CN114781557A - 图像信息获取方法及装置、计算机可读存储介质 - Google Patents

图像信息获取方法及装置、计算机可读存储介质 Download PDF

Info

Publication number
CN114781557A
CN114781557A CN202210716389.4A CN202210716389A CN114781557A CN 114781557 A CN114781557 A CN 114781557A CN 202210716389 A CN202210716389 A CN 202210716389A CN 114781557 A CN114781557 A CN 114781557A
Authority
CN
China
Prior art keywords
file
image
target
target image
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
Application number
CN202210716389.4A
Other languages
English (en)
Other versions
CN114781557B (zh
Inventor
李家乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Spreadtrum Communications Shanghai Co Ltd
Original Assignee
Spreadtrum Communications Shanghai Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Spreadtrum Communications Shanghai Co Ltd filed Critical Spreadtrum Communications Shanghai Co Ltd
Priority to CN202210716389.4A priority Critical patent/CN114781557B/zh
Publication of CN114781557A publication Critical patent/CN114781557A/zh
Application granted granted Critical
Publication of CN114781557B publication Critical patent/CN114781557B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • 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
    • G06F16/55—Clustering; Classification
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种图像信息获取方法及装置、计算机可读存储介质，所述图像信息获取方法包括：接收目标应用软件插入的目标图像文件；使用各目标应用软件公用的图像分类文件，确定所述目标图像文件对应的图像分类信息；根据所述目标应用软件的应用属性以及所述目标图像文件对应的图像分类信息，获取与所述目标图像文件对应的推荐信息。采用上述方案，便携式智能电子设备在提供人工智能应用时，CPU利用效率较高，且不存在内存空间浪费的情况。

Description

图像信息获取方法及装置、计算机可读存储介质
技术领域
本发明涉及通信技术领域，尤其涉及一种图像信息获取方法及装置、计算机可读存储介质。
背景技术
随着机器学习与智能软件的快速发展，便携式智能电子设备与人工智能相结合，给人们的生活和工作带来了极大的便利。
现有技术中，用户使用便携式智能电子设备（如智能手机、平板电脑等）安装的应用软件（APP）拍摄某些物品的图像时，便携式智能电子设备可以自动根据所拍摄物品的图像，为用户推荐与所拍摄物品相应的信息。
然而，现有技术中，便携式智能电子设备内存空间浪费，CPU利用率较低。
发明内容
本发明实施例解决的是便携式智能电子设备在提供人工智能应用时所存在内存空间浪费、CPU利用率较低的技术问题。
为解决上述技术问题，本发明实施例提供一种图像信息获取方法，包括：接收目标应用软件插入的目标图像文件；使用各目标应用软件公用的图像分类文件，确定所述目标图像文件对应的图像分类信息；根据所述目标应用软件的应用属性以及所述目标图像文件对应的图像分类信息，获取与所述目标图像文件对应的推荐信息。
可选的，所述确定所述目标图像文件对应的图像分类信息，包括：构建机器学习图像分类框架；将所述目标图像文件对应的实体文件输入至所述机器学习图像分类框架，确定所述目标图像文件对应的图像分类信息；所述目标图像文件对应的实体文件由所述目标应用软件采用如下步骤生成：将所述目标图像文件对应的数据插入媒体数据库；获取所述目标图像文件对应的描述符或文件流；基于所述描述符或文件流生成所述实体文件。
可选的，所述将所述目标图像文件对应的实体文件输入至所述机器学习图像分类框架，确定所述目标图像文件对应的图像分类信息，包括：加载预先训练得到的训练模型文件以及图像分类文件至所述机器学习图像分类框架；获取所述实体文件对应的比特映射图，将所述比特映射图转换成比特缓存；对所述比特缓存进行推断，确定所述目标图像文件对应的图像分类信息。
可选的，所述对所述比特缓存进行推断，确定所述目标图像文件对应的图像分类信息，包括：若存在多个图像分类推断结果，则选择对应概率最大的图像分类推断结果，作为所述目标图像文件对应的图像分类信息。
可选的，所述对所述比特缓存进行推断，包括：通过TFLite解释器对所述比特缓存进行推断。
可选的，所述对所述比特缓存进行推断，包括：将所述比特缓存上传至服务器，接收所述服务器下发的所述图像分类信息。
可选的，所述对所述比特缓存进行推断，包括：由本地对所述比特缓存进行推断，确定所述图像分类信息。
可选的，所述图像信息获取方法还包括：检测到所述目标应用软件采集所述目标图像文件时，停止接收其他应用软件对所述目标图像文件的访问。
可选的，在获取与所述目标图像文件对应的推荐信息之后，还包括：展示所述推荐信息。
本发明实施例还提供了一种图像信息获取装置，包括：接收单元，用于接收目标应用软件插入的目标图像文件；确定单元，用于使用各目标应用软件公用的图像分类文件，确定所述目标图像文件对应的图像分类信息；获取单元，用于根据所述目标应用软件的应用属性以及所述目标图像文件对应的图像分类信息，获取与所述目标图像文件对应的推荐信息。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述任一种所述的图像信息获取方法的步骤。
本发明实施例还提供了另一种图像信息获取装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述任一种所述的图像信息获取方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
接收目标应用软件插入的目标图像文件，对目标图像文件进行图像分类，得到目标图像文件的图像分类信息。根据目标应用软件的应用属性信息以及目标图像文件对应的图像分类信息，获取与目标图像文件对应的推荐信息。在确定目标图像文件对应的图像分类信息时，可以采用预先训练好的公用的图像分类文件对目标图像文件进行分类。不同的应用软件可以使用公用的图像分类文件对其所采集到的目标图像文件进行分类，从而可以降低便携式智能电子设备的内存空间消耗，提高CPU利用率。
附图说明
图1是本发明实施例中的一种图像信息获取方法的流程图；
图2是本发明实施例中的一种图像信息获取装置的结构示意图。
具体实施方式
现有技术中，应用软件在获取到每一次获取到图像文件之后，都需要对图像文件进行相应的分类。不同的应用软件存在各自对应的分类体系，因此，某一应用软件对图像文件进行分类所得到的分类结果，仅适用于该应用软件。若便携式智能电子设备中安装的应用软件个数较多，则不同的应用软件对图像文件进行各自的分类，会导致便携式智能电子设备内存空间浪费，CPU利用率较低。
在本发明实施例中，在确定目标图像文件对应的图像分类信息时，可以采用预先训练好的公用的图像分类文件对目标图像文件进行分类。不同的应用软件可以使用公用的图像分类文件对其所采集到的目标图像文件进行分类，从而可以降低便携式智能电子设备的内存空间消耗，提高CPU利用率。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
本发明实施例提供了一种图像信息获取方法，参照图1，以下通过具体步骤进行详细说明。
步骤S101，接收目标应用软件插入的目标图像文件。
在本发明实施例中，应用软件（APP）可以调用安卓手机相机功能。例如，应用软件为购物软件、即时通信软件、搜索引擎软件、金融理财软件等。
在具体实施中，用户可以通过便携式智能电子设备（以下以智能手机进行描述）的触摸屏幕对智能手机进行操控。用户可以点击智能手机操作系统界面上显示的目标应用软件的图标，进入该目标应用软件对应的操作界面。
在进入目标应用软件的操作界面后，用户可以点击“扫一扫”功能键，以触发应用软件的摄像头开始工作。或者，用户也可以通过其他的触发方式，触发应用软件开启拍照功能。此时，目标应用软件可以采集目标图像文件，并通过媒体商店（MediaStore）的接口插入目标图像文件。
在具体应用中，目标应用软件插入目标图像文件的具体过程可以对应参照现有技术中的实现。
步骤S102，确定所述目标图像文件对应的图像分类信息。
在具体实施中，可以预先在媒体商店（MediaStore）中Images类的ImageColumns接口中，新增一段媒体字段字符串，该新增的媒体字段字符串为图像分类文件。图像分类文件可以包括若干条图像分类信息。图像分类信息可以用于描述图像中物体的属性信息，可以包括图像一级分类、图像二级分类、图像三级分类等。
需要说明的是，目标图像文件对应的图像一级分类为衣物，图像二级分类为大衣，图像三级衣物为长款男士大衣。
需要说明的是，上述图像分类信息包括三级分类仅为示例性说明，本领域技术人员可以理解，在实际应用中，图像分类文件还可以仅包括两级分类，或者包括更多级分类。
在本发明实施例中，应用软件（APP）从媒体提供装置（MediaProvider）检索数据时，首先请求对Provider程序的读取访问权限。应用软件通过清单文件中的<uses-permission>元素请求读取访问权限。其次，应用软件自定义将查询发送至Provider程序的代码，来访问媒体提供装置中的数据。
应用软件以客户端的形式使用Context中的ContentResolver对象与Provider程序进行通信，Provider程序从客户端接收数据请求、执行请求并返回结果。
在具体实施中，当用户使用目标应用软件采集目标图像文件时，如用户使用应用软件拍摄或者扫描物体时，媒体提供装置会发出Uri变化通知。MediaStore通过getContentUri方法获取Uri变化通知，来表征目标图像文件正在生成。为保证目标图像文件的安全性，其他应用软件无法访问目标图像文件。
在本发明实施例中，可以填充一些必要的字段，如填充IS_PENDING字段为1并进行独占访问，来表征目标图像文件正在生成。
当目标应用软件更新IS_PENDING为0后，完成目标图像文件的插入过程。完成目标图像文件的插入后，其他应用软件可以访问目标图像文件。
目标应用软件调用MediaStore中的insertImage方法将目标图像文件的数据插入媒体数据库，基于Uri打开目标图像文件对应的描述符或者文件流，基于目标图像文件对应的描述符或者文件流写入目标图像文件对应的实体文件。
在写入目标图像文件对应的实体文件之后，在MediaStore中，构建机器学习图像分类框架，进行初始化，加载预先训练得到的训练模型文件和图像分类文件。同时，MediaStore通过getBitmap方法获取实体文件对应的比特映射图（Bitmap），并将其转换成比特缓存（ByteBuffer），执行TFLite推断，得到目标图像文件对应的图像分类信息。
在对目标图像文件进行TFLite推断时，可能会得到多个图像分类推断结果，不同的图像分类推断结果对应不同的概率。此时，可以选择概率最高的图像分类推断结果，作为目标图像文件对应的图像分类信息。
例如，对目标图像文件进行TFLite推断时，得到如下图像分类推断结果：黄芪，概率90%；蒺藜，概率30%。因此，目标图像文件对应的图像分类信息为黄芪。
步骤S103，根据目标应用软件的应用属性以及目标图像文件对应的图像分类信息，获取与目标图像文件对应的推荐信息。
在具体实施中，目标应用软件的应用属性可以用于表征目标应用软件所能够提供的功能。
例如，目标应用软件为某购物软件，则该目标应用软件的应用属性为购物。又如，目标应用软件为某搜索引擎，则该目标应用软件的应用属性为搜索。
在本发明实施例中，针对不同的目标应用软件，即便输入同一目标图像文件，获取到的与图像文件对应的推荐信息可以不同。
例如，目标应用软件为购物软件，目标图像文件为中草药黄芪的图像，则获取到与目标图像文件对应的推荐信息为：售卖黄芪的店铺链接。目标应用软件为搜索引擎，目标图像文件为中草药黄芪的图像，则获取到与目标图像文件对应的推荐信息为：黄芪的功效、黄芪的主要产地、黄芪的主要食用方法等。
又如，目标应用软件为即时通信软件，目标图像文件为一段文字的图像，则获取到与目标图像文件对应的推荐信息为：从上述一段文字识别出的可编辑版本。目标应用软件为翻译软件，目标图像文件为一段文字的图像，则获取到与目标图像文件对应的推荐信息为：与上述一段文字对应的英文译文。
由此可见，在确定目标图像文件对应的图像分类信息时，可以采用预先训练好的公用的图像分类文件对目标图像文件进行分类。不同的应用软件可以使用公用的图像分类文件对其所采集到的目标图像文件进行分类，从而可以降低便携式智能电子设备的内存空间消耗，提高CPU利用率。
在本发明实施例中，可以采用TFLite解释器对比特缓存进行推断。TFLite解释器可以设置在服务器端，也可以设置在智能手机本地。
在对比特缓存进行推断时，可以将比特缓存上传至服务器，由服务器对比特缓存进行推断，确定图像分类信息。之后，服务器可以将所确定的图像分类信息返回给智能手机。
在对比特缓存进行推断时，也可以由智能手机本地对比特缓存进行推断，确定图像分类信息。在通过智能手机本地对比特缓存进行推断时，可以预先将训练模型文件以及图像分类文件存储到智能手机本地。由智能手机执行推断过程，智能手机无需与服务器进行数据交互，从而可以有效避免数据发送至服务器，能够有效保护用户隐私。
并且，当智能手机处于户外偏远地方，所能够使用的带宽有限时，由智能手机执行推断过程，可以满足实时性低延迟需求，并且，可以避免与服务器通信所带来的功耗。
参照图2，给出了本发明实施例中的一种图像信息获取装置20，包括：接收单元201、确定单元202以及获取单元203，其中：
接收单元201，用于接收目标应用软件插入的目标图像文件；
确定单元202，用于使用各目标应用软件公用的图像分类文件，确定所述目标图像文件对应的图像分类信息；
获取单元203，用于根据所述目标应用软件的应用属性以及所述目标图像文件对应的图像分类信息，获取与所述目标图像文件对应的推荐信息。
在具体实施中，上述接收单元201、确定单元202以及获取单元203的具体执行过程可以对应参照上述步骤S101~步骤S103，此处不做赘述。
在具体实施中，关于上述实施例中描述的各个装置、产品包含的各个模块/单元，其可以是软件模块/单元，也可以是硬件模块/单元，或者也可以部分是软件模块/单元，部分是硬件模块/单元。
例如，对于应用于或集成于芯片的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于芯片内部集成的处理器，剩余的（如果有）部分模块/单元可以采用电路等硬件方式实现；对于应用于或集成于芯片模组的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，不同的模块/单元可以位于芯片模组的同一组件（例如芯片、电路模块等）或者不同组件中，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于芯片模组内部集成的处理器，剩余的（如果有）部分模块/单元可以采用电路等硬件方式实现；对于应用于或集成于终端的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，不同的模块/单元可以位于终端内同一组件（例如，芯片、电路模块等）或者不同组件中，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于终端内部集成的处理器，剩余的（如果有）部分模块/单元可以采用电路等硬件方式实现。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行步骤S101~步骤S103所提供的图像信息获取方法的步骤。
本发明实施例还提供了一种图像信息获取装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行步骤S101~步骤S103所提供的图像信息获取方法的步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指示相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (12)

1.一种图像信息获取方法，其特征在于，包括：
接收目标应用软件插入的目标图像文件；
使用各目标应用软件公用的图像分类文件，确定所述目标图像文件对应的图像分类信息；
根据所述目标应用软件的应用属性以及所述目标图像文件对应的图像分类信息，获取与所述目标图像文件对应的推荐信息。
2.如权利要求1所述的图像信息获取方法，其特征在于，所述确定所述目标图像文件对应的图像分类信息，包括：
构建机器学习图像分类框架；
将所述目标图像文件对应的实体文件输入至所述机器学习图像分类框架，确定所述目标图像文件对应的图像分类信息；
所述目标图像文件对应的实体文件由所述目标应用软件采用如下步骤生成：将所述目标图像文件对应的数据插入媒体数据库；获取所述目标图像文件对应的描述符或文件流；基于所述描述符或文件流生成所述实体文件。
3.如权利要求2所述的图像信息获取方法，其特征在于，所述将所述目标图像文件对应的实体文件输入至所述机器学习图像分类框架，确定所述目标图像文件对应的图像分类信息，包括：
加载预先训练得到的训练模型文件以及图像分类文件至所述机器学习图像分类框架；
获取所述实体文件对应的比特映射图，将所述比特映射图转换成比特缓存；
对所述比特缓存进行推断，确定所述目标图像文件对应的图像分类信息。
4.如权利要求3所述的图像信息获取方法，其特征在于，所述对所述比特缓存进行推断，确定所述目标图像文件对应的图像分类信息，包括：
若存在多个图像分类推断结果，则选择对应概率最大的图像分类推断结果，作为所述目标图像文件对应的图像分类信息。
5.如权利要求3所述的图像信息获取方法，其特征在于，所述对所述比特缓存进行推断，包括：
通过TFLite解释器对所述比特缓存进行推断。
6.如权利要求3~5任一项所述的图像信息获取方法，其特征在于，所述对所述比特缓存进行推断，包括：
将所述比特缓存上传至服务器，接收所述服务器下发的所述图像分类信息。
7.如权利要求3~5任一项所述的图像信息获取方法，其特征在于，所述对所述比特缓存进行推断，包括：
由本地对所述比特缓存进行推断，确定所述图像分类信息。
8.如权利要求1所述的图像信息获取方法，其特征在于，还包括：检测到所述目标应用软件采集所述目标图像文件时，停止接收其他应用软件对所述目标图像文件的访问。
9.如权利要求1所述的图像信息获取方法，其特征在于，在获取与所述目标图像文件对应的推荐信息之后，还包括：
展示所述推荐信息。
10.一种图像信息获取装置，其特征在于，包括：
接收单元，用于接收目标应用软件插入的目标图像文件；
确定单元，用于使用各目标应用软件公用的图像分类文件，确定所述目标图像文件对应的图像分类信息；
获取单元，用于根据所述目标应用软件的应用属性以及所述目标图像文件对应的图像分类信息，获取与所述目标图像文件对应的推荐信息。
11.一种计算机可读存储介质，所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1~9任一项所述的图像信息获取方法的步骤。
12.一种图像信息获取装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1~9任一项所述的图像信息获取方法的步骤。
CN202210716389.4A 2022-06-23 2022-06-23 图像信息获取方法及装置、计算机可读存储介质 Active CN114781557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210716389.4A CN114781557B (zh) 2022-06-23 2022-06-23 图像信息获取方法及装置、计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210716389.4A CN114781557B (zh) 2022-06-23 2022-06-23 图像信息获取方法及装置、计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN114781557A true CN114781557A (zh) 2022-07-22
CN114781557B CN114781557B (zh) 2022-09-09

Family

ID=82422430

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210716389.4A Active CN114781557B (zh) 2022-06-23 2022-06-23 图像信息获取方法及装置、计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN114781557B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077329A (zh) * 2013-03-29 2014-10-01 西门子公司 一种信息推荐方法和系统
CN105068717A (zh) * 2015-08-12 2015-11-18 北京金山安全软件有限公司 移动终端通知栏的管理方法、装置及移动终端
CN105989114A (zh) * 2015-02-12 2016-10-05 广东欧珀移动通信有限公司 一种收藏内容推荐方法及终端
CN106202484A (zh) * 2016-07-18 2016-12-07 浪潮电子信息产业股份有限公司 一种推荐浏览信息的方法及一种客户端
US20190130027A1 (en) * 2017-11-02 2019-05-02 International Business Machines Corporation Data classification
CN109978610A (zh) * 2019-03-13 2019-07-05 努比亚技术有限公司 信息处理方法、移动终端及计算机可读存储介质
CN111126367A (zh) * 2020-04-01 2020-05-08 国网电子商务有限公司 一种图像分类方法及系统
CN111797304A (zh) * 2019-04-09 2020-10-20 华为技术有限公司 一种内容推送方法、装置与设备
CN112235714A (zh) * 2020-10-13 2021-01-15 平安科技（深圳）有限公司 基于人工智能的poi定位方法、装置、计算机设备及介质
CN113947136A (zh) * 2021-09-30 2022-01-18 清华大学 图像压缩和分类方法、装置及电子设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077329A (zh) * 2013-03-29 2014-10-01 西门子公司 一种信息推荐方法和系统
CN105989114A (zh) * 2015-02-12 2016-10-05 广东欧珀移动通信有限公司 一种收藏内容推荐方法及终端
CN105068717A (zh) * 2015-08-12 2015-11-18 北京金山安全软件有限公司 移动终端通知栏的管理方法、装置及移动终端
CN106202484A (zh) * 2016-07-18 2016-12-07 浪潮电子信息产业股份有限公司 一种推荐浏览信息的方法及一种客户端
US20190130027A1 (en) * 2017-11-02 2019-05-02 International Business Machines Corporation Data classification
CN109978610A (zh) * 2019-03-13 2019-07-05 努比亚技术有限公司 信息处理方法、移动终端及计算机可读存储介质
CN111797304A (zh) * 2019-04-09 2020-10-20 华为技术有限公司 一种内容推送方法、装置与设备
CN111126367A (zh) * 2020-04-01 2020-05-08 国网电子商务有限公司 一种图像分类方法及系统
CN112235714A (zh) * 2020-10-13 2021-01-15 平安科技（深圳）有限公司 基于人工智能的poi定位方法、装置、计算机设备及介质
CN113947136A (zh) * 2021-09-30 2022-01-18 清华大学 图像压缩和分类方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ARDYTHA LUTHFIARTA，等: "Classification of Governer"s Public Report from SMS LaporGub Using Naive Bayes Classifier Method", 《2018 INTERNATIONAL SEMINAR ON APPLICATION FOR TECHNOLOGY OF INFORMATION AND COMMUNICATION》 *
杨雪媛，等: "基于复杂场景下步态识别技术研究", 《中国安防》 *

Also Published As

Publication number Publication date
CN114781557B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN112863683B (zh) 基于人工智能的病历质控方法、装置、计算机设备及存储介质
CN112509690B (zh) 用于控制质量的方法、装置、设备和存储介质
CN106973244A (zh) 使用弱监督为图像配字幕
AU2021354030B2 (en) Processing images using self-attention based neural networks
JP6986187B2 (ja) 人物識別方法、装置、電子デバイス、記憶媒体、及びプログラム
CN109726712A (zh) 文字识别方法、装置及存储介质、服务器
CN112215171B (zh) 目标检测方法、装置、设备及计算机可读存储介质
EP3852007B1 (en) Method, apparatus, electronic device, readable storage medium and program for classifying video
CN111382620A (zh) 视频标签添加方法、计算机存储介质和电子设备
CN114550051A (zh) 一种车损检测方法、装置、计算机设备及存储介质
WO2021119230A1 (en) Intelligent conversion of internet domain names to vector embeddings
CN117851632A (zh) 基于人工智能的图像检索方法、装置、设备及存储介质
CN115935049A (zh) 基于人工智能的推荐处理方法、装置及电子设备
CN116432210B (zh) 一种基于安全保护的档案管理方法和系统
CN116132175B (zh) 一种基于事件驱动网络引擎的远程后门检测方法
CN114781557B (zh) 图像信息获取方法及装置、计算机可读存储介质
CN114491093B (zh) 多媒体资源推荐、对象表征网络的生成方法及装置
CN115168609A (zh) 一种文本匹配方法、装置、计算机设备和存储介质
CN114579876A (zh) 虚假信息检测方法、装置、设备及介质
CN113901817A (zh) 文档分类方法、装置、计算机设备和存储介质
CN114510592A (zh) 图像分类方法、装置、电子设备及存储介质
CN111651555A (zh) 业务处理方法、系统和计算机可读存储介质
Polonio et al. Ghio-ca: An android application for automatic image classification
WO2019212407A1 (en) A system and method for image retrieval
CN116483946B (zh) 数据处理方法、装置、设备及计算机程序产品

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