CN114004645A - 融媒体广告智慧监测平台和电子设备 - Google Patents
融媒体广告智慧监测平台和电子设备 Download PDFInfo
- Publication number
- CN114004645A CN114004645A CN202111276717.5A CN202111276717A CN114004645A CN 114004645 A CN114004645 A CN 114004645A CN 202111276717 A CN202111276717 A CN 202111276717A CN 114004645 A CN114004645 A CN 114004645A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- monitoring
- matrix
- media
- advertisements
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 205
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000006243 chemical reaction Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 110
- 238000013527 convolutional neural network Methods 0.000 claims description 37
- 230000009466 transformation Effects 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000155 melt Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000010354 integration Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000011017 operating method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010257 thawing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000009323 psychological health Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012552 review 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
- G06Q30/0242—Determining effectiveness of advertisements
-
- 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)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (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
本申请涉及融媒体广告监测的领域,具体公开了一种融媒体广告智慧监测平台和电子设备。所述平台包括:互联网广告监测系统,用于采集互联网广告、传统媒体广告监测系统,用于采集传统媒体广告、户外广告监测系统,用于采集户外广告;以及,广告监测驾驶舱。其中,所述广告监测驾驶舱包括:监测模块,用于以用于违规广告监测的图像识别模型对所述互联网广告、所述传统媒体广告和所述户外广告进行监测;管理模块,用于广告数据查询、统计和展示;音视频模块,用于在线观看和回看电视、广播和互联网直播的音频和视频;语音转化模块,用于将音频和视频中的语音转为文字;以及,处理模块,用于以预设工作处理流程对违规广告进行处理。
Description
技术领域
本发明涉及融媒体广告监测的领域,且更为具体地,涉及一种融媒体广告智慧监测平台和电子设备。
背景技术
“融媒体”是充分利用媒介载体,把广播、电视、报纸等既有共同点,又存在互补性的不同媒体,在人力、内容、宣传等方面进行全面整合,实现“资源通融、内容兼融、宣传互融、利益共融”的新型媒体宣传理念。随着融媒体的不断发展,融媒体广告也层出不穷,这些广告有些有益人们的生活健康,而有些则危害人们的身心以及社会的稳定,因此,需要对融媒体广告的内容进行监测。
近年来,随着不同广告形式的出现,需要用不同的监测方式来对其进行监测。在传统媒体的广告中,例如电视广告、广播广告等形式,需要依靠人工事先的识别以对非法广告进行监测排除;而在互联网广告中,例如门户网站、APP、自媒体平台等,其需要依靠固定的算法以进行实时的监测,来对违法的广告内容进行判断;同时,在户外广告中,需要依靠人为的定点检查,以对不合适宜且内容不佳的广告进行排除。这些监测的方式不同就会给人们带来巨大的工作负担,从而也极有可能会使得潜在的违法广告不易被人们所察觉,进而导致危害的后果进一步扩张。
因此,为了更好地对广告进行监测,以净化广告的内容,期望一种融媒体广告智慧监测平台。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种融媒体广告智慧监测平台及其操作方法,其解决传统媒体、互联网和户外广告监测相互独立、各自为政形成的数据孤岛、数据无法共享等难题。
根据本申请的一个方面,提供了一种融媒体广告智慧监测平台,其包括:
互联网广告监测系统,用于采集互联网广告;
传统媒体广告监测系统,用于采集传统媒体广告;
户外广告监测系统,用于采集户外广告;
广告监测驾驶舱,包括:
监测模块,用于以用于违规广告监测的图像识别模型对所述互联网广告、所述传统媒体广告和所述户外广告进行监测;
管理模块,用于广告数据查询、统计和展示;
音视频模块,用于在线观看和回看电视、广播和互联网直播的音频和视频;
语音转化模块,用于将音频和视频中的语音转为文字;以及
处理模块,用于以预设工作处理流程对违规广告进行处理。
在上述融媒体广告智慧监测平台中,所述监测模块,包括:参考图像集获取单元,用于获得包含不同尺度的参考图像的参考图像集,其中,每个尺度的参考图像的数目为多个,且参考图像集中的参考图像的总数为n+1;参考特征图生成单元,用于将所述参考图像集中的每个参考图像输入卷积神经网络以获得n+1参考特征图;距离矩阵单元,用于计算所述n+1参考特征图中每两个参考特征图之间的距离以获得用于表示特征空间中的特征分布之间的距离的尺寸为n*n的距离矩阵;多维尺度变换单元,用于对所述距离矩阵进行经典多维尺度变换以获得尺度转换矩阵;待监测的广告获取单元,用于获得待监测广告的图像;尺度转换矩阵确定单元,用于通过设置n的值,得到对应于不同尺度的所述待监测广告的图像的尺度转换矩阵;特征图生成单元,用于将所述待监测广告的图像输入所述卷积神经网络以获得广告特征图;线性变换单元,用于将所对应的尺度转换矩阵与所述广告特征图的各个特征矩阵进行相乘以将所述广告特征图进行基于所述尺度转换矩阵的线性变换,以获得分类特征图;以及,识别单元,用于将所述分类特征图通过分类器以获得用于表示待监测广告的图像是否存在违规内容的分类结果。
在上述融媒体广告智慧监测平台中,所述卷积神经网络以如下公式对所述参考图像进行处理以获得所述参考特征图;
其中,所述公式为:
fi=active(Ni×fi-1+Bi)
其中,fi-1为第i层卷积神经网络的输入,fi为第i层卷积神经网络的输出,Ni为第i层卷积神经网络的卷积核,且Bi为第i层神经网络的偏置矩阵,且active表示非线性激活函数。
在上述融媒体广告智慧监测平台中,所述距离矩阵单元,进一步用于:计算所述n+1参考特征图中每两个参考特征图之间的余弦距离以获得所述距离矩阵。
在上述融媒体广告智慧监测平台中,所述多维尺度变换单元,进一步用于:以如下公式对所述距离矩阵进行经典多维尺度变换以获得尺度转换矩阵,其中,所述公式为:
J是中心矩阵(centering matrix),给定为:
其中,IN是单位矩阵,1N=[1,1,…,1],中心矩阵是一个对称的幂等矩阵,且D⊙2表示对所述距离矩阵的各位置的值计算平方。
在上述融媒体广告智慧监测平台中,所述识别单元,进一步用于:使用所述分类器的多个全连接层对所述分类特征图进行全位置编码以获得分类特征向量;将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量归属于存在违规内容的第一概率和所述分类特征向量归属于不存在违规内容的第二概率;以及,基于所述第一概率和所述第二概率之间的比较,生成所述分类结果。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的融媒体广告智慧监测平台。
与现有技术相比,本申请提供的融媒体广告智慧监测平台,其解决传统媒体、互联网和户外广告监测相互独立、各自为政形成的数据孤岛、数据无法共享等难题。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1A为根据本申请实施例的融媒体广告智慧监测平台中监测子系统的示意图。
图1B为根据本申请实施例的融媒体广告智慧监测平台中融媒体广告监测驾驶舱的场景图。
图2为根据本申请实施例的融媒体广告智慧监测平台的框图。
图3为根据本申请实施例的融媒体广告智慧监测平台中监测模块的框图。
图4为根据本申请实施例的融媒体广告智慧监测平台的操作方法的流程图。
图5为根据本申请实施例的融媒体广告智慧监测平台的操作方法中,以用于违规广告监测的图像识别模型对所述互联网广告、所述传统媒体广告和所述户外广告进行监测的流程图。
图6为根据本申请实施例的融媒体广告智慧监测平台的操作方法中,以用于违规广告监测的图像识别模型对所述互联网广告、所述传统媒体广告和所述户外广告进行监测的架构示意图。
图7图示了根据本申请实施例的电子设备的示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如前所述,近年来,随着不同广告形式的出现,需要用不同的监测方式来对其进行监测。在传统媒体的广告中,例如电视广告、广播广告等形式,需要依靠人工事先的识别以对非法广告进行监测排除;而在互联网广告中,例如门户网站、APP、自媒体平台等,其需要依靠固定的算法以进行实时的监测,来对违法的广告内容进行判断;同时,在户外广告中,需要依靠人为的定点检查,以对不合适宜且内容不佳的广告进行排除。这些监测的方式不同就会给人们带来巨大的工作负担,从而也极有可能会使得潜在的违法广告不易被人们所察觉,进而导致危害的后果进一步扩张。因此,为了更好地对广告进行监测,以净化广告的内容,期望一种融媒体广告智慧监测平台。
本平台由互联网广告监测、传统媒体广告监测、户外广告监测、广告监测驾驶舱四个子系统组成,采用大数据和人工智能技术,解决当前市场监管部门存在的传统媒体、互联网和户外广告监测相互独立、各自为政形成的数据孤岛、数据无法共享、数据标准不统一的难题。如图1A所示。
其从多个维度,实现基于大数据智慧监测技术的“一点登录,全面覆盖”的全媒体统一监测,通过大数据分析实现针对监测目标和广告产品数据的内在关联,及时掌握影响规模较大的潜在违法线索,防止危害后果进一步扩张。
并且,打通了电视频道、广播、门户网站、APP、自媒体平台、以及户外广告,一旦在某种渠道获取违法广告后,能迅速在其它渠道进行预警,进行事先、针对性监测,通过对融媒体广告智慧监测系统的协同化指挥调度系统的开发建设,从操作层面将互联网和传统媒体领域的协同监测提高到一个全新的高度。
从传统媒体广告、互联网广告、户外广告数据的融合化大数据处理的角度,本平台通过设计开发的全国互联网广告监测中心大数据平台的智能分析模型,得到不同于单独领域监测的大数据分析结果,进一步提升广告监测的大数据处理水平。实现融媒体广告结构化数据及非结构化数据的存储,兼容电视频道、广播、报刊杂志、网站、APP、自媒体、户外广告等。
融媒体广告智慧监测平台还为监测人员提供了一整套的基于融媒体概念与设计的云工作平台——融媒体广告监测驾驶舱,如图1B所示,其方便监测人员的跨领域广告监测活动;具备统一的广告数据查询、统计、展示功能,电视、广播、互联网直播音视频可在线观看及回看;针对音视频类广告,实现语音转文字功能,提升广告采集质量及广告识别准确性;并提供完整的、符合实际需要的融媒体广告工作处理流程,实现融媒体广告派发处理机制。
从覆盖全国的协同工作的角度,融媒体广告智慧监测平台的协同化指挥调度功能,从操作层面将互联网和传统媒体领域的协同监测提高到一个新的水平。通过大数据分析实现针对监测目标和广告产品数据的内在关联,分析和发现关联数据所体现出来的监测目标或广告产品的内在特征和动态变化。及时掌握影响规模较大的潜在违法线索,通过协同化指挥调度功能及时将预警信息通告到各级监测机构,防止危害后果进一步扩张。
基于此,本申请提出了一种融媒体广告智慧监测平台,其包括:互联网广告监测系统,用于采集互联网广告;传统媒体广告监测系统,用于采集传统媒体广告;户外广告监测系统,用于采集户外广告;广告监测驾驶舱,包括:监测模块,用于以用于违规广告监测的图像识别模型对所述互联网广告、所述传统媒体广告和所述户外广告进行监测;管理模块,用于广告数据查询、统计和展示;音视频模块,用于在线观看和回看电视、广播和互联网直播的音频和视频;语音转化模块,用于将音频和视频中的语音转为文字;以及,处理模块,用于以预设工作处理流程对违规广告进行处理。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的融媒体广告智慧监测平台的框图。如图2所示,根据本申请实施例的融媒体广告智慧监测平台200,包括:互联网广告监测系统210,用于采集互联网广告;传统媒体广告监测系统220,用于采集传统媒体广告;户外广告监测系统230,用于采集户外广告;广告监测驾驶舱240,包括:监测模块241,用于以用于违规广告监测的图像识别模型对所述互联网广告、所述传统媒体广告和所述户外广告进行监测;管理模块242,用于广告数据查询、统计和展示;音视频模块243,用于在线观看和回看电视、广播和互联网直播的音频和视频;语音转化模块244,用于将音频和视频中的语音转为文字;以及,处理模块245,用于以预设工作处理流程对违规广告进行处理。
具体地,在本申请实施例中,所述互联网广告监测系统210、所述传统媒体广告监测系统220和所述户外广告监测系统230,用于采集互联网广告,并采集传统媒体广告,且采集户外广告。如前所述,在传统媒体的广告中,例如电视广告、广播广告等形式,需要依靠人工事先的识别以对非法广告进行监测排除;而在互联网广告中,例如门户网站、APP、自媒体平台等,其需要依靠固定的算法以进行实时的监测,来对违法的广告内容进行判断;同时,在户外广告中,需要依靠人为的定点检查,以对不合适宜且内容不佳的广告进行排除。为了从多个维度,实现基于大数据智慧监测技术的“一点登录,全面覆盖”的全媒体统一监测,需要解决当前市场监管部门存在的传统媒体、互联网和户外广告监测相互独立、各自为政形成的数据孤岛、数据无法共享、数据标准不统一的难题。
也就是,在本申请的技术方案中,从所述传统媒体广告、所述互联网广告、所述户外广告数据的融合化大数据处理的角度,通过设计开发的全国互联网广告监测中心大数据平台的智能分析模型,得到不同于单独领域监测的大数据分析结果,进一步提升广告监测的大数据处理水平。实现融媒体广告结构化数据及非结构化数据的存储,兼容电视频道、广播、报刊杂志、网站、APP、自媒体、户外广告等。
相应地,其打通了电视频道、广播、门户网站、APP、自媒体平台、以及户外广告,在一个具体示例中,一旦在某种渠道获取违法广告后,能迅速在其它渠道进行预警,进行事先、针对性监测,通过对融媒体广告智慧监测系统的协同化指挥调度系统的开发建设,从操作层面将互联网和传统媒体领域的协同监测提高到一个全新的高度。
具体地,在本申请实施例中,所述广告监测驾驶舱240,包括:监测模块241,用于以用于违规广告监测的图像识别模型对所述互联网广告、所述传统媒体广告和所述户外广告进行监测;管理模块242,用于广告数据查询、统计和展示;音视频模块243,用于在线观看和回看电视、广播和互联网直播的音频和视频;语音转化模块244,用于将音频和视频中的语音转为文字;以及,处理模块245,用于以预设工作处理流程对违规广告进行处理。
应可以理解,所述融媒体广告智慧监测平台还为监测人员提供了一整套的基于融媒体概念与设计的云工作平台—融媒体广告监测驾驶舱,其能够方便监测人员的跨领域广告监测活动,具备统一的广告数据查询、统计、展示功能。电视、广播、互联网直播音视频可在线观看及回看;针对音视频类广告,实现语音转文字功能,提升广告采集质量及广告识别准确性,并提供完整的、符合实际需要的融媒体广告工作处理流程,实现融媒体广告派发处理机制。
相应地,从覆盖全国的协同工作的角度,所述融媒体广告智慧监测平台的协同化指挥调度功能,从操作层面将互联网和传统媒体领域的协同监测提高到一个新的水平。通过大数据分析实现针对监测目标和广告产品数据的内在关联,分析和发现关联数据所体现出来的监测目标或广告产品的内在特征和动态变化。及时掌握影响规模较大的潜在违法线索,通过协同化指挥调度功能及时将预警信息通告到各级监测机构,防止危害后果进一步扩张。
所述融媒体广告智慧监测平台能够对不同媒体类型的广告进行监测,随着基于深度学习的计算机视觉技术的成熟,可以通过图像识别技术来自动地对违规广告进行监测。并且,由于违规广告在内容上存在共性,因此针对不同媒体类型的广告,优选地采用相同的图像识别模型来进行监测。
但是,注意到不同媒体类型的广告在图像尺度上存在差异,例如大尺度的户外广告,电视广告,和小尺度的流媒体广告,移动终端广告等,因此,需要针对图像识别模型来进行尺度方面的优化。
具体地,在根据本申请实施例的融媒体广告智慧监测平台中,在用于违规广告监测的图像识别模型中,具体是在用于特征提取的卷积神经网络和用于特征回归的分类器之间,插入尺度优化模块,从而优化不同尺度的特征图的回归性能。
在本申请实施例中,所述监测模块241,用于以用于违规广告监测的图像识别模型对所述互联网广告、所述传统媒体广告和所述户外广告进行监测。在一个具体示例中,所述监测模块,包括:参考图像集获取单元,用于获得包含不同尺度的参考图像的参考图像集,其中,每个尺度的参考图像的数目为多个,且参考图像集中的参考图像的总数为n+1;参考特征图生成单元,用于将所述参考图像集中的每个参考图像输入卷积神经网络以获得n+1参考特征图;距离矩阵单元,用于计算所述n+1参考特征图中每两个参考特征图之间的距离以获得用于表示特征空间中的特征分布之间的距离的尺寸为n*n的距离矩阵;多维尺度变换单元,用于对所述距离矩阵进行经典多维尺度变换以获得尺度转换矩阵;待监测的广告获取单元,用于获得待监测广告的图像;尺度转换矩阵确定单元,用于通过设置n的值,得到对应于不同尺度的所述待监测广告的图像的尺度转换矩阵;特征图生成单元,用于将所述待监测广告的图像输入所述卷积神经网络以获得广告特征图;线性变换单元,用于将所对应的尺度转换矩阵与所述广告特征图的各个特征矩阵进行相乘以将所述广告特征图进行基于所述尺度转换矩阵的线性变换,以获得分类特征图;以及,识别单元,用于将所述分类特征图通过分类器以获得用于表示待监测广告的图像是否存在违规内容的分类结果。
图3图示了根据本申请实施例的融媒体广告智慧监测平台中传统媒体广告监测系统的框图。如图3所示,所述监测模块241,包括:参考图像集获取单元2411,用于获得包含不同尺度的参考图像的参考图像集,其中,每个尺度的参考图像的数目为多个,且参考图像集中的参考图像的总数为n+1;参考特征图生成单元2412,用于将所述参考图像集中的每个参考图像输入卷积神经网络以获得n+1参考特征图;距离矩阵单元2413,用于计算所述n+1参考特征图中每两个参考特征图之间的距离以获得用于表示特征空间中的特征分布之间的距离的尺寸为n*n的距离矩阵;多维尺度变换单元2414,用于对所述距离矩阵进行经典多维尺度变换以获得尺度转换矩阵;待监测的广告获取单元2415,用于获得待监测广告的图像;尺度转换矩阵确定单元2416,用于通过设置n的值,得到对应于不同尺度的所述待监测广告的图像的尺度转换矩阵;特征图生成单元2417,用于将所述待监测广告的图像输入所述卷积神经网络以获得广告特征图;线性变换单元2418,用于将所对应的尺度转换矩阵与所述广告特征图的各个特征矩阵进行相乘以将所述广告特征图进行基于所述尺度转换矩阵的线性变换,以获得分类特征图;以及,识别单元2419,用于将所述分类特征图通过分类器以获得用于表示待监测广告的图像是否存在违规内容的分类结果。
具体地,在本申请实施例中,所述参考图像集获取单元2411和所述参考特征图生成单元2412,用于获得包含不同尺度的参考图像的参考图像集,其中,每个尺度的参考图像的数目为多个,且参考图像集中的参考图像的总数为n+1,并将所述参考图像集中的每个参考图像输入卷积神经网络以获得n+1参考特征图。如前所述,所述融媒体广告智慧监测平台能够对不同媒体类型的广告进行监测,随着基于深度学习的计算机视觉技术的成熟,可以通过所述图像识别技术来自动地对违规广告进行监测。并且,由于违规广告在内容上存在共性,因此针对不同的所述媒体类型的广告,优选地采用相同的图像识别模型来进行监测。
应可以理解,考虑到所述不同媒体类型的广告在图像尺度上存在差异,例如大尺度的户外广告,电视广告,和小尺度的流媒体广告,移动终端广告等,因此,在本申请的技术方案中,需要针对所述图像识别模型来进行尺度方面的优化。相应地,在一个具体示例中,采用经典多维尺度变换,也就是,首先,获得包含不同尺度的参考图像的参考图像集,其中,所述图像集包括通过户外广告牌、电视中获取的大尺度的广告,以及通过流媒体、移动终端中获取的小尺度广告,并且每个所述尺度的参考图像数目为多个,且所述参考图像集中的图像总数为n+1。然后,将所述参考图像集中的每个参考图像输入图像识别模型的卷积神经网络中进行处理,以提取出所述参考图像中的局部特征在高维空间中的特征分布表示,从而获得多个参考特征图。
更具体地,在本申请实施例中,所述卷积神经网络以如下公式对所述参考图像进行处理以获得所述参考特征图;
其中,所述公式为:
fi=active(Ni×fi-1+Bi)
其中,fi-1为第i层卷积神经网络的输入,fi为第i层卷积神经网络的输出,Ni为第i层卷积神经网络的卷积核,且Bi为第i层神经网络的偏置矩阵,且active表示非线性激活函数。
具体地,在本申请实施例中,所述距离矩阵单元2413,用于计算所述n+1参考特征图中每两个参考特征图之间的距离以获得用于表示特征空间中的特征分布之间的距离的尺寸为n*n的距离矩阵。也就是,为了对所述图像向别模型进行尺度方面的优化,以使得分类的结果更为准确,因此,在本申请的技术方案中,需要首先计算所述多个参考特征图中的每两个参考特征图之间的距离,以得到用于表示特征空间中的特征分布之间的距离的n*n的距离矩阵。
应可以理解,由于所述经典多维尺度变换聚焦尺度距离,为了减轻所述图像内容产生的距离的影响,优选地,采用余弦距离代替欧式距离。也就是,在一个具体示例中,计算所述n+1参考特征图中每两个参考特征图之间的余弦距离以获得所述距离矩阵。应可以理解,所述余弦相似度就是计算两个向量间的夹角的余弦值,也就是,对于两个向量A和B,其余弦相似度定义为:而余弦距离就是用1减去所述余弦相似度,并且由于所述余弦相似度的取值范围是[-1,1],因此余弦距离的取值范围为[0,2]。
具体地,在本申请实施例中,所述多维尺度变换单元2414,用于对所述距离矩阵进行经典多维尺度变换以获得尺度转换矩阵。应可以理解,在根据本申请实施例的所述融媒体广告智慧监测平台中,在用于违规广告监测的图像识别模型中,具体是在用于特征提取的所述卷积神经网络和用于特征回归的分类器之间,插入尺度优化模块,从而优化不同尺度的特征图的回归性能。也就是,在获得所述距离矩阵之后,对所述距离矩阵进行经典多维尺度变换,以获得尺度转换矩阵。
更具体地,在本申请实施例中,所述多维尺度变换单元,进一步用于:以如下公式对所述距离矩阵进行经典多维尺度变换以获得尺度转换矩阵,其中,所述公式为:
J是中心矩阵(centering matrix),给定为:
其中,IN是单位矩阵,1N=[1,1,…,1],中心矩阵是一个对称的幂等矩阵,该所述经典多维尺度变换等效于与从所述距离矩阵的每个方向的分量中减去各方向的分量的平均值,且D⊙2表示对所述距离矩阵的各位置的值计算平方。
具体地,在本申请实施例中,所述待监测的广告获取单元2415和所述尺度转换矩阵确定单元2416,用于获得待监测广告的图像,并通过设置n的值,得到对应于不同尺度的所述待监测广告的图像的尺度转换矩阵。应可以理解,为了对所述待监测的广告图像进行是否存在违规内容的识别,在本申请的技术方案中,首先,需要获取待监测的广告图像;然后,再通过对所述待监测的广告图像设置n的值,以得到对应于不同尺度的所述待监测广告的图像的尺度转换矩阵,以便于后续的分类处理。也就是,将待检测的广告图像进行基于经典多维尺度变换的尺度转换矩阵形式处理,以将所述待检测的广告图像转换为对应于不同尺度的所述待监测广告的图像的尺度转换矩阵,进而便于后续对所述广告特征图进行基于尺度转换矩阵的线性变换处理。
具体地,在本申请实施例中,所述特征图生成单元2417,用于将所述待监测广告的图像输入所述卷积神经网络以获得广告特征图。也就是,通过卷积神经网络对所述待监测广告的图像进行处理,以提取出所述待监测广告的图像中的局部特征在高维中间中的特征分布表示,从而将所述待监测的广告图像映射到高维空间中,以便于后续对其进行尺度变换处理。
具体地,在本申请实施例中,所述线性变换单元2418和所述识别单元2419,用于将所对应的尺度转换矩阵与所述广告特征图的各个特征矩阵进行相乘以将所述广告特征图进行基于所述尺度转换矩阵的线性变换,以获得分类特征图,并将所述分类特征图通过分类器以获得用于表示待监测广告的图像是否存在违规内容的分类结果。也就是,首先,在获得所述待监测的图像并输入所述卷积神经网络以获得所述特征图之后,再将所对应的尺度转换矩阵乘以所述广告特征图中的各个特征矩阵,以将所述广告特征图进行基于尺度转换矩阵的线性变换,从而得到分类特征图。然后,再将所述分类特征图输入分类器,以得到所述待监测的图像是否存在违规内容的分类结果。
更具体地,在本申请实施例中,所述识别单元,进一步用于:首先,使用所述分类器的多个全连接层对所述分类特征图进行全位置编码以获得分类特征向量。接着,将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量归属于存在违规内容的第一概率和所述分类特征向量归属于不存在违规内容的第二概率。最后,基于所述第一概率和所述第二概率之间的比较,生成所述分类结果。具体地,当所述第一概率大于所述第二概率时,所述分类结果为存在违规内容;当所述第一概率小于所述第二概率时,所述分类结果为不存在违规内容。
具体地,在本申请实施例中,所述管理模块242、所述音视频模块243和所述语音转化模块244以及处理模块245,用于广告数据查询、统计和展示,接着在线观看和回看电视、广播和互联网直播的音频和视频,然后将音频和视频中的语音转为文字;最后以预设工作处理流程对违规广告进行处理。应可以理解,所述融媒体广告监测驾驶舱,方便监测人员的跨领域广告监测活动,并且具备统一的广告数据查询、统计、展示功能,电视、广播、互联网直播音视频可在线观看及回看;针对音视频类广告,实现语音转文字功能,提升广告采集质量及广告识别准确性;并提供完整的、符合实际需要的融媒体广告工作处理流程,实现融媒体广告派发处理机制。通过这样的方式,能够及时掌握影响规模较大的潜在违法线索,通过协同化指挥调度功能及时将预警信息通告到各级监测机构,防止危害后果进一步扩张。
综上,基于本申请实施例的所述融媒体广告智慧监测平台200被阐明,其解决传统媒体、互联网和户外广告监测相互独立、各自为政形成的数据孤岛、数据无法共享等难题。并且,所述融媒体广告智慧监测平台200通过图像识别技术来自动地对违规广告进行监测,并且针对所述图像识别模型来进行尺度方面的优化,具体地,在用于特征提取的卷积神经网络和用于特征回归的分类器之间,插入尺度优化模块,以对所述不同媒体类型的广告在图像尺度上的差异进行处理,从而优化不同尺度的所述特征图的回归性能,这样可以使得分类的结果更为准确。通过这样的方式,可以使得对不同媒体类型的广告进行监测,以净化广告的内容,从而保障人们的身心健康以及社会的稳定。
如上所述,根据本申请实施例的融媒体广告智慧监测平台200可以实现在各种终端设备中,例如融媒体广告智慧监测算法的服务器等。在一个示例中,根据本申请实施例的融媒体广告智慧监测平台200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该融媒体广告智慧监测平台200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该融媒体广告智慧监测平台200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该融媒体广告智慧监测平台200与该终端设备也可以是分立的设备,并且该融媒体广告智慧监测平台200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图4图示了融媒体广告智慧监测平台的操作方法的流程图。如图4所示,根据本申请实施例的融媒体广告智慧监测平台的操作方法,包括步骤:S110,采集互联网广告;S120,采集传统媒体广告;S130,采集户外广告;S140,广告监测管理,包括:S210,以用于违规广告监测的图像识别模型对所述互联网广告、所述传统媒体广告和所述户外广告进行监测;S220,广告数据查询、统计和展示;S230,在线观看和回看电视、广播和互联网直播的音频和视频;S240,将音频和视频中的语音转为文字;以及,S250,以预设工作处理流程对违规广告进行处理。
更具体地,在步骤S110、步骤S120和步骤S130中,采集互联网广告,采集传统媒体广告,并采集户外广告。也就是,在本申请的技术方案中,从所述传统媒体广告、所述互联网广告、所述户外广告数据的融合化大数据处理的角度,通过设计开发的全国互联网广告监测中心大数据平台的智能分析模型,得到不同于单独领域监测的大数据分析结果,进一步提升广告监测的大数据处理水平。实现融媒体广告结构化数据及非结构化数据的存储,兼容电视频道、广播、报刊杂志、网站、APP、自媒体、户外广告等。
更具体地,在步骤S140中,广告监测管理,包括:S210,以用于违规广告监测的图像识别模型对所述互联网广告、所述传统媒体广告和所述户外广告进行监测;S220,广告数据查询、统计和展示;S230,在线观看和回看电视、广播和互联网直播的音频和视频;S240,将音频和视频中的语音转为文字;以及,S250,以预设工作处理流程对违规广告进行处理。应可以理解,所述融媒体广告智慧监测平台还为监测人员提供了一整套的基于融媒体概念与设计的云工作平台—融媒体广告监测驾驶舱,其能够方便监测人员的跨领域广告监测活动,具备统一的广告数据查询、统计、展示功能。电视、广播、互联网直播音视频可在线观看及回看;针对音视频类广告,实现语音转文字功能,提升广告采集质量及广告识别准确性,并提供完整的、符合实际需要的融媒体广告工作处理流程,实现融媒体广告派发处理机制。
更具体地,在步骤S210中,以用于违规广告监测的图像识别模型对所述互联网广告、所述传统媒体广告和所述户外广告进行监测。应可以理解,所述融媒体广告智慧监测平台能够对不同媒体类型的广告进行监测,随着基于深度学习的计算机视觉技术的成熟,可以通过图像识别技术来自动地对违规广告进行监测。并且,由于违规广告在内容上存在共性,因此针对不同媒体类型的广告,优选地采用相同的图像识别模型来进行监测。
具体地,在本申请实施例中,以用于违规广告监测的图像识别模型对所述互联网广告、所述传统媒体广告和所述户外广告进行监测的过程,包括:获得包含不同尺度的参考图像的参考图像集,其中,每个尺度的参考图像的数目为多个,且参考图像集中的参考图像的总数为n+1;将所述参考图像集中的每个参考图像输入卷积神经网络以获得n+1参考特征图;计算所述n+1参考特征图中每两个参考特征图之间的距离以获得用于表示特征空间中的特征分布之间的距离的尺寸为n*n的距离矩阵;对所述距离矩阵进行经典多维尺度变换以获得尺度转换矩阵;获得待监测广告的图像;通过设置n的值,得到对应于不同尺度的所述待监测广告的图像的尺度转换矩阵;将所述待监测广告的图像输入所述卷积神经网络以获得广告特征图;将所对应的尺度转换矩阵与所述广告特征图的各个特征矩阵进行相乘以将所述广告特征图进行基于所述尺度转换矩阵的线性变换,以获得分类特征图;以及,将所述分类特征图通过分类器以获得用于表示待监测广告的图像是否存在违规内容的分类结果。
图5图示了根据本申请实施例的融媒体广告智慧监测平台的操作方法中,以用于违规广告监测的图像识别模型对所述互联网广告、所述传统媒体广告和所述户外广告进行监测的流程图。如图5所示,以用于违规广告监测的图像识别模型对所述互联网广告、所述传统媒体广告和所述户外广告进行监测,包括:S211,获得包含不同尺度的参考图像的参考图像集,其中,每个尺度的参考图像的数目为多个,且参考图像集中的参考图像的总数为n+1;S212,将所述参考图像集中的每个参考图像输入卷积神经网络以获得n+1参考特征图;S213,计算所述n+1参考特征图中每两个参考特征图之间的距离以获得用于表示特征空间中的特征分布之间的距离的尺寸为n*n的距离矩阵;S214,对所述距离矩阵进行经典多维尺度变换以获得尺度转换矩阵;S215,获得待监测广告的图像;S216,通过设置n的值,得到对应于不同尺度的所述待监测广告的图像的尺度转换矩阵;S217,将所述待监测广告的图像输入所述卷积神经网络以获得广告特征图;S218,将所对应的尺度转换矩阵与所述广告特征图的各个特征矩阵进行相乘以将所述广告特征图进行基于所述尺度转换矩阵的线性变换,以获得分类特征图;以及,S219,将所述分类特征图通过分类器以获得用于表示待监测广告的图像是否存在违规内容的分类结果。
图6图示了根据本申请实施例的融媒体广告智慧监测平台的操作方法中,以用于违规广告监测的图像识别模型对所述互联网广告、所述传统媒体广告和所述户外广告进行监测的架构示意图。如图6所示,在所述融媒体广告智慧监测平台的操作方法的网络架构中,首先,将获得的所述参考图像集(例如,如图6中所示意的IN1)中的每个参考图像输入卷积神经网络(例如,如图6中所示意的CNN)以获得n+1参考特征图(例如,如图6中所示意的F1);接着,计算所述n+1参考特征图中每两个参考特征图之间的距离以获得用于表示特征空间中的特征分布之间的距离的尺寸为n*n的距离矩阵(例如,如图6中所示意的M1);然后,对所述距离矩阵进行经典多维尺度变换以获得尺度转换矩阵(例如,如图6中所示意的M2);接着,通过设置n的值,得到对应于不同尺度的获得的所述待监测广告的图像(例如,如图6中所示意的IN2)的尺度转换矩阵(例如,如图6中所示意的M3);然后,将所述待监测广告的图像输入所述卷积神经网络(例如,如图6中所示意的CNN)以获得广告特征图(例如,如图6中所示意的F2);接着,将所对应的尺度转换矩阵与所述广告特征图的各个特征矩阵进行相乘以将所述广告特征图进行基于所述尺度转换矩阵的线性变换,以获得分类特征图(例如,如图6中所示意的F3);以及,最后,将所述分类特征图通过分类器(例如,如图6中所示意的分类器)以获得用于表示待监测广告的图像是否存在违规内容的分类结果。
更具体地,在步骤S220、步骤S230、步骤S240以及步骤S250中,广告数据查询、统计和展示,在线观看和回看电视、广播和互联网直播的音频和视频,将音频和视频中的语音转为文字,以及,以预设工作处理流程对违规广告进行处理。应可以理解,所述融媒体广告监测驾驶舱,方便监测人员的跨领域广告监测活动,并且具备统一的广告数据查询、统计、展示功能,电视、广播、互联网直播音视频可在线观看及回看;针对音视频类广告,实现语音转文字功能,提升广告采集质量及广告识别准确性;并提供完整的、符合实际需要的融媒体广告工作处理流程,实现融媒体广告派发处理机制。通过这样的方式,能够及时掌握影响规模较大的潜在违法线索,通过协同化指挥调度功能及时将预警信息通告到各级监测机构,防止危害后果进一步扩张。
综上,基于本申请实施例的所述融媒体广告智慧监测平台的操作方法被阐明,其通过图像识别技术来自动地对违规广告进行监测,并且针对所述图像识别模型来进行尺度方面的优化,具体地,在用于特征提取的卷积神经网络和用于特征回归的分类器之间,插入尺度优化模块,以对所述不同媒体类型的广告在图像尺度上的差异进行处理,从而优化不同尺度的所述特征图的回归性能,这样可以使得分类的结果更为准确。通过这样的方式,可以使得对不同媒体类型的广告进行监测,以净化广告的内容,从而保障人们的身心健康以及社会的稳定。
示例性电子设备
下面,参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的融媒体广告智慧监测平台中的功能以及/或者其他期望的功能。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线装置和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
Claims (7)
1.一种融媒体广告智慧监测平台,其特征在于,包括:
互联网广告监测系统,用于采集互联网广告;
传统媒体广告监测系统,用于采集传统媒体广告;
户外广告监测系统,用于采集户外广告;
广告监测驾驶舱,包括:
监测模块,用于以用于违规广告监测的图像识别模型对所述互联网广告、所述传统媒体广告和所述户外广告进行监测;
管理模块,用于广告数据查询、统计和展示;
音视频模块,用于在线观看和回看电视、广播和互联网直播的音频和视频;
语音转化模块,用于将音频和视频中的语音转为文字;以及
处理模块,用于以预设工作处理流程对违规广告进行处理。
2.根据权利要求1所述的融媒体广告智慧监测平台,其中,所述监测模块,包括:
参考图像集获取单元,用于获得包含不同尺度的参考图像的参考图像集,其中,每个尺度的参考图像的数目为多个,且参考图像集中的参考图像的总数为n+1;
参考特征图生成单元,用于将所述参考图像集中的每个参考图像输入卷积神经网络以获得n+1参考特征图;
距离矩阵单元,用于计算所述n+1参考特征图中每两个参考特征图之间的距离以获得用于表示特征空间中的特征分布之间的距离的尺寸为n*n的距离矩阵;
多维尺度变换单元,用于对所述距离矩阵进行经典多维尺度变换以获得尺度转换矩阵;
待监测的广告获取单元,用于获得待监测广告的图像;
尺度转换矩阵确定单元,用于通过设置n的值,得到对应于不同尺度的所述待监测广告的图像的尺度转换矩阵;
特征图生成单元,用于将所述待监测广告的图像输入所述卷积神经网络以获得广告特征图;
线性变换单元,用于将所对应的尺度转换矩阵与所述广告特征图的各个特征矩阵进行相乘以将所述广告特征图进行基于所述尺度转换矩阵的线性变换,以获得分类特征图;以及
识别单元,用于将所述分类特征图通过分类器以获得用于表示待监测广告的图像是否存在违规内容的分类结果。
3.根据权利要求2所述的融媒体广告智慧监测平台,其中,所述卷积神经网络以如下公式对所述参考图像进行处理以获得所述参考特征图;
其中,所述公式为:
fi=active(Ni×fi-1+Bi)
其中,fi-1为第i层卷积神经网络的输入,fi为第i层卷积神经网络的输出,Ni为第i层卷积神经网络的卷积核,且Bi为第i层神经网络的偏置矩阵,且active表示非线性激活函数。
4.根据权利要求2所述的融媒体广告智慧监测平台,其中,所述距离矩阵单元,进一步用于计算所述n+1参考特征图中每两个参考特征图之间的余弦距离以获得所述距离矩阵。
6.根据权利要求2所述的融媒体广告智慧监测平台,其中,所述识别单元,进一步用于:
使用所述分类器的多个全连接层对所述分类特征图进行全位置编码以获得分类特征向量;
将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量归属于存在违规内容的第一概率和所述分类特征向量归属于不存在违规内容的第二概率;以及
基于所述第一概率和所述第二概率之间的比较,生成所述分类结果。
7.一种电子设备,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-6中任一项所述的融媒体广告智慧监测平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111276717.5A CN114004645A (zh) | 2021-10-29 | 2021-10-29 | 融媒体广告智慧监测平台和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111276717.5A CN114004645A (zh) | 2021-10-29 | 2021-10-29 | 融媒体广告智慧监测平台和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004645A true CN114004645A (zh) | 2022-02-01 |
Family
ID=79925577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111276717.5A Pending CN114004645A (zh) | 2021-10-29 | 2021-10-29 | 融媒体广告智慧监测平台和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004645A (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011013299A1 (ja) * | 2009-07-31 | 2011-02-03 | パナソニック株式会社 | 移動体検出装置及び移動体検出方法 |
CN102651075A (zh) * | 2011-02-28 | 2012-08-29 | 中兴智能交通系统(北京)有限公司 | 车辆识别模型训练方法、车辆识别方法及装置 |
CN103914530A (zh) * | 2014-03-31 | 2014-07-09 | 北京中科模识科技有限公司 | 广播电视节目中违规广告的监测方法和系统 |
WO2018098780A1 (zh) * | 2016-12-01 | 2018-06-07 | 深圳前海达闼云端智能科技有限公司 | 一种交互式广告展示方法、终端及智慧城市交互系统 |
CN108492132A (zh) * | 2018-03-05 | 2018-09-04 | 北京电广聪信息技术有限公司 | 一种利用音频特征识别的广告监播投放系统及方法 |
CN108628923A (zh) * | 2017-11-28 | 2018-10-09 | 南京莱斯信息技术股份有限公司 | 一种基于互联网大数据的网络违法视频广告识别方法及系统 |
US20180315142A1 (en) * | 2005-09-30 | 2018-11-01 | Google Inc. | Detecting violations in advertisements |
CN108734184A (zh) * | 2017-04-17 | 2018-11-02 | 苏宁云商集团股份有限公司 | 一种对敏感图像进行分析的方法及装置 |
CN109214268A (zh) * | 2018-07-12 | 2019-01-15 | 浙江工业大学 | 一种基于集成流形学习的填料塔液泛状态在线监测方法 |
CN109886161A (zh) * | 2019-01-30 | 2019-06-14 | 江南大学 | 一种基于可能性聚类和卷积神经网络的道路交通标识识别方法 |
CN110569814A (zh) * | 2019-09-12 | 2019-12-13 | 广州酷狗计算机科技有限公司 | 视频类别识别方法、装置、计算机设备及计算机存储介质 |
CN110837615A (zh) * | 2019-11-05 | 2020-02-25 | 福建省趋普物联科技有限公司 | 广告内容信息过滤人工智能审核系统 |
CN111722227A (zh) * | 2020-07-03 | 2020-09-29 | 南京邮电大学 | 基于近似观测矩阵的聚束sar压缩感知成像方法 |
KR102188205B1 (ko) * | 2020-05-12 | 2020-12-08 | 주식회사 애터미아자 | 마케팅 콘텐츠에 대한 감수 장치 및 방법 |
CN112258254A (zh) * | 2020-12-21 | 2021-01-22 | 中国人民解放军国防科技大学 | 基于大数据架构的互联网广告风险监测方法及系统 |
CN112651494A (zh) * | 2021-01-14 | 2021-04-13 | 成都承慎帮科技有限公司 | 用于线缆防缠绕预警的神经网络的训练方法 |
-
2021
- 2021-10-29 CN CN202111276717.5A patent/CN114004645A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180315142A1 (en) * | 2005-09-30 | 2018-11-01 | Google Inc. | Detecting violations in advertisements |
WO2011013299A1 (ja) * | 2009-07-31 | 2011-02-03 | パナソニック株式会社 | 移動体検出装置及び移動体検出方法 |
CN102651075A (zh) * | 2011-02-28 | 2012-08-29 | 中兴智能交通系统(北京)有限公司 | 车辆识别模型训练方法、车辆识别方法及装置 |
CN103914530A (zh) * | 2014-03-31 | 2014-07-09 | 北京中科模识科技有限公司 | 广播电视节目中违规广告的监测方法和系统 |
WO2018098780A1 (zh) * | 2016-12-01 | 2018-06-07 | 深圳前海达闼云端智能科技有限公司 | 一种交互式广告展示方法、终端及智慧城市交互系统 |
CN108734184A (zh) * | 2017-04-17 | 2018-11-02 | 苏宁云商集团股份有限公司 | 一种对敏感图像进行分析的方法及装置 |
CN108628923A (zh) * | 2017-11-28 | 2018-10-09 | 南京莱斯信息技术股份有限公司 | 一种基于互联网大数据的网络违法视频广告识别方法及系统 |
CN108492132A (zh) * | 2018-03-05 | 2018-09-04 | 北京电广聪信息技术有限公司 | 一种利用音频特征识别的广告监播投放系统及方法 |
CN109214268A (zh) * | 2018-07-12 | 2019-01-15 | 浙江工业大学 | 一种基于集成流形学习的填料塔液泛状态在线监测方法 |
CN109886161A (zh) * | 2019-01-30 | 2019-06-14 | 江南大学 | 一种基于可能性聚类和卷积神经网络的道路交通标识识别方法 |
CN110569814A (zh) * | 2019-09-12 | 2019-12-13 | 广州酷狗计算机科技有限公司 | 视频类别识别方法、装置、计算机设备及计算机存储介质 |
CN110837615A (zh) * | 2019-11-05 | 2020-02-25 | 福建省趋普物联科技有限公司 | 广告内容信息过滤人工智能审核系统 |
KR102188205B1 (ko) * | 2020-05-12 | 2020-12-08 | 주식회사 애터미아자 | 마케팅 콘텐츠에 대한 감수 장치 및 방법 |
CN111722227A (zh) * | 2020-07-03 | 2020-09-29 | 南京邮电大学 | 基于近似观测矩阵的聚束sar压缩感知成像方法 |
CN112258254A (zh) * | 2020-12-21 | 2021-01-22 | 中国人民解放军国防科技大学 | 基于大数据架构的互联网广告风险监测方法及系统 |
CN112651494A (zh) * | 2021-01-14 | 2021-04-13 | 成都承慎帮科技有限公司 | 用于线缆防缠绕预警的神经网络的训练方法 |
Non-Patent Citations (3)
Title |
---|
徐洁磐等: "《人工智能导论 第2版》", 30 April 2021, 北京:中国铁道出版社, pages: 122 - 123 * |
袁昌;: "县级融媒体中心监测监管平台建设思路", 中国有线电视, no. 05, 15 May 2020 (2020-05-15), pages 503 - 506 * |
雷迎科: "《流形学习及其应用》", 30 April 2019, 北京:国防工业出版社, pages: 40 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444428B (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
Burnap et al. | COSMOS: Towards an integrated and scalable service for analysing social media on demand | |
US10380249B2 (en) | Predicting future trending topics | |
Ruggiero et al. | Social media monitoring for crisis communication: Process, methods and trends in the scientific literature | |
CN110020122B (zh) | 一种视频推荐方法、系统及计算机可读存储介质 | |
WO2023040506A1 (zh) | 一种基于模型的数据处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
CN112258254B (zh) | 基于大数据架构的互联网广告风险监测方法及系统 | |
CN110020022B (zh) | 数据处理方法、装置、设备及可读存储介质 | |
CN111310041B (zh) | 图文发布的方法、模型的训练方法、装置及存储介质 | |
WO2021155691A1 (zh) | 用户画像生成方法、装置、存储介质及设备 | |
CN113761253A (zh) | 视频标签确定方法、装置、设备及存储介质 | |
CN113742592A (zh) | 舆情信息推送方法、装置、设备及存储介质 | |
CN112165639A (zh) | 内容分发方法、装置、电子设备以及存储介质 | |
CN113301376A (zh) | 一种基于虚拟现实技术的直播交互方式及系统 | |
CN114625918A (zh) | 视频推荐方法、装置、设备、存储介质及程序产品 | |
US20100325082A1 (en) | System and Associated Method for Determining and Applying Sociocultural Characteristics | |
CN110704738A (zh) | 基于法官画像的服务信息推送方法、装置、终端及存储介质 | |
CN114461853A (zh) | 视频场景分类模型的训练样本生成方法、装置及设备 | |
US20180239790A1 (en) | Provision device, provision method and non-transitory computer readable storage medium | |
CN110210572B (zh) | 图像分类方法、装置、存储介质及设备 | |
CN110188277B (zh) | 一种资源的推荐方法及装置 | |
CN114004645A (zh) | 融媒体广告智慧监测平台和电子设备 | |
CN111198978A (zh) | 信息处理方法、装置、存储介质和智能终端 | |
CN115131065A (zh) | 一种基于计算机视觉的短视频沉浸式广告推广方法及系统 | |
CN117150053A (zh) | 多媒体信息推荐模型训练方法、推荐方法及装置 |
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 |