本质均是根据用户输入的搜索信息提取待搜索的图像特征,并将图像特征全量拉入到内存。通过与已存储的图像进行特征比对,将相似度高于相似度阈值的图像输出给用户。然而,这种对已存储图像进行全面检索的方式对内存空间的占用较大,且耗时较长。
为解决上述问题,本申请的发明构思为:预先根据属于同一目标对象的第二图像构建该目标对象的档案,并根据该档案中每一第二图像的属性确定该档案的档案属性标签。第二图像的属性是通过预先训练的多头注意力模型确定的。在进行档案搜索时,根据用户输入的携带搜索对象的第一图像或待搜索的属性内容进行特征识别,从而确定搜索对象的至少一个目标属性,进一步的,根据该目标属性对档案属性标签进行检索,确定包含全部目标属性的档案属性标签所对应的档案,以供用户从中选定搜索对象档案。
上述检索方式无需对档案库中的全部图像进行特征比对,仅需根据预先建立的档案属性标签进行检索即可获得包含搜索对象全部特征的档案。由此降低对内存空间的占用,并提高检索效率。
下面结合附图对本申请实施例中的目标对象的档案搜索方法进行详细说明。
参见图1,为根据本申请一个实施例的应用环境的示意图。
如图1所示,该应用环境中例如可以包括网络10、服务器20、至少一个终端设备30以及数据库40。其中,终端设备30可包括图1中示出的智能手机30_1、台式电脑30_2、以及笔记本电脑30_n。
在图1所示的应用场景中,用户通过将搜索对象的搜索信息输入到终端设备30中,终端设备30通过网络10将搜索信息发送给服务器20。服务器20从搜索信息中提取搜索对象的至少一个目标属性后,基于该目标属性对数据库40中各档案对应的档案属性标签进行检索,并筛选出包含该搜索对象全部目标属性的档案属性标签。进一步的,将筛选后的档案属性标签所对应的档案从数据库40中提取,并输出展示,以供用户从输出的档案中确定搜索对象档案。
在一些可能的实施例中,搜索信息为携带搜索对象的第一图像或待搜索的属性内容。
在一些可能的实施例中,目标属性为搜索对象的服饰款式、服饰颜色、性别以及年龄等用于体现搜索对象特征的属性信息。
介绍了本申请技术方案适用的应用场景后,下面结合附图对本申请实施例提供的一种目标对象的档案搜索方法进行详细说明,具体如图2a所示,包括以下步骤:
步骤201:获取搜索信息,并根据所述搜索信息确定搜索对象的至少一个目标属性;其中,所述目标属性至少包括所述搜索对象的服饰款式或服饰颜色,所述搜索信息为携带所述搜索对象的第一图像或待搜索属性;
步骤202:基于所述目标属性对档案库中的档案属性标签进行比对,根据对比结果确定包含全部目标属性的档案属性标签;其中,档案库中的每一档案内均包含至少一张携带目标对象的第二图像,且每一档案对应唯一目标对象,所述档案属性标签为所述第二图像包含所述目标对象的属性的集合,所述第二图像的属性是由预先训练的多头注意力模型确定的;
步骤203:确定所述档案属性标签对应的档案,并将所述档案输出展示,以供用户从中选定搜索对象档案。
前文已阐明,现有的档案库是通过人脸聚类的方式将海量人像中属于同一目标对象的图像归类于该目标对象的档案,具体可如图2b所示。可通过神经网络模型等方式对海量人像进行识别,通过特征提取的方式将属于目标对象A的5张图像从众多人像中提取出来,并基于这5张图像建立属于目标对象A的档案A。以此建立包含多个目标对象档案的档案库。
考虑到现有的档案搜索方法需将图像特征全量拉入到内存,与已存储的图像分别进行特征比对。这种对已存储图像进行全面检索的方式对内存空间的占用较大,且耗时较长。为解决上述问题,本申请实施例将档案库中每一第二图像输入预先训练的多头注意力模型,通过多头注意力模型确定每一第二图像的属性。
为便于理解本申请实施例采用的多头注意力模型,首先对注意力机制进行简单说明,注意力机制是模仿人类接收信息时的逻辑,如看到一张图片时,人脑不会在第一时间看清图片的全部内容,而是将注意力集中在图片的某处角点上。多头注意力模型则引用这一概念,通过对图像当前区域进行注意力机制的计算,得到一个矩阵。该矩阵表征该区域与该图像其他区域在某个角度上的关联信息。
具体可如图2c所示,其中,图2c中的V表示输入特征的向量,Q、K是计算Attention权重的特征向量。它们都是由输入特征得到的。首先通过矩阵乘法将query和每一个key(图2c中示出的key_1~key_n)进行相似度计算得到对应的权重1~n。然后采用Softmax函数对所得权重进行归一化处理。Softmax函数是一个激活函数,用于把计算出来的权重归一化到[0,1]的范围内,可以理解为经过该函数处理后的权重可视为一种范围在[0,1]内的概率。由此,经过归一Softmax计算后得到的Attention也应在[0,1]的范围内。其中,常用的相似度计算函数包括Inner Product、Cosine Similarity以及 Euclidean Distance等。Attention计算公式如下述公式(1)所示:
其中,Attention(Q,K,V)是根据关注程度对V乘以相应权重。query代表的是当前所需要计算的区域,key代表的是该图片的每一个区域,Value代表的也是当前需要计算的区域。单个看q,k,v 代表的都是图像的全部区域,因为代表单个区域的q需要计算完每一单个区域对其它区域的Attention。上述过程就是求图像中当前区域对于图像其他区域的Attention,query和Value均可视当前区域。
通过上述注意力机制的计算能够得到该图像的特征向量中某一维度对另一个维度的贡献程度。因此,Attention输出的output中的每一维度上的数值是由包括其本身数值在内的其余所有维度上的特征加权求和得到的。多头注意力则对同样的query,key和value求多次注意力(每一次为每一单头注意力机制得出的注意力权重),得到多个不同的output。进一步的,通过将不同的output连接起来得到最终的注意力结果Attention。应理解的是,不同头部的output即表征从不同层面考虑关联性而得到的输出。最后将多头注意力模型输出的特征向量输入全连接层,使用Softmax函数作为该层的激活函数。最终该模型会输出[0,1]范围内的概率作为某一属性的预测结果。
基于此,通过预先训练的多头注意力模型能够获取档案库中每一第二图像所包含的属性。为提高档案检索的精度,多头注意力模型所能够识别的属性应包括第二图像中目标对象的服饰款式和服饰颜色。即,通过将第二图像输入多头注意力模型可获取该第二图像中所包含目标对象所穿的服饰款式以及服饰颜色。由此,将每一档案中的全部第二图像输入多头注意力模型后,得到每一第二图像所包含的属性,将所得属性的集合作为该档案的档案属性标签。具体图2d所示,例如档案A中包括图像a、图像b和图像c,图像a中的目标对象身穿红色短袖、白色牛仔裤,并带有金色项链。将该图像a输入多头注意力模型后,该模型将会识别出图像a包含属性有红色上衣,短袖,白色裤子,牛仔裤,金色项链。图像b中的目标对象身穿黑色背心、白色牛仔裤,并带有金色项链,则图像b的属性应包括黑色上衣,背心,白色裤子,牛仔裤以及金色项链。相应的,图像c的属性包括黑色上衣、短袖、蓝色裤子以及牛仔裤。由此,该档案的档案属性标签应为红色上衣、黑色上衣、短袖、背心、白色裤子、蓝色裤子、牛仔裤以及金色项链。
进一步的,将档案库中每一档案的档案属性标签作为索引进行单独归类。在搜索档案的时候,通过从用户输入的搜索信息中提取搜索对象的目标属性,并通过查询包含全部目标属性的档案属性标签,进而找到该档案属性标签对应的档案。由此,无需将图像特征全量拉入到内存,与已存储的图像分别进行特征比对。不仅节约了内存,还提高检索效率。
具体的,前文已阐明实际应用场景中用户输入的搜索信息包含携带有搜索对象的图像,或搜索对象的部分属性内容(例如穿着,配饰)。在确定搜索对象的目标属性时,若用户输入的搜索信息为携带有搜索对象的第一图像,则将该第一图像输入上述多头注意力模型中,多头注意力模型识别到该第一图像所包含的属性即为目标属性。而当搜索信息为待搜索的属性内容时,则可直接将属性内容作为目标属性。通过将基于搜索信息得到的目标属性对档案属性标签进行检索,包含全部目标属性的档案属性标签对应的档案即为最可能的搜索对象档案。
考虑到多头注意力模型会将识别概率最高的结果作为输出的属性。为提高档案检索的精度,本申请实施例中的多头注意力模型在识别图像属性的同时,还将该属性识别的属性概率进行标注,即该属性概率为多头注意力模型输出该属性的置信度。具体的,例如多头注意力模型识别人像上衣时,可能识别到长袖概率5%、短袖概率60%、背心概率35%,则最终人像上衣输出的属性为短袖,属性概率为60%。
由于实际应用中,各属性间的检索价值不同,例如衣裤更换的频率相比于眼镜会高出很多,因而可基于实际情况针对不同的属性设置相应权重,在得到包含目标属性的档案之后,针对该档案,将与目标属性对应的第二图像的属性作为搜索属性。根据档案属性标签确定搜索属性的属性概率,并将属性概率作为档案包含目标属性的概率。最后根据每一目标属性的概率的加权求和结果确定所述档案为搜索对象档案的概率。将档案进行输出展示时可如图2e所示,确定每一档案概率后,将每一档案与对应概率进行关联。针对包含全部目标属性的档案A、档案B以及档案C,以各档案对应概率从高到低的顺序进行排序展示,以此提高用户确定搜索对象档案的速率。
此外,为提高档案检索的精度还可采用图像特征提取算法对每一档案对应的第二图像进行特征提取,并基于该档案中全部第二图像的特征值确定该档案的档案特征值。将每一档案的档案特征值与档案对应的档案属性标签进行关联。由此,当搜索信息为第一图像时,通过相同的图像特征算法计算该第一图像的图像特征,并针对每一档案,将该第一图像的图像特征与档案特征值进行相似度比较。将所得相似度作为该档案为搜索对象档案的概率。例如第一图像的图像特征与档案A的档案特征值所得相似度为72%,则可认为该档案A为搜索对象档案的概率为72%。
另需说明的是,图像特征算法可采用常见的HOG特征算法、LBP特征算法以及Haar特征算法等。采用图像特征算法确定相似度仅为保证在某种维度上找出第一图像与档案间的联系,本申请对具体采用哪种图像特征算法不作限定。
考虑到实际应用场景中存在包含全部目标属性的档案数量较多的情况,为便于用户查看,可预设相似度阈值,在确定每一档案的相似度之后将每一档案的相似度与相似度阈值进行比较。针对相似度不小于相似度阈值的档案,将符合条件的各档案以相似度由大到小顺序进行排序并输出。
考虑到当用户输入的为第一图像时,由于不同属性条件下的后验概率不同,例如档案库中穿黑白灰颜色衣服的目标对象相对较多,因此在目标属性为黑白灰颜色衣服时的相似度阈值需要提高,以保证输出正确。具体的,根据该档案的相似度确定该档案为该搜索对象档案的先验概率,并采用贝叶斯模型计算该档案中与目标属性对应的属性的后验概率,具体如下述公式(2)所示:
其中,P(A|B)表示在B发生的情况下A发生的可能性。在本申请实施例中,B表征目标属性;Ai表征当目标属性为B时第一图像中的搜索对象与该第二图像中的目标对象为同一人的阈值,为预设值;Aj表征相同目标属性下第一图像中的搜索对象与该第二图像中的目标对象为同一人的相似度。为便于理解,以目标属性为白色的服饰颜色举例说明,当目标属性为白色时,统计所有档案中白色服饰的第二图像的数量,和穿白色服饰为同一目标对象的第二图像数量。以此针对该档案中与目标属性对应的属性进行后验概率计算,得到每一属性的后验概率值。进一步的,通过对每一属性的后验概率值进行加权求和计算即可得到相似度阈值。以此可提高相似度阈值的可靠性,进而提高档案检索的精度。
在一些可能的实施例中,本申请实施例的档案属性标签中每一属性的影响系数。将每一档案的相似度与相似度阈值进行比较之前,可根据档案属性标签中每一属性的影响系数来确定目标属性的影响系数,并基于该目标属性的影响系数对相似度阈值进行调整。
例如目标属性为白色上衣时,由于特定季节穿白色上衣的概率增高,因此需要根据不同先验信息确定后验概率。例如,6月到9月这一时间段内人们穿白色上衣出现的概率增加(尤其是白色T恤),因此在该时间段内,若目标属性为白色上衣,则针对该条目标属性的后验概率需要下降。具体的,可通过向该条目标属性设置符合实际情况的影响系数,通过上述公式(2)得到相似度阈值后,将影响系数与该相似度阈值之积作为最终的相似度阈值。以此尽可能避免由于外界条件的变化导致的单一属性对于结果的影响不匹配的情况,提高档案检索的精度。
此外,本申请实施例中从用户输入的搜索信息中提取的目标属性还可包括搜索对象的性别和/或年龄,由于多头注意力模型并不适用于识别性别和年龄,该两项目标属性可由预先训练的识别模型进行识别,以此增加对档案的筛选选项,提高检索速率。
通过上述检索流程,本申请实施例通过从用户输入的搜索信息中提取搜索对象的目标属性,基于该目标属性对预先建立的档案属性标签进行检索以获得包含搜索对象全部特征的档案。由此,无需对档案库中的全部图像进行特征比对,仅根据预先建立的档案属性标签进行检索即可获得包含搜索对象全部特征的档案。降低对内存空间的占用,并提高检索效率。
为便于理解本申请实施例的档案检索过程,具体可如图3所示,包括如下步骤:
步骤301:获取用户输入的搜索信息;
步骤302:若确定搜索信息为携带搜索对象的第一图像,则基于预先训练的多头注意力模型提取第一图像中的目标属性;
步骤303:若确定搜索信息为待搜索的属性内容,则将该属性内容作为目标属性。
步骤304:基于该目标属性对档案库的档案属性标签进行检索,获取包含全部目标属性的档案属性标签。
步骤305:提取该档案属性标签对应的档案,将该档案输出给用户查看。以供用户确定该档案是否为搜索对象的档案。
基于相同的发明构思,本申请还提供一种应用于交通系统的数据处理装置400,如图4所示,该装置包括:
属性提取模块401,被配置为执行获取搜索信息,并根据所述搜索信息确定搜索对象的至少一个目标属性;其中,所述目标属性至少包括所述搜索对象的服饰款式或服饰颜色,所述搜索信息为携带所述搜索对象的第一图像或待搜索属性;
属性确认模块402,被配置为执行基于所述目标属性对档案库中的档案属性标签进行比对,根据对比结果确定包含全部目标属性的档案属性标签;其中,档案库中的每一档案内均包含至少一张携带目标对象的第二图像,且每一档案对应唯一目标对象,所述档案属性标签为所述第二图像包含所述目标对象的属性的集合,所述第二图像的属性是由预先训练的多头注意力模型确定的;
档案获取模块403,被配置为执行确定所述档案属性标签对应的档案,并将所述档案输出展示,以供用户从中选定搜索对象档案。
在一些可能的实施例中,执行所述根据所述搜索信息确定搜索对象的至少一个目标属性,所述属性提取模块401被配置为:
若所述搜索信息为所述第一图像,则将所述第一图像输入所述多头注意力模型中,并根据输出结果确定所述第一图像包含的目标属性;或,
若所述搜索信息为所述待搜索属性,则将所述待搜索属性的属性内容作为所述目标属性。
在一些可能的实施例中,执行所述确定所述档案属性标签对应的档案之后,所述档案获取模块403还被配置为:
针对所述档案,将与所述目标属性对应的第二图像的属性作为搜索属性;
根据所述档案属性标签确定所述搜索属性的属性概率,并将所述属性概率作为所述档案包含所述目标属性的概率;其中,所述属性概率表征所述多头注意力模型识别所述属性的置信度;
根据每一目标属性的概率的加权求和结果确定所述档案为搜索对象档案的概率。
在一些可能的实施例中,执行所述将所述档案输出展示,所述档案获取模块403被配置为:
将每一档案与对应概率进行关联;
针对每一档案,以所述档案对应概率从高到低的顺序进行排序展示。
在一些可能的实施例中,执行所述将所述档案输出展示,所述档案获取模块403被配置为:
将每一档案与对应概率进行关联;
针对每一档案,以所述档案对应概率从高到低的顺序进行排序展示。
在一些可能的实施例中,每一档案均有对应的档案特征,所述档案特征是根据所述档案中每一第二图像的图像特征确定的,执行所述确定所述档案属性标签对应的档案之后,所述属性确认模块402还被配置为 :
若所述搜索信息为所述第一图像,则获取所述第一图像的图像特征,并针对每一档案,将所述图像特征与所述档案特征进行相似度比较;
根据所得相似度确定所述档案为搜索对象档案的概率。
在一些可能的实施例中,执行所述将所述档案输出展示,所述档案获取模块403被配置为:
将每一档案的相似度与相似度阈值进行比较;
针对相似度不小于所述相似度阈值的档案,以相似度由大到小顺序进行排序展示。
在一些可能的实施例中,所述相似度阈值是根据以下方式确定的:
针对每一档案,根据所述档案的相似度确定所述档案为所述搜索对象档案的先验概率;
基于所述先验概率,采用贝叶斯算法确定所述档案为所述搜索对象档案的后验概率,并将所述后验概率作为所述相似度阈值。
在一些可能的实施例中,所述档案属性标签中的每一属性预设有影响权重,执行所述将每一档案的相似度与相似度阈值进行比较之前,所述档案获取模块403还被配置为:
根据所述档案属性标签中每一属性的影响权重,确定所述目标属性的影响权重;
基于所述影响权重对所述相似度阈值进行调整。
在一些可能的实施例中,所述目标属性还包括搜索对象的性别和/或年龄,所述性别和所述年龄是根据预先训练的识别模型确定的。
下面参照图5来描述根据本申请的这种实施方式的电子设备130。图5显示的电子设备130仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于:上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
总线133表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器132可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)1321和/或高速缓存存储器1322,还可以进一步包括只读存储器(ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325,这样的程序模块1324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与电子设备130交互的设备通信,和/或与使得该电子设备130能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且,电子设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器136通过总线133与用于电子设备130的其它模块通信。应当理解,尽管图中未示出,可以结合电子设备130使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中,本申请提供的一种目标对象的档案搜索方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种目标对象的档案搜索中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
本申请的实施方式的用于目标对象的档案搜索的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在电子设备上运行。然而,本申请的程序产品不限于此,在本文件中,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。
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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务端上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和方框图来描述的。应理解可由计算机程序指令实现流程图和方框图中的每一流程和/或方框、以及流程图和方框图中的流程和方框的结合。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方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (15)
1.一种目标对象的档案搜索方法,其特征在于,所述方法包括:
获取搜索信息,并根据所述搜索信息确定搜索对象的至少一个目标属性;其中,所述目标属性至少包括所述搜索对象的服饰款式或服饰颜色,所述搜索信息为携带所述搜索对象的第一图像或待搜索属性;
基于所述目标属性对档案库中的档案属性标签进行比对,根据对比结果确定包含全部目标属性的档案属性标签;其中,档案库中的每一档案内均包含至少一张携带目标对象的第二图像,且每一档案对应唯一目标对象,所述档案属性标签为所述第二图像包含所述目标对象的属性的集合,所述第二图像的属性是由预先训练的多头注意力模型确定的;
确定所述档案属性标签对应的档案,并将所述档案输出展示,以供用户从中选定搜索对象档案。
2.根据权利要求1所述的方法,其特征在于,所述根据所述搜索信息确定搜索对象的至少一个目标属性,包括:
若所述搜索信息为所述第一图像,则将所述第一图像输入所述多头注意力模型中,并根据输出结果确定所述第一图像包含的目标属性;或,
若所述搜索信息为所述待搜索属性,则将所述待搜索属性的属性内容作为所述目标属性。
3.根据权利要求1所述的方法,其特征在于,所述确定所述档案属性标签对应的档案之后,所述方法还包括:
针对所述档案,将与所述目标属性对应的第二图像的属性作为搜索属性;
根据所述档案属性标签确定所述搜索属性的属性概率,并将所述属性概率作为所述档案包含所述目标属性的概率;其中,所述属性概率表征所述多头注意力模型识别所述属性的置信度;
根据每一目标属性的概率的加权求和结果确定所述档案为搜索对象档案的概率。
4.根据权利要求3所述的方法,其特征在于,所述将所述档案输出展示,包括:
将每一档案与对应概率进行关联;
针对每一档案,以所述档案对应概率从高到低的顺序进行排序展示。
5.根据权利要求1所述的方法,其特征在于,每一档案均有对应的档案特征,所述档案特征是根据所述档案中每一第二图像的图像特征确定的,所述确定所述档案属性标签对应的档案之后,所述方法还包括:
若所述搜索信息为所述第一图像,则获取所述第一图像的图像特征,并针对每一档案,将所述图像特征与所述档案特征进行相似度比较;
根据所得相似度确定所述档案为搜索对象档案的概率。
6.根据权利要求5所述的方法,其特征在于,所述将所述档案输出展示,包括:
将每一档案的相似度与相似度阈值进行比较;
针对相似度不小于所述相似度阈值的档案,以相似度由大到小顺序进行排序展示。
7.根据权利要求6所述的方法,其特征在于,所述相似度阈值是根据以下方式确定的:
针对每一档案,根据所述档案的相似度确定所述档案为所述搜索对象档案的先验概率;
基于所述先验概率,采用贝叶斯算法确定所述档案中每一与目标属性对应属性的后验概率,并根据所述后验概率确定所述相似度阈值。
8.根据权利要求6所述的方法,其特征在于,所述档案属性标签中的每一属性预设有影响权重,所述将每一档案的相似度与相似度阈值进行比较之前,所述方法还包括:
根据所述档案属性标签中每一属性的影响权重,确定所述目标属性的影响权重;
基于所述影响权重对所述相似度阈值进行调整。
9.根据权利要求1-8中任一所述的方法,其特征在于,所述目标属性还包括搜索对象的性别和/或年龄,所述性别和所述年龄是根据预先训练的识别模型确定的。
10.一种目标对象的档案搜索装置,其特征在于,所述装置包括:
属性提取模块,被配置为执行获取搜索信息,并根据所述搜索信息确定搜索对象的至少一个目标属性;其中,所述目标属性至少包括所述搜索对象的服饰款式或服饰颜色,所述搜索信息为携带所述搜索对象的第一图像或待搜索属性;
属性确认模块,被配置为执行基于所述目标属性对档案库中的档案属性标签进行比对,根据对比结果确定包含全部目标属性的档案属性标签;其中,档案库中的每一档案内均包含至少一张携带目标对象的第二图像,且每一档案对应唯一目标对象,所述档案属性标签为所述第二图像包含所述目标对象的属性的集合,所述第二图像的属性是由预先训练的多头注意力模型确定的;
档案获取模块,被配置为执行确定所述档案属性标签对应的档案,并将所述档案输出展示,以供用户从中选定搜索对象档案。
11.根据权利要求10所述的装置,其特征在于,执行所述根据所述搜索信息确定搜索对象的至少一个目标属性,所述属性提取模块被配置为:
若所述搜索信息为所述第一图像,则将所述第一图像输入所述多头注意力模型中,并根据输出结果确定所述第一图像包含的目标属性;或,
若所述搜索信息为所述待搜索属性,则将所述待搜索属性的属性内容作为所述目标属性。
12.根据权利要求10所述的装置,其特征在于,执行所述确定所述档案属性标签对应的档案之后,所述档案获取模块还被配置为:
针对所述档案,将与所述目标属性对应的第二图像的属性作为搜索属性;
根据所述档案属性标签确定所述搜索属性的属性概率,并将所述属性概率作为所述档案包含所述目标属性的概率;其中,所述属性概率表征所述多头注意力模型识别所述属性的置信度;
根据每一目标属性的概率的加权求和结果确定所述档案为搜索对象档案的概率。
13.根据权利要求12所述的装置,其特征在于,执行所述将所述档案输出展示,所述档案获取模块被配置为:
将每一档案与对应概率进行关联;
针对每一档案,以所述档案对应概率从高到低的顺序进行排序展示。
14.一种电子设备,其特征在于,包括至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-9中任何一项所述的方法。
15.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序用于使计算机执行如权利要求1-9任何一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111237448.1A CN113688271B (zh) | 2021-10-25 | 2021-10-25 | 一种目标对象的档案搜索方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111237448.1A CN113688271B (zh) | 2021-10-25 | 2021-10-25 | 一种目标对象的档案搜索方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113688271A true CN113688271A (zh) | 2021-11-23 |
CN113688271B CN113688271B (zh) | 2023-05-16 |
Family
ID=78587720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111237448.1A Active CN113688271B (zh) | 2021-10-25 | 2021-10-25 | 一种目标对象的档案搜索方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688271B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694225A (zh) * | 2017-03-31 | 2018-10-23 | 阿里巴巴集团控股有限公司 | 一种图像搜索方法、特征向量的生成方法、装置及电子设备 |
CN112861691A (zh) * | 2021-01-29 | 2021-05-28 | 中国科学技术大学 | 基于部位感知建模的遮挡场景下的行人重识别方法 |
CN113255598A (zh) * | 2021-06-29 | 2021-08-13 | 南京视察者智能科技有限公司 | 一种基于Transformer的行人重识别方法 |
CN113378833A (zh) * | 2021-06-25 | 2021-09-10 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、图像识别方法、装置及电子设备 |
-
2021
- 2021-10-25 CN CN202111237448.1A patent/CN113688271B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694225A (zh) * | 2017-03-31 | 2018-10-23 | 阿里巴巴集团控股有限公司 | 一种图像搜索方法、特征向量的生成方法、装置及电子设备 |
CN112861691A (zh) * | 2021-01-29 | 2021-05-28 | 中国科学技术大学 | 基于部位感知建模的遮挡场景下的行人重识别方法 |
CN113378833A (zh) * | 2021-06-25 | 2021-09-10 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、图像识别方法、装置及电子设备 |
CN113255598A (zh) * | 2021-06-29 | 2021-08-13 | 南京视察者智能科技有限公司 | 一种基于Transformer的行人重识别方法 |
Non-Patent Citations (1)
Title |
---|
王冲: "《现代信息检索技术基本原理教程》", 30 November 2013, 西安电子科技大学出版社 * |
Also Published As
Publication number | Publication date |
---|---|
CN113688271B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10025950B1 (en) | Systems and methods for image recognition | |
US10878296B2 (en) | Feature extraction and machine learning for automated metadata analysis | |
US11568315B2 (en) | Systems and methods for learning user representations for open vocabulary data sets | |
US9633045B2 (en) | Image ranking based on attribute correlation | |
EP3882814A1 (en) | Utilizing machine learning models, position-based extraction, and automated data labeling to process image-based documents | |
CN111461637A (zh) | 简历筛选方法、装置、计算机设备和存储介质 | |
KR101835333B1 (ko) | 얼굴 인식 서비스 제공 방법 | |
CN112818218B (zh) | 信息推荐方法、装置、终端设备及计算机可读存储介质 | |
CN111325156A (zh) | 人脸识别方法、装置、设备和存储介质 | |
US20210042663A1 (en) | Data attribution based on spatial memory using machine learning pipeline | |
Bao et al. | Submodular feature selection for partial label learning | |
CN115689672A (zh) | 聊天式商品导购方法及其装置、设备、介质 | |
CN117011737A (zh) | 一种视频分类方法、装置、电子设备和存储介质 | |
US11544331B2 (en) | Artificial intelligence for product data extraction | |
CN114626926A (zh) | 商品搜索类目识别方法及其装置、设备、介质、产品 | |
Zhu et al. | Attribute-image person re-identification via modal-consistent metric learning | |
Sinha et al. | An improved deep learning approach for product recognition on racks in retail stores | |
KR101089504B1 (ko) | 이미지 군집화 방법과 장치 및 이를 이용한 이미지 인식 방법과 장치 | |
CN112417996A (zh) | 工业图纸的信息处理方法、装置、电子设备和存储介质 | |
CN113688271B (zh) | 一种目标对象的档案搜索方法及相关装置 | |
CN115293818A (zh) | 广告投放选品方法及其装置、设备、介质 | |
CN111061939B (zh) | 基于深度学习的科研学术新闻关键字匹配推荐方法 | |
CN115129908A (zh) | 一种模型优化方法、装置、设备、存储介质及程序产品 | |
CN111723199A (zh) | 文本的分类方法、装置和计算机可读存储介质 | |
US11835995B2 (en) | Automatic unstructured knowledge cascade visual search |
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 |