CN115168637B - 一种图片添加标签方法、系统及存储介质 - Google Patents
一种图片添加标签方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115168637B CN115168637B CN202210688415.7A CN202210688415A CN115168637B CN 115168637 B CN115168637 B CN 115168637B CN 202210688415 A CN202210688415 A CN 202210688415A CN 115168637 B CN115168637 B CN 115168637B
- Authority
- CN
- China
- Prior art keywords
- picture
- sub
- label information
- pictures
- label
- 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.)
- Active
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
- G06F16/53—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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/538—Presentation of query results
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及图片检索的技术领域,尤其是涉及一种图片添加标签方法、系统及存储介质,方法包括:接收输入的图片;分析所述图片得到图片格式以及图片大小;将所述图片输入预先训练好的第一模型进行推理,得到图片类型;根据所述图片类型选择匹配的第二模型对所述图片进行推理,得到图片风格;将图片格式、图片大小、图片类型,以及图片风格作为标签信息写入图片的属性信息中得到目标图片,所述图片格式、图片大小、图片类型,以及图片风格均为所述标签信息的子标签信息。本申请具有更为精确地提取图片内容,提高后续检索精确度的效果。
Description
技术领域
本发明涉及图片检索的技术领域,尤其是涉及一种图片添加标签方法、系统及存储介质。
背景技术
图片作为多媒体信息的重要呈现形式之一,它通过颜色、纹理、形状等丰富的视觉特征,直观、生动地使抽象数据形象化、真实化地呈现给大众。随着网络技术的不断发展,图片这种重要的信息表现形式不可避免地出现在Web的信息交换中,并且数据规模不断膨胀,面对海量的Web图片资源,迫切需要检索Web图片的有效方法。然而,图片语义丰富,但语义理解却不同于文字,缺乏文字语义理解的明确标准,受到人的感知能力与知识结构等因素的限制,不同人对相同图片语义的理解也存在着偏差,而要使计算机正确理解Web图片的语义,并兼顾不同层次的用户需求实现图片的有效检索,这其中涉及到的图片采集、图片语义分析与理解、图片检索等技术原理及方式。随着数字图片和互联网的飞速发展,图片数据的种类和数量也在与日俱增。面对浩如烟海的图片海洋,如何对这些海量图片进行快速有效的管理自然而然成为本领域技术人员面临的一个挑战课题。
图片检索是指对数字图片库进行查询的技术,其目标是使检索到的图片能满足用户的意图。现有图片检索方案一般采用基于关键词的检索;而基于关键词的图片检索在基于关键字的检索中,必须预先对图片库中的图片进行标注,即用关键字描述各个图片。现有技术一般采用自动标注对图片进行标注。对于自动标注方式,指在收集图片的时候,把图片周围的文本一同收集起来、或图片中存在的文本识别出来,作为对该图片的描述;这种方式优点是速度快,实现简单,但上述自动标注方式获得的关键词往往难以客观反应图片内容,导致后续检索存在较大误差。
发明内容
为了更为精确地提取图片内容,提高后续检索精确度,本申请提供一种图片添加标签方法、系统及存储介质。
本申请的上述发明目的一是通过以下技术方案得以实现的:
一种图片添加标签方法,包括:
接收输入的图片;
分析所述图片得到图片格式以及图片大小;
将所述图片输入预先训练好的第一模型进行推理,得到图片类型;
根据所述图片类型选择匹配的第二模型对所述图片进行推理,得到图片风格;
将图片格式、图片大小、图片类型,以及图片风格作为标签信息写入图片的属性信息中得到目标图片,所述图片格式、图片大小、图片类型,以及图片风格均为所述标签信息的子标签信息。
通过采用上述技术方案,当用户或者后台人员将图片输入系统时,系统对图片进行分析得到图片的格式和大小,并将图片输入第一模型,推理得到图片类型,例如建筑、食品、风景、书籍、动漫等,然后匹配相适配的第二模型,对该图片进行推理,得到图片风格,例如哥特式、巴洛克、洛可可、木条式、园林式、概念式风格等等,然后将图片格式、图片大小、图片类型,以及图片风格作为该图片的标签信息写入图片的属性信息中,得到目标图片,进而实现对图片的标签信息的添加,便于图片分类,提高了后期图片查找的准确率和效率;并且,通过先推理图片类型,然后在匹配对应的第二模型来推理图片具体的图片风格,对于前期模型训练样本的需求较少,且精确度较高。
本申请在一较佳示例中可以进一步配置为:还包括:
根据图片类型在多个元素模型库中选择领域匹配的元素模型库作为检索库,所述元素模型库是预先构建的,所述元素模型库内预存储有多个具有标签信息的元素图片;
在检索库中筛选出所有具有与所述目标图片所携带的标签信息相似的标签信息的元素图片并展示于显示终端。
通过采用上述技术方案,当用户输入图片,通过分析得到图片的标签信息,然后根据图片类型在多个元素模型库中,选择匹配的元素模型库作为检索库,在该检索库中筛选出所有具有与目标图片所携带的标签信息相似的标签信息的元素图片并展示于显示终端,以供用户查看。
本申请在一较佳示例中可以进一步配置为:在检索库中筛选出所有具有与所述目标图片所携带的标签信息相似的标签信息的元素图片并展示于显示终端,包括:
在检索库中筛选出所有具有与所述目标图片所携带的标签信息相似的标签信息的元素图片;
根据目标图片所携带的标签信息和多组偏好数据生成对应的排序偏好,一组所述偏好数据包含目标图片所携带的标签信息,以及用户在检索库中所选择的元素图片的标签信息;
将所有具有与所述目标图片所携带的标签信息相似的标签信息的元素图片按所述排序偏好进行排序后依次展示于显示终端。
通过采用上述技术方案,通过将筛选出的所有元素图片按照排序偏好展示给用户,进而提高用户体验感。
本申请在一较佳示例中可以进一步配置为:所述排序偏好包括图片格式、图片大小、图片类型,以及图片风格中各子标签信息的优先顺序。
本申请在一较佳示例中可以进一步配置为:根据目标图片所携带的标签信息和多组偏好数据生成对应的排序偏好,包括:
按多组偏好数据中元素图片的各子标签信息的出现频率高低对元素图片的各子标签信息进行排序以得到子标签信息频率序列表;
根据目标图片所携带的子标签信息在子标签信息频率序列表中的排名先后生成排序偏好。
通过采用上述技术方案,根据多组偏好数据,对应着一张目标图片用户或者实验人员或者后台人员在检索库中所选择的元素图片的标签信息,来统计得到该些元素图片的标签信息中各子标签信息的出现频率,进而得到目标图片的标签信息中各子标签信息所对应的出现频率,按照目标图片的标签信息中的各子标签信息出现频率高低因此排序显示筛选出的所有元素图片。
本申请在一较佳示例中可以进一步配置为:将目标图片所携带的子标签信息中在子标签信息频率序列表中排名最后的子标签信息作为定位子标签信息;
所述子标签信息频率序列表中在所述定位子标签信息之前存在非目标图片所携带的子标签信息的情况下,获取子标签信息频率序列表中排名位于所述定位子标签信息之前的非目标图片所携带的子标签信息的子标签信息作为待处理子标签信息;
将待处理子标签信息及其所对应的元素图片,以及定位子标签信息及其所对应的目标图片发送至待处理区存储。
通过采用上述技术方案,筛选出子标签信息频率序列表中位于定位子标签信息之前的非目标图片所携带的子标签信息,然后将该些作为待处理子标签信息,将待处理子标签信息及其所对应的元素图片,以及定位子标签信息及其所对应的目标图片发送至待处理区存储,后台人员可以通过该些存储的数据生成新的图片样本,对神经网络进行优化训练,也可以将该些该些存储的数据作为一组新的偏好数据,以供后续读取使用,提高准确率。
本申请在一较佳示例中可以进一步配置为:获取标签字段;
在检索库中筛选出所有具有与所述标签字段相似的子标签信息的元素图片并展示于显示终端。
通过采用上述技术方案,提供用户直接搜索功能,即可以直接在系统中输入标签内容,系统在元素模型库中通过标签字段检索图片并呈现给客户挑选。
本申请的上述发明目的二是通过以下技术方案得以实现的:
一种图片添加标签系统,包括:
接收模块,用于接收输入的图片;
分析模块,用于分析所述图片得到图片格式以及图片大小;
第一推理模块,用于将所述图片输入预先训练好的第一模型进行推理,得到图片类型;
第二推理模块,用于根据所述图片类型选择匹配的第二模型对所述图片进行推理,得到图片风格;
写入模块,用于将图片格式、图片大小、图片类型,以及图片风格作为标签信息写入图片的属性信息中得到目标图片,所述图片格式、图片大小、图片类型,以及图片风格均为所述标签信息的子标签信息。
本申请的上述发明目的三是通过以下技术方案得以实现的:
一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述任一项所述的图片添加标签方法。
综上所述,本申请包括以下至少一种有益技术效果:
1、当用户或者后台人员将图片输入系统时,系统对图片进行分析得到图片的格式和大小,并将图片输入第一模型,推理得到图片类型,例如建筑、食品、风景、书籍、动漫等,然后匹配相适配的第二模型,对该图片进行推理,得到图片风格,例如哥特式、巴洛克、洛可可、木条式、园林式、概念式风格等等,然后将图片格式、图片大小、图片类型,以及图片风格作为该图片的标签信息写入图片的属性信息中,得到目标图片,进而实现对图片的标签信息的添加,便于图片分类,提高了后期图片查找的准确率和效率;并且,通过先推理图片类型,然后在匹配对应的第二模型来推理图片具体的图片风格,对于前期模型训练样本的需求较少,且精确度较高;
2、当用户输入图片,通过分析得到图片的标签信息,然后根据图片类型在多个元素模型库中,选择匹配的元素模型库作为检索库,在该检索库中筛选出所有具有与目标图片所携带的标签信息相似的标签信息的元素图片并展示于显示终端,以供用户查看;
3、根据多组偏好数据,对应着一张目标图片用户或者实验人员或者后台人员在检索库中所选择的元素图片的标签信息,来统计得到该些元素图片的标签信息中各子标签信息的出现频率,进而得到目标图片的标签信息中各子标签信息所对应的出现频率,按照目标图片的标签信息中的各子标签信息出现频率高低因此排序显示筛选出的所有元素图片。
附图说明
图1是本申请一实施例中图片添加标签方法的实现流程图;
图2是本申请另一实施例中图片添加标签方法的实现流程图;
图3是本申请一实施例中步骤S22的实现流程图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,本发明中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。
另外,本文中术语“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,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面参考附图描述本申请的图片添加标签方法、系统及存储介质。
图1是本申请一实施例中图片添加标签方法的实现流程图,如图1所示,该图片添加标签方法,包括:
S10、接收输入的图片;
S12、分析图片得到图片格式以及图片大小;
S14、将图片输入预先训练好的第一模型进行推理,得到图片类型;
S16、根据图片类型选择匹配的第二模型对图片进行推理,得到图片风格;
S18、将图片格式、图片大小、图片类型,以及图片风格作为标签信息写入图片的属性信息中得到目标图片;
其中,图片格式、图片大小、图片类型,以及图片风格均为标签信息的子标签信息。输入的图片可以是由用户或者后台人员将图片输入系统的,图片格式和图片大小的获取可以采用Pillow图片处理库对图片进行处理,将图片导入Pillow图片处理的模块Image中,即可输出图片实际的图片格式以及图片的宽和高,即实现了图片格式和图片大小的获取;
第一模型通过以下方式训练得到:对图片样本训练集中的每个图片样本进行标注处理,以标注出每个图片样本的图片类型,图片类型与图片样本中的全部或部分信息相关联;以及通过经过标注处理的图片样本训练集,对神经网络进行训练,以得到第一模型。
第二模型通过以下方式训练得到:对图片样本训练集中的每个图片样本进行标注处理,以标注出每个图片样本的图片风格,图片风格与图片样本中的全部或部分信息相关联;以及通过经过标注处理的图片样本训练集,对神经网络进行训练,以得到第一模型。
其中,图片类型可以是建筑、食品、风景、书籍、动漫等,以建筑的图片类型为例,建筑类型中的部分图片的图片风格可以哥特式、巴洛克、洛可可、木条式、园林式、概念式风格等,在此不作限定。
例如,某一图片的图片大小为300kb,图片的宽为1696,高为954,则该图片的图片尺寸为1696x954,图片类型为建筑,图片风格为园林式,则将300kb、1696x954、建筑、园林式写入图片的属性信息中,得到目标图片,进而实现对图片的标签信息的添加,便于图片分类,提高了后期图片查找的准确率和效率;并且,通过先推理图片类型,然后在匹配对应的第二模型来推理图片具体的图片风格,对于前期模型训练样本的需求较少,且精确度较高。
参照图2,在一实施例中,图片添加标签方法还包括:
S20、根据图片类型在多个元素模型库中选择领域匹配的元素模型库作为检索库;
系统内预存储有多个元素模型库,例如建筑元素模型库、食品元素模型库、动漫元素模型库等,元素模型库是预先构建的,具体地,元素模型库内预存储有多个具有标签信息的元素图片,元素图片的标签信息也是通过上述S10~S18步骤的方式实现对元素图片的标签信息的添加;当元素图片为后台人员输入系统时,则默认为添加标签信息后存储至对应的元素模型库;位于同一元素模型库内的元素图片均具有图片类型为“建筑”的该子标签信息。接上例,对图片分析得到图片类型为建筑时,则匹配建筑元素模型库作为后续的检索库。
S22、在检索库中筛选出所有具有与目标图片所携带的标签信息相似的标签信息的元素图片并展示于显示终端。
参照图3,具体地,S22包括:
S220、在检索库中筛选出所有具有与目标图片所携带的标签信息相似的标签信息的元素图片;
其中,与目标图片所携带的标签信息相似是指,元素图片的标签信息中具有至少两个子标签信息与目标图片所携带的标签信息中的子标签信息相同,例如,元素图片的标签信息为:499kb、1696x954、建筑、哥特式,其中,元素图片的图片尺寸、图片类型与目标图片的图片尺寸、图片类型相同,则判定该元素图片为具有与目标图片所携带的标签信息相似的标签信息的元素图片。
S222、根据目标图片所携带的标签信息和多组偏好数据生成对应的排序偏好;
S224、将所有具有与目标图片所携带的标签信息相似的标签信息的元素图片按所述排序偏好进行排序后依次展示于显示终端。
其中,一组偏好数据包含目标图片所携带的标签信息,以及用户在检索库中所选择的元素图片的标签信息;偏好数据可以通过以往用户查询的历史记录获取,例如过往一定数量组的携带的标签信息与目标图片所携带的标签信息相同的目标图片,以及用户在检索库中所选择的元素图片的标签信息作为一组偏好数据;也可以是后台人员通过多次试验输入携带的标签信息与目标图片所携带的标签信息相同的试样图片后,在筛选出来的元素图片中择选出对应正确的元素图片实现一组偏好数据的获取,该组偏好数据包含了试样图片及试样图片所携带的标签信息,元素图片及元素图片的标签信息,其中,试样图片所携带的标签信息即为目标图片所携带的标签信息;接上例,某一组偏好数据可以如下:目标图片所携带的标签信息为“300kb、1696x954、建筑、园林式”,元素图片所携带的标签信息为“499kb、1696x954、建筑、哥特式”。排序偏好包括图片格式、图片大小、图片类型,以及图片风格中各子标签信息的优先顺序;
S222具体包括:
S2220、按多组偏好数据中元素图片的各子标签信息的出现频率高低对元素图片的各子标签信息进行排序以得到子标签信息频率序列表;
在多组偏好数据中,统计各子标签信息的出现频率,然后对各子标签信息按照出现频率高低进行排序,进而能够得到子标签信息频率序列表;
S2222、根据目标图片所携带的子标签信息在子标签信息频率序列表中的排名先后生成排序偏好。
具体地,如目标图片所携带的子标签信息300kb、1696x954、建筑、园林式中,300kb在子标签信息频率序列表中的排名为第2,1696x954在子标签信息频率序列表中的排名为第5,建筑在子标签信息频率序列表中的排名为第1, 园林式在子标签信息频率序列表中的排名为第3,则排序偏好为:1、建筑;2、300kb;3、园林式;4、1696x954的顺序得到排序偏好;然后按排序偏好对所有具有与目标图片所携带的标签信息相似的标签信息的元素图片进行排序,排序规则是,先按与目标图片所携带的子标签信息相同的子标签信息的数量由多至少排序;
然后,对与目标图片所携带的子标签信息相同的子标签信息的数量相同的元素图片进行排序,具体地,按照元素图片中所具有的相同的子标签信息在排序偏好中的序号之和按小到大排序,最后,将排序好的元素图片依次展示于显示终端。
在一实施例中,图片添加标签方法还包括:
S24、将目标图片所携带的子标签信息中在子标签信息频率序列表中排名最后的子标签信息作为定位子标签信息;
接上例,子标签信息1696x954是目标图片所携带的子标签信息中在子标签信息频率序列表中的排名最后的子标签信息,则将该子标签信息1696x954作为定位子标签信息。
S26、子标签信息频率序列表中在定位子标签信息之前存在非目标图片所携带的子标签信息的情况下,获取子标签信息频率序列表中排名位于定位子标签信息之前的非目标图片所携带的子标签信息的子标签信息作为待处理子标签信息;
接上例,在定位子标签信息1696x954之前,存在排名第4的一个子标签信息,则为非目标图片所携带的子标签信息,将该子标签信息作为待处理子标签信息。
S28、将待处理子标签信息及其所对应的元素图片,以及定位子标签信息及其所对应的目标图片发送至待处理区存储。
当存在待处理子标签信息以供后续后台人员处理,后台人员可以通过该些存储的数据生成新的图片样本,对神经网络进行优化训练,也可以将该些该些存储的数据作为一组新的偏好数据,以供后续读取使用,提高准确率。
在一实施例中,图片添加标签方法还包括:
S30、获取标签字段;
S32、在检索库中筛选出所有具有与标签字段相似的子标签信息的元素图片并展示于显示终端。
该种方式,使得用户可以直接输入相关的标签字段,然后在系统中预先设定一相似度阈值,在检索库中筛选出与标签字段的字符相似度大于相似度阈值的子标签信息,将具有该些子标签信息的元素图片展示于显示终端以供用户选择。
此外,还可以将用户输入的目标图片存储在系统的存储器中,以供后续后台人员处理,结合用户所选择的元素图片,可以是用来对神经网络进行优化训练,也可以将该些存储的数据作为一组新的偏好数据,以供后续读取使用,提高准确率,或者是添加入相应的元素模型库中。
本申请还提供一种图片添加标签系统,包括:
接收模块,用于接收输入的图片;
分析模块,用于分析图片得到图片格式以及图片大小;
第一推理模块,用于将图片输入预先训练好的第一模型进行推理,得到图片类型;
第二推理模块,用于根据图片类型选择匹配的第二模型对图片进行推理,得到图片风格;
写入模块,用于将图片格式、图片大小、图片类型,以及图片风格作为标签信息写入图片的属性信息中得到目标图片,图片格式、图片大小、图片类型,以及图片风格均为标签信息的子标签信息。
关于图片添加标签系统的具体限定可以参见上文中对于图片添加标签方法的限定,在此不再赘述。上述图片添加标签方法的各个步骤可全部或部分通过软件、硬件及其组合来实现。
根据本申请的实施例,本申请还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行上述中任一项的图片添加标签方法。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (3)
1.图片添加标签方法,其特征在于,包括:
接收输入的图片;
分析所述图片得到图片格式以及图片大小;
将所述图片输入预先训练好的第一模型进行推理,得到图片类型;
根据所述图片类型选择匹配的第二模型对所述图片进行推理,得到图片风格;
将图片格式、图片大小、图片类型,以及图片风格作为标签信息写入图片的属性信息中得到目标图片,其中,所述图片格式、所述图片大小、所述图片类型,以及所述图片风格均为所述标签信息的子标签信息;
根据图片类型在多个元素模型库中选择领域匹配的元素模型库作为检索库,所述元素模型库是预先构建的,所述元素模型库内预存储有多个具有标签信息的元素图片;
在检索库中筛选出所有具有与所述目标图片所携带的标签信息相似的标签信息的元素图片并展示于显示终端;在检索库中筛选出所有具有与所述目标图片所携带的标签信息相似的标签信息的元素图片并展示于显示终端,包括:
在检索库中筛选出所有具有与所述目标图片所携带的标签信息相似的标签信息的元素图片;
根据目标图片所携带的标签信息和多组偏好数据生成对应的排序偏好,一组所述偏好数据包含目标图片所携带的标签信息,以及用户在检索库中所选择的元素图片的标签信息;
将所有具有与所述目标图片所携带的标签信息相似的标签信息的元素图片按所述排序偏好进行排序后依次展示于显示终端;所述排序偏好包括图片格式、图片大小、图片类型,以及图片风格中各子标签信息的优先顺序;根据目标图片所携带的标签信息和多组偏好数据生成对应的排序偏好,包括:
按多组偏好数据中元素图片的各子标签信息的出现频率高低对元素图片的各子标签信息进行排序以得到子标签信息频率序列表;
根据目标图片所携带的子标签信息在子标签信息频率序列表中的排名先后生成排序偏好;还包括:
将目标图片所携带的子标签信息中在子标签信息频率序列表中排名最后的子标签信息作为定位子标签信息;
所述子标签信息频率序列表中在所述定位子标签信息之前存在非目标图片所携带的子标签信息的情况下,获取子标签信息频率序列表中排名位于所述定位子标签信息之前的非目标图片所携带的子标签信息的子标签信息作为待处理子标签信息;
将待处理子标签信息及其所对应的元素图片,以及定位子标签信息及其所对应的目标图片发送至待处理区存储。
2.如权利要求1所述的图片添加标签方法,其特征在于,还包括:
获取标签字段;
在检索库中筛选出所有具有与所述标签字段相似的子标签信息的元素图片并展示于显示终端。
3.存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-2中任一项所述的图片添加标签方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210688415.7A CN115168637B (zh) | 2022-06-17 | 2022-06-17 | 一种图片添加标签方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210688415.7A CN115168637B (zh) | 2022-06-17 | 2022-06-17 | 一种图片添加标签方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115168637A CN115168637A (zh) | 2022-10-11 |
CN115168637B true CN115168637B (zh) | 2023-03-17 |
Family
ID=83485621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210688415.7A Active CN115168637B (zh) | 2022-06-17 | 2022-06-17 | 一种图片添加标签方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115168637B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115687673B (zh) * | 2022-11-08 | 2023-07-07 | 杭州晶彩数字科技有限公司 | 图片归档的方法、装置、电子设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982178A (zh) * | 2012-12-17 | 2013-03-20 | 北京奇虎科技有限公司 | 一种图片搜索方法、装置和系统 |
CN107861970A (zh) * | 2017-09-15 | 2018-03-30 | 广州唯品会研究院有限公司 | 一种商品图片搜索方法和装置 |
CN109857893A (zh) * | 2019-01-16 | 2019-06-07 | 平安科技(深圳)有限公司 | 图片检索方法、装置、计算机设备及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136228A (zh) * | 2011-11-25 | 2013-06-05 | 阿里巴巴集团控股有限公司 | 一种图片搜索方法以及图片搜索装置 |
CN105243060B (zh) * | 2014-05-30 | 2019-11-08 | 小米科技有限责任公司 | 一种检索图片的方法及装置 |
CN105808782B (zh) * | 2016-03-31 | 2019-10-29 | 广东小天才科技有限公司 | 一种图片标签的添加方法及装置 |
CN106570157B (zh) * | 2016-11-03 | 2020-04-17 | 北京金山安全软件有限公司 | 一种图片推送方法、装置及电子设备 |
CN110309339B (zh) * | 2018-07-26 | 2024-05-31 | 腾讯科技(北京)有限公司 | 图片标签生成方法及装置、终端及存储介质 |
CN110297931B (zh) * | 2019-04-23 | 2021-12-03 | 西北大学 | 一种图像检索方法 |
CN111324733A (zh) * | 2020-02-07 | 2020-06-23 | 北京创鑫旅程网络技术有限公司 | 内容推荐方法、装置、设备及存储介质 |
CN113901245A (zh) * | 2021-09-30 | 2022-01-07 | 深圳传音控股股份有限公司 | 图片搜索方法、智能终端及存储介质 |
CN114120088A (zh) * | 2021-11-24 | 2022-03-01 | 天翼数字生活科技有限公司 | 一种图片分类方法 |
-
2022
- 2022-06-17 CN CN202210688415.7A patent/CN115168637B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982178A (zh) * | 2012-12-17 | 2013-03-20 | 北京奇虎科技有限公司 | 一种图片搜索方法、装置和系统 |
CN107861970A (zh) * | 2017-09-15 | 2018-03-30 | 广州唯品会研究院有限公司 | 一种商品图片搜索方法和装置 |
CN109857893A (zh) * | 2019-01-16 | 2019-06-07 | 平安科技(深圳)有限公司 | 图片检索方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115168637A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111143610B (zh) | 一种内容推荐方法、装置、电子设备和存储介质 | |
EP3819791A2 (en) | Information search method and apparatus, device and storage medium | |
CN112115299B (zh) | 视频搜索方法、装置、推荐方法、电子设备及存储介质 | |
CN110837579A (zh) | 视频分类方法、装置、计算机以及可读存储介质 | |
CN113395578B (zh) | 一种提取视频主题文本的方法、装置、设备及存储介质 | |
CN106354861A (zh) | 电影标签自动标引方法及自动标引系统 | |
CN109726712A (zh) | 文字识别方法、装置及存储介质、服务器 | |
CN102119385A (zh) | 用于在内容检索服务系统内检索媒体内容的方法和子系统 | |
CN114254158B (zh) | 视频生成方法及其装置、神经网络的训练方法及其装置 | |
WO2016014373A1 (en) | Identifying presentation styles of educational videos | |
CN113779381B (zh) | 资源推荐方法、装置、电子设备和存储介质 | |
CN113704507B (zh) | 数据处理方法、计算机设备以及可读存储介质 | |
CN110489649A (zh) | 标签关联内容的方法及装置 | |
CN106537387B (zh) | 检索/存储与事件相关联的图像 | |
CN102640146A (zh) | 数据库搜索方法、系统和控制器 | |
CN113746874A (zh) | 一种语音包推荐方法、装置、设备及存储介质 | |
CN110991149A (zh) | 一种多模态实体链接方法和实体链接系统 | |
US11769006B2 (en) | Parsing and reflowing infographics using structured lists and groups | |
CN115168637B (zh) | 一种图片添加标签方法、系统及存储介质 | |
US10133752B2 (en) | Dynamic glyph-based search | |
CN114428881A (zh) | 媒资视频的推送方法及装置、存储介质及电子设备 | |
CN114707502A (zh) | 虚拟空间处理方法、装置、电子设备及计算机存储介质 | |
JP2020042771A (ja) | データ分析方法及びデータ分析システム | |
Rahman et al. | Enhancing lecture video navigation with AI generated summaries | |
KR102357939B1 (ko) | 폰트를 추천하는 방법 및 이를 구현하는 장치 |
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 |