CN114238744A - 数据处理方法、装置及设备 - Google Patents
数据处理方法、装置及设备 Download PDFInfo
- Publication number
- CN114238744A CN114238744A CN202111574694.6A CN202111574694A CN114238744A CN 114238744 A CN114238744 A CN 114238744A CN 202111574694 A CN202111574694 A CN 202111574694A CN 114238744 A CN114238744 A CN 114238744A
- Authority
- CN
- China
- Prior art keywords
- image
- feature extraction
- determining
- extraction model
- feature vector
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 310
- 238000000605 extraction Methods 0.000 claims abstract description 272
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 182
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 57
- 230000006870 function Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 description 19
- 238000004590 computer program Methods 0.000 description 12
- 238000012795 verification Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (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
本说明书实施例提供了一种数据处理方法、装置及设备,所述方法包括:在接收到针对第一图像的相似图像检索指令的情况下,确定与所述第一图像对应的候选图像;基于预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;基于所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
Description
技术领域
本文件涉及数据处理技术领域,尤其涉及一种数据处理方法、装置及设备。
背景技术
随着互联网行业的迅速发展,应用服务商可以为用户提供的业务服务越来越多样化,用户可以使用的业务也越来越多。
例如,用户在购物平台上,可以通过带有某商品的图像,对该商品进行检索,其中,购物平台的服务器在接收到该检索图像后,可以获取每个存储图像与该检索图像之间的图像相似度,并将图像相似度较高的存储图像对应的商品作为检索结果返回给用户。但是,由于商品的种类越来越多,商品与商品之间的差异越来越小,仅通过图像相似度进行商品的检索,检索准确性低,无法满足用户的检索需求。因此,需要一种提高通过图像进行检索时的检索准确性的解决方案。
发明内容
本说明书实施例的目的是提供一种数据处理方法、装置及设备,以提供一种能够提高通过图像进行检索时的检索准确性的解决方案。
为了实现上述技术方案,本说明书实施例是这样实现的:
第一方面,本说明书实施例提供了一种数据处理方法,包括:在接收到针对第一图像的相似图像检索指令的情况下,确定与所述第一图像对应的候选图像;基于预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;基于所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
第二方面,本说明书实施例提供了一种数据处理方法,应用于区块链系统,包括:在接收到针对第一图像的相似图像检索指令的情况下,基于预先部署在所述区块链系统中的第一智能合约,获取与所述第一图像对应的候选图像;基于所述第一智能合约和预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;基于所述第一智能合约、所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
第三方面,本说明书实施例提供了一种数据处理装置,所述装置包括:图像选取模块,用于在接收到针对第一图像的相似图像检索指令的情况下,确定与所述第一图像对应的候选图像;向量获取模块,用于基于预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;图像确定模块,用于基于所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
第四方面,本说明书实施例提供了一种数据处理装置,所述装置为区块链系统中的装置,包括:图像选取模块,用于在接收到针对第一图像的相似图像检索指令的情况下,基于预先部署在所述区块链系统中的第一智能合约,获取与所述第一图像对应的候选图像;向量获取模块,用于基于所述第一智能合约和预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;图像确定模块,用于基于所述第一智能合约、所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
第五方面,本说明书实施例提供了一种数据处理设备,所述数据处理设备为区块链系统中的设备,所述数据处理设备包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:在接收到针对第一图像的相似图像检索指令的情况下,确定与所述第一图像对应的候选图像;基于预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;基于所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
第六方面,本说明书实施例提供了一种数据处理设备,所述数据处理设备为区块链系统中的设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:在接收到目标用户针对第一业务的执行指令的情况下,基于预先部署在所述区块链系统中的第三智能合约,获取与所述第一业务对应的身份验证页面,所述身份验证页面用于对所述目标用户触发执行所述第一业务进行身份验证;基于所述第三智能合约,获取与所述第一业务匹配的身份感提示信息,并基于所述第三智能合约、所述身份感提示信息和所述身份验证页面,生成针对所述目标用户的且携带有所述身份感提示信息的目标验证页面;将所述目标验证页面提供给所述目标用户的设备,并基于所述第三智能合约从所述目标用户的设备获取所述目标用户在所述目标验证页面输入的第一身份验证信息;基于所述第三智能合约和所述第一身份验证信息,对所述目标用户触发执行所述第一业务进行身份验证,并在身份验证通过的情况下,执行所述第一业务。
第七方面,本说明书实施例提供一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:在接收到目标用户针对第一业务的执行指令的情况下,获取与所述第一业务对应的身份验证页面,所述身份验证页面用于对所述目标用户触发执行所述第一业务进行身份验证;获取与所述第一业务匹配的身份感提示信息,并基于所述身份感提示信息和所述身份验证页面,生成针对所述目标用户的且携带有所述身份感提示信息的目标验证页面;接收所述目标用户在所述目标验证页面输入的第一身份验证信息,并基于所述第一身份验证信息对所述目标用户触发执行所述第一业务进行身份验证;如果身份验证通过,则执行所述第一业务。
第八方面,本说明书实施例提供一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下流程:在接收到针对第一图像的相似图像检索指令的情况下,基于预先部署在区块链系统中的第一智能合约,获取与所述第一图像对应的候选图像;基于所述第一智能合约和预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;基于所述第一智能合约、所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1A为本说明书一种数据处理方法实施例的流程图;
图1B为本说明书一种数据处理方法实施例的处理过程示意图;
图2为本说明书一种第一图像的确定方法示意图;
图3为本说明书又一种第一图像的确定方法示意图;
图4为本说明书又一种第一图像的确定方法示意图;
图5为本说明书又一种数据处理方法实施例的处理过程示意图;
图6为本说明书一种图像提取模型的示意图;
图7A为本说明书一种数据处理方法实施例的流程图;
图7B为本说明书又一种数据处理方法实施例的处理过程示意图;
图8为本说明书又一种数据处理方法实施例的处理过程示意图;
图9为本说明书一种数据处理装置实施例的结构示意图;
图10为本说明书另一种数据处理装置实施例的结构示意图;
图11为本说明书一种数据处理设备的结构示意图。
具体实施方式
本说明书实施例提供一种数据处理方法、装置及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
实施例一
如图1A和图1B所示,本说明书实施例提供一种数据处理方法,该方法的执行主体可以为服务器,该服务器可以是独立的服务器,也可以是由多个服务器组成的服务器集群。
该方法具体可以包括以下步骤:
在S102中,在接收到针对第一图像的相似图像检索指令的情况下,确定与第一图像对应的候选图像。
其中,第一图像可以是任意图像,例如,第一图像可以是用户设备上传的任意图像(如用户通过用户设备拍摄的图像,或用户设备存储的图像等)等,候选图像可以是服务器预先存储的任意图像。
在实施中,随着互联网行业的迅速发展,应用服务商可以为用户提供的业务服务越来越多样化,用户可以使用的业务也越来越多。例如,用户在购物平台上,可以通过带有某商品的图像,对该商品进行检索,其中,购物平台的服务器在接收到该检索图像后,可以获取每个存储图像与该检索图像之间的图像相似度,并将图像相似度较高的存储图像对应的商品作为检索结果返回给用户。但是,由于商品的种类越来越多,商品与商品之间的差异越来越小,仅通过图像相似度进行商品的检索,检索准确性低,无法满足用户的检索需求。因此,需要一种提高通过图像进行物品检索时的检索准确性的解决方案。为此,本说明书实施例提供一种可以解决上述问题的技术方案,具体可以参见下述内容。
以服务器为某商品交易应用程序的后台服务器为例,用户可以在用户设备(如可以为终端设备或服务器等)触发启动该商品交易应用程序,在如图2所示的页面中,用户可以在输入框中输入关键信息(如手机、上衣、悠闲食品等)以进行商品的搜索,也可以触发“搜索”控件旁边的目标控件,以通过输入图像的方式进行商品的搜索。例如,用户设备在接收到用户在目标控件上的触发指令后,可以显示如图3所示的第一图像获取界面,用户设备在检测到用户在第一控件上的触发指令后,可以将图像拍摄区域拍摄到的图像作为第一图像,用户设备在检测到用户在第二控件上的触发指令后,可以显示用户设备内存储的图像,并将用户在存储的图像上的选取指令对应的图像确定为第一图像。
或者,如图4所示,在图像展示页面中,用户设备可以接收用户在某图像上的预定操作(如右滑操作、双击操作等),用户设备在接收到针对某图像的预定操作后,可以显示针对该图像的相似图像检索控件,并在接收到用户在该相似图像检索控件上的触发指令后,将该图像确定为第一图像,即图4中的图像1可以为第一图像。
服务器在接收到针对第一图像的相似图像检索指令的情况下,可以将本地存储的图像确定为与第一图像对应的候选图像,或者,服务器也可以获取本地存储的图像与第一图像的图像相似度,将本地存储的图像中图像相似度大于预设图像相似度阈值的图像,确定为与第一图像对应的候选图像。
上述第一图像以及候选图像的确定方法是一种可选地、可实现的确定方法,在实际应用场景中还可以有多种不同的确定方法,可以根据实际应用场景的不同而有所不同,本说明书实施例对此不做具体限定。
在S104中,基于预先训练的特征提取模型,获取与第一图像对应的第一特征向量,与候选图像对应的第二特征向量。
其中,特征提取模型为基于第二图像、第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,第二图像可以是任意图像,如第二图像可以是服务器预先存储的图像,特征提取算法用于对第二图像进行特征提取,度量学习(MetricLearning)算法用于使不同类图像之间的相似度小,同类图像之间的相似度大,第二图像的标签为基于第二图像的标题信息和预设聚类算法确定,第二图像的标题信息可以为能够表征第二图像的类别的信息,例如,第二图像的标题信息可以是“2021新款手机”、“女士上衣”等,预设聚类算法可以是任意算法,如预设聚类算法可以是DBSCAN算法、K-MEANS算法、K近邻算法等。
在实施中,服务器可以获取本地存储的第二图像,以及第二图像的标题信息,并根据标题信息和预设聚类算法,对第二图像进行聚类处理,每个第二图像对应的类别即可以作为该第二图像的标签。
在确定了第二图像的标签后,可以基于第二图像、第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练,其中,用于构建特征提取模型的特征提取算法和度量学习算法可以根据实际应用场景的需求,选取不同的特征提取算法和度量学习算法,本说明书实施例对选取的特征提取算法和度量学习算法不做具体限定。
服务器在根据训练得到的特征提取模型,分别对第一图像和第二图像进行特征提取,以得到与第一图像对应的第一特征向量,与候选图像对应的第二特征向量。
此外,若第一图像为服务器发送给用户设备进行展示的图像(如图4所示,第一图像为图像1,而图像1是服务器发送给用户设备进行展示的图像),那么,服务器在接收到针对该第一图像的相似图形检索指令的情况下,可以确定本地是否有新增图像(如近3天内是否有新增图像),若没有新增图像,服务器可以将预先存储的与第一图像存在相关关系的图像确定为与第一图像对应的候选图像,若有新增图像,服务器可以将预先存储的与第一图像存在相关关系的图像,以及新增图像,确定为与第一图像对应的候选图像。
在S106中,基于第一特征向量和第二特征向量,确定候选图像中与第一图像对应的目标图像,并将目标图像确定为与相似图形检索指令对应的检索结果。
在实施中,可以基于预设向量相似度获取算法,确定第一特征向量和第二特征向量之间的向量相似度,并将向量相似度大于预设向量相似度阈值的一个或多个候选图像,确定为与第一图像对应的目标图像。其中,预设向量相似度获取算法可以为余弦相似度算法、欧式距离算法等。
此外,如图1B所示,服务器在确定了目标图像后,可以将目标图像返回给用户设备进行展示。
上述目标图像的确定方法是一种可选地、可实现的验证方法,在实际应用场景中,还可以有多种不同的确定方法,可以根据实际应用场景的不同而有所不同,本说明书实施例对此不做具体限定。
本说明书实施例提供一种数据处理方法,在接收到针对第一图像的相似图像检索指令的情况下,确定与第一图像对应的候选图像,基于预先训练的特征提取模型,获取与第一图像对应的第一特征向量,与候选图像对应的第二特征向量,特征提取模型为基于第二图像、第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,第二图像的标签为基于第二图像的标题信息和预设聚类算法确定,基于第一特征向量和第二特征向量,确定候选图像中与第一图像对应的目标图像,并将目标图像确定为与相似图形检索指令对应的检索结果。这样,由于特征提取模型是基于第二图像和第二图像的标签对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到的,因而,特征提取模型可以学习到不同图像的细粒度特征,进而在模型训练后,可以准确的通过该训练后的特征提取模型对图像(包括第一图像、第二图像)进行特征提取,以通过提取的特征确定对应的检索结果,提高针对图像进行检索时的检索准确性。
实施例二
如图5所示,本说明书实施例提供一种数据处理方法,该方法的执行主体可以为服务器,该服务器可以是独立的服务器,也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤:
在S502中,在接收到针对第一图像的相似图像检索指令的情况下,确定与第一图像对应的候选图像。
在S504中,获取第二图像的标题信息。
上述S502~S504的具体处理过程可以参见上述实施例一中S102~S104的相关内容,在此不再赘述。
在S506中,基于预先构建的词库和第二图像的标题信息,确定与第二图像对应的第一向量。
其中,预先构建的词库可以是服务器基于历史检索关键词、检索常用词等构建的词库。
在实施中,在实际应用中,上述S506的处理方式可以多种多样,以下提供一种可选的实现方式,具体可以参见下述步骤一~步骤五处理:
步骤一,基于预先构建的词库中包含的每个词,在每个第二图像的标题信息中的数量,确定每个第二图像对应的数量向量。
在实施中,例如,假设预先构建的词库包含3个词,分别为“a”、“b”和“w”,第二图像1的标题信息为“abcdd”,可见,“a”在该第二图像1中的数量为1,“b”在该第二图像1中的数量为1,“w”未包含在第二图像1的标题信息中,即第二图像1对应的数量向量为(1,1,0)。
步骤二,基于预先构建的词库中包含的每个词,在每个第二图像的标题信息中的位置信息,确定每个第二图像对应的位置向量。
在实施中,假定越靠前的词拥有越重要的意义,即在进行检索时,用户通常会把越能描述物品的关键词越放在前面,因此,可以根据预先构建的词库中包含的每个词,在每个第二图像的标题信息中的位置信息,确定每个第二图像对应的位置向量。例如,假设预先构建的词库包含3个词,分别为“a”、“b”和“w”,第二图像1的标题信息为“abcdd”,可见,“a”位于第二图像1的标题信息中的第一位置,“b”位于第二图像1的标题信息中的第二位置,“w”未包含在第二图像1的标题信息中,因而,可以把位置信息的倒数确定为对应的位置向量值,并构成第二图像1对应的位置向量,即第二图像1对应的位置向量可以为(1,1/2,0)。
步骤三,基于第二图像的标题信息,确定预先构建的词库中包含的每个词的分类熵,并根据预先构建的词库中包含的每个词的分类熵和每个第二图像的标题信息,确定每个第二图像对应的熵向量。
在实施中,可以根据预设熵算法、第二图像的标题信息,确定预先构建的词库中包含的每个词的分类熵。例如,假设预先构建的词库包含3个词,分别为“a”、“b”和“w”,第二图像1的标题信息为“abdd”,基于第二图像(包含第二图像1以及其他第二图像)的标题信息和预设熵算法,可以确定“a”对应的分类熵为“A1”,“b”对应的分类熵为“B1”,“w”对应的分类熵为“W1”那么,第二图像1对应的熵向量可以为(A1,B1,0)
步骤四,基于预先构建的词库中包含的每个词,在每个第二图像的标题信息中出现的次数,以及在其他第二图像的标题信息中出现的次数,确定每个第二图像对应的词频向量。
在实施中,可以根据TF-IDF算法,确定每个第二图像对应的词频向量。
步骤五,基于数量向量、位置向量、熵向量和词频向量,确定第二图像对应的第一向量。
在实施中,假设预先构建的词库包含3个词,分别为“a”、“b”和“c”,第二图像有2个,分别为第二图像1和第二图像2,其中,第二图像1的标题信息为“abdd”,第二图像2的标题信息为“cc”。那么,第二图像1和第二图像2的数量向量、位置向量、熵向量和词频向量可以如下表1所示。
表1
在确定了每个第二图像的数量向量、位置向量、熵向量和词频向量后,如上表1所示,可以将将第二图像的数量向量、位置向量、熵向量和词频向量的和,确定为第二图像的第一向量。或者,还可以根据数量向量、位置向量、熵向量和词频向量对应的权重进行加权计算,以得到第二图像的第一向量。其中,若预先构建的词库包含n个词,那么,第一向量即为n维向量。
第二图像对应的第一向量的确定方法可以有多种,在实际应用场景中,还可以有多种不同的确定方法,可以根据实际应用场景的不同而有所不同,本说明书实施例对此不做具体限定。
在S508中,基于第一向量和预设聚类算法,对第二图像进行聚类处理,得到多个类别。
在S510中,基于第二图像对应的类别,确定第二图像的标签。
在实施中,可以将第二图像对应的类别,确定为第二图像的标签。
在S512中,基于第二图像、第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到预先训练的特征提取模型。
在实施中,在实际应用中,上述S512的处理方式可以多种多样,以下提供一种可选的实现方式,具体可以参见下述步骤一~步骤二处理:
步骤一,将目标类别对应的第二图像确定为第三图像。
其中,目标类别对应的第二图像的数量大于预设数量阈值,例如,可以将至少包含两个第二图像的目标类别对应的第二图像(即第三图像)作为样本进行模型训练,以提高模型训练的准确性。
步骤二,基于第三图像、第三图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到预先训练的特征提取模型。
在实施中,为了处理标签带噪声和类别不平衡问题,可以根据类别样本的数量(即目标类别对应的第三图像的数量,设计带权重的交叉熵损失。
基于目标类别对应的第三图像的个数,确定与目标类别对应的类别权重,例如,可以将目标类别对应的第三图像的个数代入下述公式:
ωi=1/logNi,
得到与目标类别对应的类别权重,其中,ωi为第i个目标类别对应的类别权重,Ni为第i个目标类别对应的第三图像的数量。
基于第三图像的标签,确定第三图像对应的目标类别,并将目标类别对应的类别权重,确定为第三图像对应的类别权重。
基于第三图像、第三图像对应的类别权重,对由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到预先训练的特征提取模型,第三图像对应的类别权重用于在模型训练过程中,确定第三图像对应的交叉熵损失,以基于交叉熵损失对特征提取模型进行训练。
其中,特征提取模型包含特征提取层和嵌入层,特征提取层可以用于提取第三图像的图像特征,嵌入层可以用于将图像特征转换为预定维数的特征向量,特征提取模型的损失函数为包含带权重的交叉熵损失的人脸识别损失函数。
例如,如图6所示,特征提取模型可以包括由Efficientnet-b3算法、GAP算法、BatchNorm1D、Normalize构成的特征提取层,以及Embedding层(即嵌入层),损失函数为包含带权重的交叉熵损失的人脸识别损失函数(即ArcFace Loss)。其中,Efficientnet-b3算法可以作为基础网络用于对第三图像提取图像特征,GAP算法用于根据图像特征进行度量学习,BatchNorm1D和Normalize为归一化层,BatchNorm1D用于使每一层的输入保持相同的分布,即对输入数据进行正则化处理,Normalize用于把输出数据限制在一定的范围内,Embedding层可以将图像特征转换为预定维数(如512维)的特征向量,ArcFace Loss的margin和scale可以为预设值,如margin可以为0.5,scale可以为30,训练时采用的优化器可以为Adam优化器。
这样,通过对第二图像的标题信息进行处理,得到每个第二图像的标签,在通过第二图像和第二图像的标签对模型进行训练,可以使模型更好的学习到同一个大类中不同图像的细粒度特征,从而提高相似图像的检索准确性。
在S514中,基于预先训练的特征提取模型,获取与第一图像对应的第一特征向量,与候选图像对应的第二特征向量。
在S516中,基于第一特征向量和第二特征向量,确定每个候选图像与第一图像之间的图像相似度。
在S518中,基于每个候选图像与第一图像之间的图像相似度,确定候选图像中与第一图像对应的目标图像。
在实施中,在实际应用中,上述S518的处理方式可以多种多样,以下提供一种可选的实现方式,具体可以参见下述步骤一~步骤五处理:
步骤一,将候选图像中图像相似度大于预设相似度阈值的候选图像,确定为目标候选图像。
步骤二,基于目标候选图像对应的第二特征向量和第一特征向量,对第一特征向量进行更新处理,得到更新处理后的第一特征向量。
在实施中,在目标候选图像为多个的情况下,可以获取多个目标候选图像对应的第二特征向量的第一均值,并将第一均值与第一特征向量的均值,确定为更新处理后的第一特征向量。
步骤三,基于更新处理后的第一特征向量和候选图像对应的第二特征向量,确定候选图像中与第一图像对应的目标图像。
在实施中,可以获取更新处理后的第一特征向量和候选图像对应的第二特征向量之间的向量相似度,并将向量相似度大于预设向量相似度阈值的候选图像,确定为与第一图像对应的目标图像。此外,在向量相似度大于预设向量相似度阈值的候选图像有多个的情况下,可以基于向量相似度,对这多个候选图像进行排序,并将预设数量的候选图像确定为目标图像,如可以将前10个向量相似度对应的候选图像确定为目标图像。
在S520中,将目标图像确定为与相似图形检索指令对应的检索结果。
本说明书实施例提供一种数据处理方法,在接收到针对第一图像的相似图像检索指令的情况下,确定与第一图像对应的候选图像,基于预先训练的特征提取模型,获取与第一图像对应的第一特征向量,与候选图像对应的第二特征向量,特征提取模型为基于第二图像、第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,第二图像的标签为基于第二图像的标题信息和预设聚类算法确定,基于第一特征向量和第二特征向量,确定候选图像中与第一图像对应的目标图像,并将目标图像确定为与相似图形检索指令对应的检索结果。这样,由于特征提取模型是基于第二图像和第二图像的标签对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到的,因而,特征提取模型可以学习到不同图像的细粒度特征,进而在模型训练后,可以准确的通过该训练后的特征提取模型对图像(包括第一图像、第二图像)进行特征提取,以通过提取的特征确定对应的检索结果,提高针对图像进行检索时的检索准确性。
实施例三
如图7A和图7B所示,本说明书实施例提供一种数据处理方法,该方法的执行主体可以为区块链系统。该方法具体可以包括以下步骤:
在S702中,在接收到针对第一图像的相似图像检索指令的情况下,基于预先部署在区块链系统中的第一智能合约,获取与第一图像对应的候选图像。
其中,相似图像检索指令包含第一图像。
在实施中,在针对交易物品是否为存在风险的物品进行检测的场景下,可以通过交易物品的图像,检索风险物品图像中是否存在与该交易物品的图像相似的图像,若存在,则可以确定该交易物品为存在风险的物品。
为保证风险检测过程中的数据安全性和不被篡改,可以通过区块链系统进行图像的检索。即可以根据区块链所具有的功能,开发相应的可信应用程序,该可信应用程序可以被封装成一个独立的应用程序,由用户安装在本地的终端设备或服务器中。或者,用户也可以共同约定某一应用程序作为可信应用程序,并通过该可信应用程序向区块链系统发送相关信息(如针对第一图像的相似图像检索指令等)。
用户可以在终端设备上触发针对第一图像的相似图像检索指令,即终端设备在检测到用户触发针对第一图像的相似度图像检索指令的情况下,可以通过本地安装的可信应用程序,将针对第一图像的相似图像检索指令发送至区块链系统。
区块链系统可以基于预先部署的第一智能合约,获取与第一图像对应的候选图像。
在S704中,基于第一智能合约和预先训练的特征提取模型,获取与第一图像对应的第一特征向量,与候选图像对应的第二特征向量。
其中,特征提取模型为基于第二图像、第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,第二图像的标签为基于第二图像的标题信息和预设聚类算法确定。
在实施中,区块链系统可以基于第一智能合约和预先训练的特征提取模型,获取与第一图像对应的第一特征向量,与候选图像对应的第二特征向量,其中,第一特征向量,和第二特征向量的确定过程可以参见实施例一S104中的相关内容,在此不再赘述。
在S706中,基于第一智能合约、第一特征向量和第二特征向量,确定候选图像中与第一图像对应的目标图像,并将目标图像确定为与相似图形检索指令对应的检索结果。
在实施中,区块链系统在确定了检索结果后,还可以基于第一智能合约,将检索结果返回给用户设备。
本说明书实施例提供一种数据处理方法,在接收到针对第一图像的相似图像检索指令的情况下,基于预先部署在区块链系统中的第一智能合约,获取与第一图像对应的候选图像,基于第一智能合约和预先训练的特征提取模型,获取与第一图像对应的第一特征向量,与候选图像对应的第二特征向量,特征提取模型为基于第二图像、第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,第二图像的标签为基于第二图像的标题信息和预设聚类算法确定,基于第一智能合约、第一特征向量和第二特征向量,确定候选图像中与第一图像对应的目标图像,并将目标图像确定为与相似图形检索指令对应的检索结果。这样,由于特征提取模型是基于第二图像和第二图像的标签对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到的,因而,特征提取模型可以学习到不同图像的细粒度特征,进而在模型训练后,可以准确的通过该训练后的特征提取模型对图像(包括第一图像、第二图像)进行特征提取,以通过提取的特征确定对应的检索结果,提高针对图像进行检索时的检索准确性,另外,通过区块链确定检索结果,可以保证在检索过程中数据的安全性,确定检索结果不被篡改。
实施例四
如图8所示,本说明书实施例提供一种数据处理方法,该方法的执行主体可以为区块链系统。该方法具体可以包括以下步骤:
在S802中,在接收到针对第一图像的相似图像检索指令的情况下,基于预先部署在区块链系统中的第一智能合约,获取与第一图像对应的候选图像。
在S804中,基于预先部署在区块链系统中的第二智能合约,获取第二图像的标题信息。
在S806中,基于第二智能合约、预先构建的词库和第二图像的标题信息,确定与第二图像对应的第一向量。
在S808中,基于第二智能合约、第一向量和预设聚类算法,对第二图像进行聚类处理,得到多个类别。
在S810中,基于第二智能合约、第二图像对应的类别,确定第二图像的标签。
在S812中,基于预先部署在区块链系统中的第三智能合约、第二图像、第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到预先训练的特征提取模型。
在S814中,基于第一智能合约和预先训练的特征提取模型,获取与第一图像对应的第一特征向量,与候选图像对应的第二特征向量。
其中,特征提取模型为基于第二图像、第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,第二图像的标签为基于第二图像的标题信息和预设聚类算法确定。
在S816中,基于第一智能合约、第一特征向量和第二特征向量,确定候选图像中与第一图像对应的目标图像,并将目标图像确定为与相似图形检索指令对应的检索结果。
上述S802~S816中的具体处理过程可以参见上述实施例二中S502~S520的相关内容,在此不再赘述。
本说明书实施例提供一种数据处理方法,在接收到针对第一图像的相似图像检索指令的情况下,基于预先部署在区块链系统中的第一智能合约,获取与第一图像对应的候选图像,基于第一智能合约和预先训练的特征提取模型,获取与第一图像对应的第一特征向量,与候选图像对应的第二特征向量,特征提取模型为基于第二图像、第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,第二图像的标签为基于第二图像的标题信息和预设聚类算法确定,基于第一智能合约、第一特征向量和第二特征向量,确定候选图像中与第一图像对应的目标图像,并将目标图像确定为与相似图形检索指令对应的检索结果。这样,由于特征提取模型是基于第二图像和第二图像的标签对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到的,因而,特征提取模型可以学习到不同图像的细粒度特征,进而在模型训练后,可以准确的通过该训练后的特征提取模型对图像(包括第一图像、第二图像)进行特征提取,以通过提取的特征确定对应的检索结果,提高针对图像进行检索时的检索准确性,另外,通过区块链确定检索结果,可以保证在检索过程中数据的安全性,确定检索结果不被篡改。
实施例五
以上为本说明书实施例提供的数据处理方法,基于同样的思路,本说明书实施例还提供一种数据处理装置,如图9所示。
该数据处理装置包括:图像选取模块901、向量获取模块902和图像确定模块903,其中:
图像选取模块901,用于在接收到针对第一图像的相似图像检索指令的情况下,确定与所述第一图像对应的候选图像;
向量获取模块902,用于基于预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;
图像确定模块903,用于基于所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
本说明书实施例中,所述图像确定模块903,包括:
相似度确定单元,用于基于所述第一特征向量和所述第二特征向量,确定每个所述候选图像与所述第一图像之间的图像相似度;
图像确定单元,用于基于每个所述候选图像与所述第一图像之间的图像相似度,确定所述候选图像中与所述第一图像对应的目标图像。
本说明书实施例中,所述图像确定单元,用于:
将所述候选图像中图像相似度大于预设相似度阈值的候选图像,确定为目标候选图像;
基于所述目标候选图像对应的第二特征向量和所述第一特征向量,对所述第一特征向量进行更新处理,得到更新处理后的第一特征向量;
基于所述更新处理后的第一特征向量和所述候选图像对应的第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像。
本说明书实施例中,所述目标候选图像为多个,所述图像确定单元,用于:
获取所述多个目标候选图像对应的第二特征向量的第一均值,并将第一均值与所述第一特征向量的均值,确定为所述更新处理后的第一特征向量。
本说明书实施例中,所述装置,还包括:
信息获取模块,用于获取所述第二图像的标题信息;
第一向量确定模块,用于基于预先构建的词库和所述第二图像的标题信息,确定与所述第二图像对应的第一向量;
聚类模块,用于基于所述第一向量和所述预设聚类算法,对所述第二图像进行聚类处理,得到多个类别;
标签确定模块,用于基于所述第二图像对应的类别,确定所述第二图像的标签;
模型训练模块,用于基于所述第二图像、所述第二图像的标签,对所述由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到所述预先训练的特征提取模型。
本说明书实施例中,所述第一向量确定模块,包括:
第一确定单元,用于基于所述预先构建的词库中包含的每个词,在每个所述第二图像的标题信息中的数量,确定每个所述第二图像对应的数量向量;
第二确定单元,用于基于所述预先构建的词库中包含的每个词,在每个所述第二图像的标题信息中的位置信息,确定每个所述第二图像对应的位置向量;
第三确定单元,用于基于所述第二图像的标题信息,确定所述预先构建的词库中包含的每个词的分类熵,并根据所述预先构建的词库中包含的每个词的分类熵和每个所述第二图像的标题信息,确定每个所述第二图像对应的熵向量;
第四确定单元,用于基于所述预先构建的词库中包含的每个词,在每个所述第二图像的标题信息中出现的次数,以及在其他所述第二图像的标题信息中出现的次数,确定每个所述第二图像对应的词频向量;
第五确定单元,用于基于所述数量向量、所述位置向量、所述熵向量和所述词频向量,确定所述第二图像对应的第一向量。
本说明书实施例中,所述模型训练模块,用于:
图像筛选单元,用于将目标类别对应的第二图像确定为第三图像,所述目标类别对应的第二图像的数量大于预设数量阈值;
模型训练单元,用于基于所述第三图像、所述第三图像的标签,对所述由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到所述预先训练的特征提取模型。
本说明书实施例中,所述模型训练单元,用于:
基于所述目标类别对应的第三图像的个数,确定与所述目标类别对应的类别权重;
基于所述第三图像的标签,确定所述第三图像对应的目标类别,并将所述目标类别对应的类别权重,确定为所述第三图像对应的类别权重;
基于所述第三图像、所述第三图像对应的类别权重,对所述由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到所述预先训练的特征提取模型,所述第三图像对应的类别权重用于在模型训练过程中,确定所述第三图像对应的交叉熵损失,以基于所述交叉熵损失对所述特征提取模型进行训练
本说明书实施例中,所述特征提取模型包含特征提取层和嵌入层,所述特征提取层用于提取所述第三图像的图像特征,所述嵌入层用于将所述图像特征转换为预定维数的特征向量,所述特征提取模型的损失函数为包含带权重的交叉熵损失的人脸识别损失函数。
本说明书实施例提供一种数据处理装置,在接收到针对第一图像的相似图像检索指令的情况下,确定与第一图像对应的候选图像,基于预先训练的特征提取模型,获取与第一图像对应的第一特征向量,与候选图像对应的第二特征向量,特征提取模型为基于第二图像、第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,第二图像的标签为基于第二图像的标题信息和预设聚类算法确定,基于第一特征向量和第二特征向量,确定候选图像中与第一图像对应的目标图像,并将目标图像确定为与相似图形检索指令对应的检索结果。这样,由于特征提取模型是基于第二图像和第二图像的标签对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到的,因而,特征提取模型可以学习到不同图像的细粒度特征,进而在模型训练后,可以准确的通过该训练后的特征提取模型对图像(包括第一图像、第二图像)进行特征提取,以通过提取的特征确定对应的检索结果,提高针对图像进行检索时的检索准确性。
实施例六
以上为本说明书实施例提供的数据处理方法,基于同样的思路,本说明书实施例还提供一种数据处理装置,所述装置为区块链系统中的装置,如图10所示。
该数据处理装置包括:图像选取模块1001、向量获取模块1002和图像确定模块1003,其中:
图像选取模块1001,用于在接收到针对第一图像的相似图像检索指令的情况下,基于预先部署在所述区块链系统中的第一智能合约,获取与所述第一图像对应的候选图像;
向量获取模块1002,用于基于所述第一智能合约和预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;
图像确定模块1003,用于基于所述第一智能合约、所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
本说明书实施例中,所述装置,还包括:
信息获取模块,用于基于预先部署在所述区块链系统中的第二智能合约,获取所述第二图像的标题信息;
第一向量确定模块,用于基于所述第二智能合约、预先构建的词库和所述第二图像的标题信息,确定与所述第二图像对应的第一向量;
聚类模块,用于基于所述第二智能合约、所述第一向量和所述预设聚类算法,对所述第二图像进行聚类处理,得到多个类别;
标签确定模块,用于基于所述第二智能合约、所述第二图像对应的类别,确定所述第二图像的标签。
本说明书实施例中,所述装置,还包括:
模型训练模块,用于基于预先部署在所述区块链系统中的第三智能合约、所述第二图像、所述第二图像的标签,对所述由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到所述预先训练的特征提取模型。
本说明书实施例提供一种数据处理装置,在接收到针对第一图像的相似图像检索指令的情况下,基于预先部署在区块链系统中的第一智能合约,获取与第一图像对应的候选图像,基于第一智能合约和预先训练的特征提取模型,获取与第一图像对应的第一特征向量,与候选图像对应的第二特征向量,特征提取模型为基于第二图像、第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,第二图像的标签为基于第二图像的标题信息和预设聚类算法确定,基于第一智能合约、第一特征向量和第二特征向量,确定候选图像中与第一图像对应的目标图像,并将目标图像确定为与相似图形检索指令对应的检索结果。这样,由于特征提取模型是基于第二图像和第二图像的标签对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到的,因而,特征提取模型可以学习到不同图像的细粒度特征,进而在模型训练后,可以准确的通过该训练后的特征提取模型对图像(包括第一图像、第二图像)进行特征提取,以通过提取的特征确定对应的检索结果,提高针对图像进行检索时的检索准确性,另外,通过区块链确定检索结果,可以保证在检索过程中数据的安全性,确定检索结果不被篡改。
实施例七
基于同样的思路,本说明书实施例还提供一种数据处理设备,如图11所示。
数据处理设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器1101和存储器1102,存储器1102中可以存储有一个或一个以上存储应用程序或数据。其中,存储器1102可以是短暂存储或持久存储。存储在存储器1102的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对数据处理设备中的一系列计算机可执行指令。更进一步地,处理器1101可以设置为与存储器1102通信,在数据处理设备上执行存储器1102中的一系列计算机可执行指令。数据处理设备还可以包括一个或一个以上电源1103,一个或一个以上有线或无线网络接口1104,一个或一个以上输入输出接口1105,一个或一个以上键盘1106。
具体在本实施例中,数据处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对数据处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
在接收到针对第一图像的相似图像检索指令的情况下,确定与所述第一图像对应的候选图像;
基于预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;
基于所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
可选地,所述基于所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,包括:
基于所述第一特征向量和所述第二特征向量,确定每个所述候选图像与所述第一图像之间的图像相似度;
基于每个所述候选图像与所述第一图像之间的图像相似度,确定所述候选图像中与所述第一图像对应的目标图像。
可选地,所述基于每个所述候选图像与所述第一图像之间的图像相似度,确定所述候选图像中与所述第一图像对应的目标图像,包括:
将所述候选图像中图像相似度大于预设相似度阈值的候选图像,确定为目标候选图像;
基于所述目标候选图像对应的第二特征向量和所述第一特征向量,对所述第一特征向量进行更新处理,得到更新处理后的第一特征向量;
基于所述更新处理后的第一特征向量和所述候选图像对应的第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像。
可选地,所述目标候选图像为多个,所述基于所述目标候选图像对应的第二特征向量和所述第一特征向量,对所述第一特征向量进行更新处理,得到更新处理后的第一特征向量,包括:
获取所述多个目标候选图像对应的第二特征向量的第一均值,并将第一均值与所述第一特征向量的均值,确定为所述更新处理后的第一特征向量。
可选地,在所述基于预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量之前,还包括:
获取所述第二图像的标题信息;
基于预先构建的词库和所述第二图像的标题信息,确定与所述第二图像对应的第一向量;
基于所述第一向量和所述预设聚类算法,对所述第二图像进行聚类处理,得到多个类别;
基于所述第二图像对应的类别,确定所述第二图像的标签;
基于所述第二图像、所述第二图像的标签,对所述由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到所述预先训练的特征提取模型。
可选地,所述基于预先构建的词库和所述第二图像的标题信息,确定与所述第二图像对应的第一向量,包括:
基于所述预先构建的词库中包含的每个词,在每个所述第二图像的标题信息中的数量,确定每个所述第二图像对应的数量向量;
基于所述预先构建的词库中包含的每个词,在每个所述第二图像的标题信息中的位置信息,确定每个所述第二图像对应的位置向量;
基于所述第二图像的标题信息,确定所述预先构建的词库中包含的每个词的分类熵,并根据所述预先构建的词库中包含的每个词的分类熵和每个所述第二图像的标题信息,确定每个所述第二图像对应的熵向量;
基于所述预先构建的词库中包含的每个词,在每个所述第二图像的标题信息中出现的次数,以及在其他所述第二图像的标题信息中出现的次数,确定每个所述第二图像对应的词频向量;
基于所述数量向量、所述位置向量、所述熵向量和所述词频向量,确定所述第二图像对应的第一向量。
可选地,所述基于所述第二图像、所述第二图像的标签,对所述由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到所述预先训练的特征提取模型,包括:
将目标类别对应的第二图像确定为第三图像,所述目标类别对应的第二图像的数量大于预设数量阈值;
基于所述第三图像、所述第三图像的标签,对所述由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到所述预先训练的特征提取模型。
可选地,所述基于所述第三图像、所述第三图像的标签,对所述由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到所述预先训练的特征提取模型,包括:
基于所述目标类别对应的第三图像的个数,确定与所述目标类别对应的类别权重;
基于所述第三图像的标签,确定所述第三图像对应的目标类别,并将所述目标类别对应的类别权重,确定为所述第三图像对应的类别权重;
基于所述第三图像、所述第三图像对应的类别权重,对所述由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到所述预先训练的特征提取模型,所述第三图像对应的类别权重用于在模型训练过程中,确定所述第三图像对应的交叉熵损失,以基于所述交叉熵损失对所述特征提取模型进行训练。
可选地,所述特征提取模型包含特征提取层和嵌入层,所述特征提取层用于提取所述第三图像的图像特征,所述嵌入层用于将所述图像特征转换为预定维数的特征向量,所述特征提取模型的损失函数为包含带权重的交叉熵损失的人脸识别损失函数。
另外,具体在本实施例中,数据处理设备为区块链系统中的设备,数据处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对数据处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
在接收到针对第一图像的相似图像检索指令的情况下,基于预先部署在所述区块链系统中的第一智能合约,获取与所述第一图像对应的候选图像;
基于所述第一智能合约和预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;
基于所述第一智能合约、所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
可选地,在所述基于所述第一智能合约和预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量之前,还包括:
基于预先部署在所述区块链系统中的第二智能合约,获取所述第二图像的标题信息;
基于所述第二智能合约、预先构建的词库和所述第二图像的标题信息,确定与所述第二图像对应的第一向量;
基于所述第二智能合约、所述第一向量和所述预设聚类算法,对所述第二图像进行聚类处理,得到多个类别;
基于所述第二智能合约、所述第二图像对应的类别,确定所述第二图像的标签。
可选地,在所述基于所述第一智能合约和预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量之前,还包括:
基于预先部署在所述区块链系统中的第三智能合约、所述第二图像、所述第二图像的标签,对所述由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到所述预先训练的特征提取模型。
本说明书实施例提供一种数据处理设备,在接收到针对第一图像的相似图像检索指令的情况下,确定与第一图像对应的候选图像,基于预先训练的特征提取模型,获取与第一图像对应的第一特征向量,与候选图像对应的第二特征向量,特征提取模型为基于第二图像、第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,第二图像的标签为基于第二图像的标题信息和预设聚类算法确定,基于第一特征向量和第二特征向量,确定候选图像中与第一图像对应的目标图像,并将目标图像确定为与相似图形检索指令对应的检索结果。这样,由于特征提取模型是基于第二图像和第二图像的标签对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到的,因而,特征提取模型可以学习到不同图像的细粒度特征,进而在模型训练后,可以准确的通过该训练后的特征提取模型对图像(包括第一图像、第二图像)进行特征提取,以通过提取的特征确定对应的检索结果,提高针对图像进行检索时的检索准确性。
实施例八
本说明书实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述数据处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本说明书实施例提供一种计算机可读存储介质,在接收到针对第一图像的相似图像检索指令的情况下,确定与第一图像对应的候选图像,基于预先训练的特征提取模型,获取与第一图像对应的第一特征向量,与候选图像对应的第二特征向量,特征提取模型为基于第二图像、第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,第二图像的标签为基于第二图像的标题信息和预设聚类算法确定,基于第一特征向量和第二特征向量,确定候选图像中与第一图像对应的目标图像,并将目标图像确定为与相似图形检索指令对应的检索结果。这样,由于特征提取模型是基于第二图像和第二图像的标签对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到的,因而,特征提取模型可以学习到不同图像的细粒度特征,进而在模型训练后,可以准确的通过该训练后的特征提取模型对图像(包括第一图像、第二图像)进行特征提取,以通过提取的特征确定对应的检索结果,提高针对图像进行检索时的检索准确性。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (18)
1.一种数据处理方法,包括:
在接收到针对第一图像的相似图像检索指令的情况下,确定与所述第一图像对应的候选图像;
基于预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;
基于所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
2.根据权利要求1所述的方法,所述基于所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,包括:
基于所述第一特征向量和所述第二特征向量,确定每个所述候选图像与所述第一图像之间的图像相似度;
基于每个所述候选图像与所述第一图像之间的图像相似度,确定所述候选图像中与所述第一图像对应的目标图像。
3.根据权利要求2所述的方法,所述基于每个所述候选图像与所述第一图像之间的图像相似度,确定所述候选图像中与所述第一图像对应的目标图像,包括:
将所述候选图像中图像相似度大于预设相似度阈值的候选图像,确定为目标候选图像;
基于所述目标候选图像对应的第二特征向量和所述第一特征向量,对所述第一特征向量进行更新处理,得到更新处理后的第一特征向量;
基于所述更新处理后的第一特征向量和所述候选图像对应的第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像。
4.根据权利要求3所述的方法,所述目标候选图像为多个,所述基于所述目标候选图像对应的第二特征向量和所述第一特征向量,对所述第一特征向量进行更新处理,得到更新处理后的第一特征向量,包括:
获取所述多个目标候选图像对应的第二特征向量的第一均值,并将第一均值与所述第一特征向量的均值,确定为所述更新处理后的第一特征向量。
5.根据权利要求4所述的方法,在所述基于预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量之前,还包括:
获取所述第二图像的标题信息;
基于预先构建的词库和所述第二图像的标题信息,确定与所述第二图像对应的第一向量;
基于所述第一向量和所述预设聚类算法,对所述第二图像进行聚类处理,得到多个类别;
基于所述第二图像对应的类别,确定所述第二图像的标签;
基于所述第二图像、所述第二图像的标签,对所述由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到所述预先训练的特征提取模型。
6.根据权利要求5所述的方法,所述基于预先构建的词库和所述第二图像的标题信息,确定与所述第二图像对应的第一向量,包括:
基于所述预先构建的词库中包含的每个词,在每个所述第二图像的标题信息中的数量,确定每个所述第二图像对应的数量向量;
基于所述预先构建的词库中包含的每个词,在每个所述第二图像的标题信息中的位置信息,确定每个所述第二图像对应的位置向量;
基于所述第二图像的标题信息,确定所述预先构建的词库中包含的每个词的分类熵,并根据所述预先构建的词库中包含的每个词的分类熵和每个所述第二图像的标题信息,确定每个所述第二图像对应的熵向量;
基于所述预先构建的词库中包含的每个词,在每个所述第二图像的标题信息中出现的次数,以及在其他所述第二图像的标题信息中出现的次数,确定每个所述第二图像对应的词频向量;
基于所述数量向量、所述位置向量、所述熵向量和所述词频向量,确定所述第二图像对应的第一向量。
7.根据权利要求6所述的方法,所述基于所述第二图像、所述第二图像的标签,对所述由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到所述预先训练的特征提取模型,包括:
将目标类别对应的第二图像确定为第三图像,所述目标类别对应的第二图像的数量大于预设数量阈值;
基于所述第三图像、所述第三图像的标签,对所述由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到所述预先训练的特征提取模型。
8.根据权利要求7所述的方法,所述基于所述第三图像、所述第三图像的标签,对所述由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到所述预先训练的特征提取模型,包括:
基于所述目标类别对应的第三图像的个数,确定与所述目标类别对应的类别权重;
基于所述第三图像的标签,确定所述第三图像对应的目标类别,并将所述目标类别对应的类别权重,确定为所述第三图像对应的类别权重;
基于所述第三图像、所述第三图像对应的类别权重,对所述由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到所述预先训练的特征提取模型,所述第三图像对应的类别权重用于在模型训练过程中,确定所述第三图像对应的交叉熵损失,以基于所述交叉熵损失对所述特征提取模型进行训练。
9.根据权利要求8所述的方法,所述特征提取模型包含特征提取层和嵌入层,所述特征提取层用于提取所述第三图像的图像特征,所述嵌入层用于将所述图像特征转换为预定维数的特征向量,所述特征提取模型的损失函数为包含带权重的交叉熵损失的人脸识别损失函数。
10.一种数据处理方法,应用于区块链系统,包括:
在接收到针对第一图像的相似图像检索指令的情况下,基于预先部署在所述区块链系统中的第一智能合约,获取与所述第一图像对应的候选图像;
基于所述第一智能合约和预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;
基于所述第一智能合约、所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
11.根据权利要求10所述的方法,在所述基于所述第一智能合约和预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量之前,还包括:
基于预先部署在所述区块链系统中的第二智能合约,获取所述第二图像的标题信息;
基于所述第二智能合约、预先构建的词库和所述第二图像的标题信息,确定与所述第二图像对应的第一向量;
基于所述第二智能合约、所述第一向量和所述预设聚类算法,对所述第二图像进行聚类处理,得到多个类别;
基于所述第二智能合约、所述第二图像对应的类别,确定所述第二图像的标签。
12.根据权利要求11所述的方法,在所述基于所述第一智能合约和预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量之前,还包括:
基于预先部署在所述区块链系统中的第三智能合约、所述第二图像、所述第二图像的标签,对所述由特征提取算法和度量学习算法构建的特征提取模型进行训练,得到所述预先训练的特征提取模型。
13.一种数据处理装置,包括:
图像选取模块,用于在接收到针对第一图像的相似图像检索指令的情况下,确定与所述第一图像对应的候选图像;
向量获取模块,用于基于预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;
图像确定模块,用于基于所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
14.一种数据处理装置,所述装置为区块链系统中的装置,包括:
图像选取模块,用于在接收到针对第一图像的相似图像检索指令的情况下,基于预先部署在所述区块链系统中的第一智能合约,获取与所述第一图像对应的候选图像;
向量获取模块,用于基于所述第一智能合约和预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;
图像确定模块,用于基于所述第一智能合约、所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
15.一种数据处理设备,所述数据处理设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
在接收到针对第一图像的相似图像检索指令的情况下,确定与所述第一图像对应的候选图像;
基于预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;
基于所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
16.一种数据处理设备,所述数据处理设备为区块链系统中的设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
在接收到针对第一图像的相似图像检索指令的情况下,基于预先部署在所述区块链系统中的第一智能合约,获取与所述第一图像对应的候选图像;
基于所述第一智能合约和预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;
基于所述第一智能合约、所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
17.一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下流程:
在接收到针对第一图像的相似图像检索指令的情况下,确定与所述第一图像对应的候选图像;
基于预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;
基于所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
18.一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下流程:
在接收到针对第一图像的相似图像检索指令的情况下,基于预先部署在区块链系统中的第一智能合约,获取与所述第一图像对应的候选图像;
基于所述第一智能合约和预先训练的特征提取模型,获取与所述第一图像对应的第一特征向量,与所述候选图像对应的第二特征向量,所述特征提取模型为基于第二图像、所述第二图像的标签,对由特征提取算法和度量学习算法构建的特征提取模型进行训练得到,所述第二图像的标签为基于所述第二图像的标题信息和预设聚类算法确定;
基于所述第一智能合约、所述第一特征向量和所述第二特征向量,确定所述候选图像中与所述第一图像对应的目标图像,并将所述目标图像确定为与所述相似图形检索指令对应的检索结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111574694.6A CN114238744A (zh) | 2021-12-21 | 2021-12-21 | 数据处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111574694.6A CN114238744A (zh) | 2021-12-21 | 2021-12-21 | 数据处理方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114238744A true CN114238744A (zh) | 2022-03-25 |
Family
ID=80760627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111574694.6A Pending CN114238744A (zh) | 2021-12-21 | 2021-12-21 | 数据处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114238744A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115495712A (zh) * | 2022-09-28 | 2022-12-20 | 支付宝(杭州)信息技术有限公司 | 数字作品处理方法及装置 |
CN117056547A (zh) * | 2023-10-13 | 2023-11-14 | 深圳博十强志科技有限公司 | 一种基于图像识别的大数据分类方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018165926A (ja) * | 2017-03-28 | 2018-10-25 | 株式会社Nttドコモ | 類似画像検索装置 |
US20200004835A1 (en) * | 2018-06-28 | 2020-01-02 | Microsoft Technology Licensing, Llc | Generating candidates for search using scoring/retrieval architecture |
KR20200044644A (ko) * | 2018-10-11 | 2020-04-29 | 네이버 주식회사 | Cnn 기반 이미지 검색 방법 및 장치 |
CN111222500A (zh) * | 2020-04-24 | 2020-06-02 | 腾讯科技(深圳)有限公司 | 一种标签提取方法及装置 |
CN111400345A (zh) * | 2020-02-21 | 2020-07-10 | 北京九州云动科技有限公司 | 支持多平台的商品搜索方法和装置 |
CN111523621A (zh) * | 2020-07-03 | 2020-08-11 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
CN113761261A (zh) * | 2021-05-26 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 图像检索方法、装置、计算机可读介质及电子设备 |
-
2021
- 2021-12-21 CN CN202111574694.6A patent/CN114238744A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018165926A (ja) * | 2017-03-28 | 2018-10-25 | 株式会社Nttドコモ | 類似画像検索装置 |
US20200004835A1 (en) * | 2018-06-28 | 2020-01-02 | Microsoft Technology Licensing, Llc | Generating candidates for search using scoring/retrieval architecture |
KR20200044644A (ko) * | 2018-10-11 | 2020-04-29 | 네이버 주식회사 | Cnn 기반 이미지 검색 방법 및 장치 |
CN111400345A (zh) * | 2020-02-21 | 2020-07-10 | 北京九州云动科技有限公司 | 支持多平台的商品搜索方法和装置 |
CN111222500A (zh) * | 2020-04-24 | 2020-06-02 | 腾讯科技(深圳)有限公司 | 一种标签提取方法及装置 |
CN111523621A (zh) * | 2020-07-03 | 2020-08-11 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
CN113761261A (zh) * | 2021-05-26 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 图像检索方法、装置、计算机可读介质及电子设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115495712A (zh) * | 2022-09-28 | 2022-12-20 | 支付宝(杭州)信息技术有限公司 | 数字作品处理方法及装置 |
CN115495712B (zh) * | 2022-09-28 | 2024-04-16 | 支付宝(杭州)信息技术有限公司 | 数字作品处理方法及装置 |
CN117056547A (zh) * | 2023-10-13 | 2023-11-14 | 深圳博十强志科技有限公司 | 一种基于图像识别的大数据分类方法和系统 |
CN117056547B (zh) * | 2023-10-13 | 2024-01-26 | 深圳博十强志科技有限公司 | 一种基于图像识别的大数据分类方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020232861A1 (zh) | 命名实体识别方法、电子装置及存储介质 | |
CN105354307B (zh) | 一种图像内容识别方法及装置 | |
US20190188729A1 (en) | System and method for detecting counterfeit product based on deep learning | |
CN114238744A (zh) | 数据处理方法、装置及设备 | |
Du et al. | Personalized video recommendation using rich contents from videos | |
CN111930809A (zh) | 数据处理方法、装置及设备 | |
CN110162778B (zh) | 文本摘要的生成方法及装置 | |
CN110688974A (zh) | 一种身份识别方法及装置 | |
CN113255354B (zh) | 搜索意图识别方法、装置、服务器及存储介质 | |
US20220138439A1 (en) | Multi-lingual tagging for digital images | |
CN108229564B (zh) | 一种数据的处理方法、装置及设备 | |
CN112818126A (zh) | 网络安全语料库构建模型的训练方法、应用方法及装置 | |
CN115147227B (zh) | 一种交易风险的检测方法、装置及设备 | |
Pobar et al. | Multi-label poster classification into genres using different problem transformation methods | |
CN116975340A (zh) | 信息检索方法、装置、设备、程序产品及存储介质 | |
CN113992429B (zh) | 一种事件的处理方法、装置及设备 | |
Karczmarek et al. | Chain code-based local descriptor for face recognition | |
Zhu et al. | Improve pedestrian attribute classification by weighted interactions from other attributes | |
CN115204395A (zh) | 数据的处理方法、装置及设备 | |
CN114926437A (zh) | 一种图像质量评价方法及装置 | |
CN113569873A (zh) | 一种图像的处理方法、装置及设备 | |
CN110968691B (zh) | 司法热点确定方法及装置 | |
CN113360665A (zh) | 一种知识库文档和知识图谱实体关联的方法及系统 | |
CN115439922A (zh) | 对象行为识别方法、装置、设备及介质 | |
CN113515940B (zh) | 一种用于文本搜索的方法及设备 |
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 |