CN116030115B - 应用于ai的视觉设计图像分析方法及系统 - Google Patents
应用于ai的视觉设计图像分析方法及系统 Download PDFInfo
- Publication number
- CN116030115B CN116030115B CN202310279436.8A CN202310279436A CN116030115B CN 116030115 B CN116030115 B CN 116030115B CN 202310279436 A CN202310279436 A CN 202310279436A CN 116030115 B CN116030115 B CN 116030115B
- Authority
- CN
- China
- Prior art keywords
- image
- description
- popularization
- vector
- visual design
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Image Analysis (AREA)
Abstract
本发明是关于应用于AI的视觉设计图像分析方法及系统，通过在先所确定出的描述衍生参考信息对待分析视觉设计图像的图像描述向量进行图像描述衍生，生成衍生描述向量，然后通过在先所确定出的页面显著性加持向量与图像描述向量生成联动图像输出向量，通过衍生描述向量和联动图像输出向量可以尽可能准确定位和输出在线推广任务的视觉设计细节，最后基于衍生描述向量和联动图像输出向量来确定在线推广任务对应的图像推广引流结果，可以提高在线推广任务的推广引流分析的精度和合理性。
Description
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种应用于AI的视觉设计图像分析方法及系统。
背景技术
视觉设计包括标志设计、包装设计、图像设计、广告设计和界面设计等，是针对用户视觉功能的主观形式的表现手段和结果。其中，图像设计指运用视觉设计手段，通过标志的造型和特定的色彩等表现手法，使企业的经营理念、行为观念、管理特色、产品包装风格、营销准则与策略形成一种整体形象。而广告设计则是指各种手工或电脑的绘画手段或影像技术，以及利用复合方式进行创造性的图像设计。当下，互联网流量成为产品（软件产品或者实体产品）推广成败的关键，而通过视觉设计图像来达到推广引流是现目前的主要手段之一。在视觉设计图像实际上线之前，通常需要对视觉设计图像进行推广预测分析，但是传统技术在进行推广预测分析时，难以保障其精度和合理性。
发明内容
第一方面，本发明实施例提供了一种应用于AI的视觉设计图像分析方法，应用于AI图像分析系统，所述方法包括：获得在线推广任务相关联的待分析视觉设计图像，对所述待分析视觉设计图像进行图像描述挖掘，得到图像描述向量；
依据描述衍生参考信息对所述图像描述向量进行图像描述衍生，得到所述待分析视觉设计图像对应的衍生描述向量；其中，所述描述衍生参考信息是结合所述在线推广任务的推广场景相关联的视觉设计图像样例集生成的；
对所述衍生描述向量进行第一推广点击分析操作，得到第一图像推广点击指数；以及依据所述图像描述向量和页面显著性加持向量，生成所述待分析视觉设计图像对应的联动图像输出向量，对所述联动图像输出向量进行第二推广点击分析操作，得到第二图像推广点击指数；所述页面显著性加持向量是结合所述视觉设计图像样例集中的目标视觉设计图像样例生成的，所述目标视觉设计图像样例与所述视觉设计图像样例集之间满足设定要求；
依据所述第一图像推广点击指数和所述第二图像推广点击指数，确定所述在线推广任务对应的图像推广引流结果。
在一些可能的示例中，所述获得在线推广任务相关联的待分析视觉设计图像，对所述待分析视觉设计图像进行图像描述挖掘，得到图像描述向量，包括：
获得在线推广任务相关联的待分析视觉设计图像，对所述待分析视觉设计图像进行图像块拆分，得到一个或多个图像块；
对所述一个或多个图像块中的噪声图像块进行清洗，得到非噪声图像块；
对所述非噪声图像块进行精简操作，得到目标图像块；
生成所述目标图像块对应的图像编码，依据所述目标图像块对应的图像编码生成所述待分析视觉设计图像对应的图像描述向量。
在一些可能的示例中，所述描述衍生参考信息包括X个参考图像块特征；X为正整数；
依据所述在线推广任务的推广场景相关联的描述衍生参考信息，对所述图像描述向量进行图像描述衍生，得到所述待分析视觉设计图像对应的衍生描述向量，包括：
依据所述描述衍生参考信息分别确定所述X个参考图像块特征和所述图像描述向量的细节联系权重；
依据所述细节联系权重对所述X个参考图像块特征进行整理，从整理后的X个参考图像块特征中按序挑选Y个参考图像块特征，将所述Y个参考图像块特征增添到所述图像描述向量，得到所述待分析视觉设计图像对应的衍生描述向量；Y为小于X的正整数。
在一些可能的示例中，所述对所述衍生描述向量进行第一推广点击分析操作，得到第一图像推广点击指数，包括：
获得第一图像推广分析网络；所述第一图像推广分析网络包含描述提炼子网、描述聚合子网、描述调整子网和点击推演子网；
通过所述描述提炼子网对所述衍生描述向量进行描述挖掘操作，得到图像描述提炼向量；
通过所述描述聚合子网对所述图像描述提炼向量进行特征聚合操作，得到图像描述聚合向量；
通过所述描述调整子网对所述图像描述聚合向量进行描述调整操作，得到图像描述调整向量；
通过所述点击推演子网对所述图像描述调整向量进行点击指数推演操作，得到第一图像推广点击指数。
在一些可能的示例中，所述依据所述图像描述向量和页面显著性加持向量，生成所述待分析视觉设计图像对应的联动图像输出向量，对所述联动图像输出向量进行第二推广点击分析操作，得到第二图像推广点击指数，包括：
通过第二图像推广分析网络中的描述提炼子网和特征混淆子网对所述图像描述向量进行细节分类操作，得到所述待分析视觉设计图像对应的细节分类特征；
将所述细节分类特征和所述页面显著性加持向量，按照预设规则进行加权操作，得到所述待分析视觉设计图像对应的联动图像输出向量；
通过所述第二图像推广分析网络中的点击推演子网对所述联动图像输出向量进行点击指数推演操作，得到第二图像推广点击指数。
在一些可能的示例中，所述依据所述第一图像推广点击指数和所述第二图像推广点击指数，确定所述在线推广任务对应的图像推广引流结果，包括：
对所述第一图像推广点击指数和所述第二图像推广点击指数进行求和操作，得到全局图像推广点击指数；
如果所述全局图像推广点击指数不小于推广热力限值，则确定所述在线推广任务对应的图像推广引流结果为引流成功；
如果所述全局图像推广点击指数小于所述推广热力限值，则确定所述在线推广任务对应的图像推广引流结果为引流失败。
在一些可能的示例中，还包括：
获得视觉设计图像样例集；所述视觉设计图像样例集包含至少两个在线推广任务示例的视觉设计图像样例；所述至少两个在线推广任务示例的推广场景和所述在线推广任务的推广场景相同；
对至少两个视觉设计图像样例进行图像块清洗处理，得到图像块示例集；所述图像块示例集包含至少两个目标图像块示例；
依据所述至少两个视觉设计图像样例之间的联系性生成图像联系知识关系网；
依据所述至少两个视觉设计图像样例和所述至少两个目标图像块示例之间的分布关联特征生成分布知识关系网；
依据所述至少两个目标图像块示例之间的联系性生成图像块关系网；
依据所述图像联系知识关系网、所述分布知识关系网以及所述图像块关系网，确定与所述推广场景相关联的描述衍生参考信息。
在一些可能的示例中，所述依据所述图像联系知识关系网、所述分布知识关系网以及所述图像块关系网，确定与所述推广场景相关联的描述衍生参考信息，包括：
依据所述图像联系知识关系网以及所述图像块关系网，对所述分布知识关系网进行关系网分团优化，得到图像块分团参考特征；所述图像块分团参考特征包含与所述推广场景相关联的Z个参考图像块特征对应的图像块分团参考变量；Z为正整数；
将满足预设条件的图像块分团参考变量确定为目标图像块分团参考变量，对所述图像块分团参考特征中与所述目标图像块分团参考变量对应的参考图像块特征进行清洗，得到与所述推广场景相关联的描述衍生参考信息。
在一些可能的示例中，还包括：
获得候选视觉设计图像集；所述候选视觉设计图像集包含所述推广场景相关联的候选视觉设计图像；
对所述候选视觉设计图像进行图像描述挖掘，得到候选图像描述向量；
将所述候选图像描述向量拆解成待处理参考图像块特征和先验参考图像块特征；所述待处理参考图像块特征不属于所述描述衍生参考信息中的参考图像块特征；所述先验参考图像块特征属于所述描述衍生参考信息中的参考图像块特征；
依据所述待处理参考图像块特征和所述先验参考图像块特征优化所述描述衍生参考信息。
在一些可能的示例中，所述依据所述待处理参考图像块特征和所述先验参考图像块特征优化所述描述衍生参考信息，包括：
依据所述描述衍生参考信息中包含所述先验参考图像块特征的特征簇，确定所述待处理参考图像块特征的分团优化决策数据；
依据所述分团优化决策数据优化所述描述衍生参考信息。
在一些可能的示例中，所述设定要求为两个描述向量之间的相关性系数小于设定相关性系数的条件；所述方法还包括：
结合所述视觉设计图像样例集对所述描述衍生参考信息进行第一下采样处理，得到整体化设计要素向量；
基于每个视觉设计图像样例分别对所述描述衍生参考信息进行第二下采样处理，得到每个视觉设计图像样例分别对应的区域化设计要素向量；
确定所述整体化设计要素向量分别和每个区域化设计要素向量之间的相关性系数；
将所述相关性系数小于所述设定相关性系数的区域化设计要素向量确定为目标区域化设计要素向量，对所述目标区域化设计要素向量进行向量加权，得到所述页面显著性加持向量。
在一些可能的示例中，所述方法通过第一通用图像推广分析网络和第二图像推广分析网络实施，所述第一通用图像推广分析网络和所述第二图像推广分析网络的调试步骤包括：
获得至少两个在线推广任务示例的视觉设计图像样例，对所述视觉设计图像样例进行图像描述挖掘，得到图像描述向量样例；所述至少两个在线推广任务示例的推广场景相同；
依据描述衍生参考信息对所述图像描述向量样例进行图像描述衍生，得到所述视觉设计图像样例对应的图像描述衍生向量样例；所述描述衍生参考信息是结合所述视觉设计图像样例集生成的；
通过第一通用图像推广分析网络对所述图像描述衍生向量样例进行第一推广点击分析操作，得到第一图像推广点击指数样例；
依据所述图像描述向量样例和页面显著性加持向量，生成所述视觉设计图像样例对应的联动图像输出向量样例，通过第二通用图像推广分析网络对所述联动图像输出向量样例进行第二推广点击分析操作，得到第二图像推广点击指数样例；
所述页面显著性加持向量是结合所述视觉设计图像样例集中的目标视觉设计图像样例生成的，所述目标视觉设计图像样例与所述视觉设计图像样例集之间满足设定要求；
对所述第一图像推广点击指数样例和所述第二图像推广点击指数样例进行求和操作，得到全局图像推广点击指数样例；
结合所述全局图像推广点击指数样例对所述第一通用图像推广分析网络进行调试，得到第一图像推广分析网络；
结合所述全局图像推广点击指数样例对所述第二通用图像推广分析网络进行调试，得到第二图像推广分析网络。
第二方面，本发明实施例还提供了一种AI图像分析系统，包括处理引擎、网络模块和存储器，所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎用于从所述存储器中读取计算机程序并运行，以实现上述的方法。
第三方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序运行时实现上述的方法。
在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前发明中的特征可以被实现和获得。
本发明实施例在获得在线推广任务相关联的待分析视觉设计图像后，然后获得该待分析视觉设计图像对应的图像描述向量，再依据描述衍生参考信息对图像描述向量进行图像描述衍生，得到待分析视觉设计图像对应的衍生描述向量，再基于衍生描述向量进行第一推广点击分析操作，得到第一图像推广点击指数；然后依据图像描述向量和页面显著性加持向量，生成待分析视觉设计图像对应的联动图像输出向量，再对联动图像输出向量进行第二推广点击分析操作，得到第二图像推广点击指数；最后依据第一图像推广点击指数和第二图像推广点击指数，确定在线推广任务对应的图像推广引流结果。其中，描述衍生参考信息是基于在线推广任务的推广场景相关联的视觉设计图像样例集生成的；页面显著性加持向量是基于视觉设计图像样例集中的目标视觉设计图像样例生成的，目标视觉设计图像样例与视觉设计图像样例集之间的相关性系数小于设定相关性系数。
如此设计，通过在先所确定出的描述衍生参考信息对待分析视觉设计图像的图像描述向量进行图像描述衍生，生成衍生描述向量，然后通过在先所确定出的页面显著性加持向量与图像描述向量生成联动图像输出向量，通过衍生描述向量和联动图像输出向量可以尽可能准确定位和输出在线推广任务的视觉设计细节，最后基于衍生描述向量和联动图像输出向量来确定在线推广任务对应的图像推广引流结果，可以提高在线推广任务的推广引流分析的精度和合理性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中参考数字在附图的各个视图中代表相似的机构。
图1是根据本发明的一些实施例所示的一种示例性AI图像分析系统中硬件和软件组成的示意图。
图2是根据本发明的一些实施例所示的一种示例性应用于AI的视觉设计图像分析方法和/或过程的流程图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本发明。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本发明的方面。
这些和其他特性、当前发明披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性，在参照附图进行以下描述的考虑中可能会变得更加明显，所有这些形成本发明的一部分。然而，需要理解清楚的是，附图仅仅是为了说明和描述的目的，并不旨在限制本发明的范围。应当了解的是，这些图纸不是按比例绘制的。然而，应当明确理解的是，附图仅用于说明和描述的目的，并不意图限制本发明的范围。应当知晓的是，这些附图并不依照比例。
本发明中使用流程图说明根据本发明的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
图1是根据本发明的一些实施例所示的一种AI图像分析系统100的结构组成框图，AI图像分析系统100可以包括处理引擎110、网络模块120和存储器130，处理引擎110和存储器130通过网络模块120通信。
处理引擎110可以处理相关的信息和/或数据以执行本发明中描述的一个或多个功能。例如，在一些实施例中，处理引擎110可以包括至少一个处理引擎（例如，单核处理引擎或多核处理器）。仅作为示例，处理引擎110可以包括中央处理单元（Central ProcessingUnit，CPU）、专用集成电路（Application-SpecificIntegrated Circuit，ASIC）、专用指令集处理器（Application-Specific Instruction-set Processor，ASIP）、图形处理单元（GraphicsProcessing Unit，GPU）、物理处理单元（Physics Processing Unit，PPU）、数字信号处理器（DigitalSignal Processor，DSP）、现场可编程门阵列（Field ProgrammableGate Array，FPGA）、可编程逻辑器件（ProgrammableLogic Device，PLD）、控制器、微控制器单元、精简指令集计算机（Reduced Instruction-Set Computer，RISC）、微处理器等或其任意组合。
网络模块120可以促进信息和/或数据的交换。在一些实施例中，网络模块120可以是任何类型的有线或无线网络或其组合。仅作为示例，网络模块120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络（Local Area Network，LAN）、广域网（Wide AreaNetwork，WAN）、无线局域网络（Wireless Local Area Network，WLAN）、城域网（MetropolitanArea Network，MAN）、公用电话交换网（Public Telephone SwitchedNetwork，PSTN）、蓝牙网络、无线个域网络、近场通讯（Near FieldCommunication，NFC）网络等或上述举例的任意组合。在一些实施例中，网络模块120可以包括至少一个网络接入点。例如，网络模块120可以包括有线或无线网路接入点，如基站和/或网路接入点。
存储器130可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read OnlyMemory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。其中，存储器130用于存储程序，所述处理引擎110在接收到执行指令后，执行所述程序。
可以理解，图1所示的结构仅为示意，AI图像分析系统100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
图2是根据本发明的一些实施例所示的一种示例性应用于AI的视觉设计图像分析方法和/或过程的流程图，应用于AI的视觉设计图像分析方法应用于图1中的AI图像分析系统100，进一步可以包括S1-S5。
S1、获得在线推广任务相关联的待分析视觉设计图像，对所述待分析视觉设计图像进行图像描述挖掘，得到图像描述向量。
在本发明实施例中，在线推广任务可以是电子商务系统向AI图像分析系统上传的针对某一产品的推广请求，比如针对一款APP的推广请求，又比如针对某一网页的推广请求等，在此不做限定。
进一步地，待分析视觉设计图像可以是针对在线推广任务所设计生成的用于呈现给用户的图像信息，待分析视觉设计图像可以用于吸引用户的注意，从而达到推广效果。基于此，图像描述挖掘可以理解为图像特征的提取，所得到的图像描述向量可以理解为图像特征。
S2、依据描述衍生参考信息对所述图像描述向量进行图像描述衍生，得到所述待分析视觉设计图像对应的衍生描述向量。
其中，所述描述衍生参考信息是结合所述在线推广任务的推广场景相关联的视觉设计图像样例集生成的。
进一步地，图像描述衍生可以立即为针对图像描述向量的扩展处理，这样可以得到衍生描述向量（也即已扩展的图像特征）。由于描述衍生参考信息是基于在线推广任务的推广场景相关联的视觉设计图像样例集生成的，因而可以保障衍生描述向量与在线推广任务之间的适配性和关联性。
举例而言，视觉设计图像样例集可以理解为视觉设计图像的样本集合，描述衍生参考信息可以理解为特征空间，进一步可以理解为针对图像块所构建的类别特征空间，如此一来，在进行图像描述衍生时，能够保障衍生处理的准确性和平滑性，减少图像特征的跳变。
S3、对所述衍生描述向量进行第一推广点击分析操作，得到第一图像推广点击指数。
在本发明实施例中，第一推广点击分析操作用于预测待分析视觉设计图像在呈现给用户之后的点击率，也即预测待分析视觉设计图像对用户的吸引程度，第一推广点击分析操作基于衍生描述向量实现，因而还可以理解为基于扩展特征层面的点击预测处理。
S4、依据所述图像描述向量和页面显著性加持向量，生成所述待分析视觉设计图像对应的联动图像输出向量，对所述联动图像输出向量进行第二推广点击分析操作，得到第二图像推广点击指数。
其中，所述页面显著性加持向量是结合所述视觉设计图像样例集中的目标视觉设计图像样例生成的，所述目标视觉设计图像样例与所述视觉设计图像样例集之间满足设定要求。比如，目标视觉设计图像样例与所述视觉设计图像样例集具有一定的相关性，但是相关性不强。进一步地，页面显著性加持向量用于表征待分析视觉设计图像在呈现过程中（比如在页面窗口的呈现过程中）的显著性，页面显著性加持向量可以为待分析视觉设计图像的推广和引流提供一定贡献，因此加持向量也可以作贡献向量理解。此外，联动图像输出向量是图像描述向量和页面显著性加持向量的融合结果，因此针对联动图像输出向量的第二推广点击分析操作也可以理解为针对融合特征的点击预测处理，得到的第二图像推广点击指数是基于融合特征层面的点击预测结果。
S5、依据所述第一图像推广点击指数和所述第二图像推广点击指数，确定所述在线推广任务对应的图像推广引流结果。
在本发明实施例中，第一图像推广点击指数为基于扩展特征层面的点击预测，第二图像推广点击指数为基于融合特征层面的点击预测结果，通过综合不同层面下的图像推广点击指数，能够准确合理地预测在线推广任务的待分析视觉设计图像在呈现给用户之后的点击情况，从而得到准确可靠的图像推广引流结果，以便通过图像推广引流结果反向调整和优化待分析视觉设计图像。
可见，应用S1-S5，通过在先所确定出的描述衍生参考信息对待分析视觉设计图像的图像描述向量进行图像描述衍生，生成衍生描述向量，然后通过在先所确定出的页面显著性加持向量与图像描述向量生成联动图像输出向量，通过衍生描述向量和联动图像输出向量可以尽可能准确定位和输出在线推广任务的视觉设计细节，最后基于衍生描述向量和联动图像输出向量来确定在线推广任务对应的图像推广引流结果，可以提高在线推广任务的推广引流分析的精度和合理性。
在一些可能的示例中，S1中的获得在线推广任务相关联的待分析视觉设计图像，对所述待分析视觉设计图像进行图像描述挖掘，得到图像描述向量，包括S11-S14。
S11、获得在线推广任务相关联的待分析视觉设计图像，对所述待分析视觉设计图像进行图像块拆分，得到一个或多个图像块。
其中，图像块拆分可以实现待分析视觉设计图像的分治化处理，从而避免直接对待分析视觉设计图像进行处理带来的过渡资源开销。
S12、对所述一个或多个图像块中的噪声图像块进行清洗，得到非噪声图像块。
其中，噪声图像块可以理解为无效图像块或者对推广起不到贡献作用的图像块。比如一些大面积的、边缘的单一背景图像块。而非噪声图像块可以理解为有效图像块或者对推广可以起到贡献作用的图像块。
S13、对所述非噪声图像块进行精简操作，得到目标图像块。
其中，精简操作可以理解为图像块去重，这样可以保障目标图像块的区分度，避免目标图像块中混杂重复的图像块造成的处理效率低下。
S14、生成所述目标图像块对应的图像编码，依据所述目标图像块对应的图像编码生成所述待分析视觉设计图像对应的图像描述向量。
在本发明实施例中，目标图像块对应的图像编码可以通过编码器对图像块进行编码得到，因此图像编码也可以理解为图像特征。而在得到图像编码之后，可以在图像编码的基础上进行特征添加从而得到图像描述向量，添加的特征包括但不限于图像块的分布特征、图像块的贡献权重配置特征等。其中，贡献权重配置特征可以由本领域技术人员根据实际情况进行设置，在此不作限定。
可见，基于S11-S14，在确定待分析视觉设计图像对应的图像描述向量时，是基于对待分析视觉设计图像进行图像分块处理之后的图像块所得到的，期间还引入了噪声清洗过滤和重复内容消除的过程，这样可以保障得到的图像描述向量的特征表现性能。
在一些示例下，所述描述衍生参考信息包括X个参考图像块特征，X为正整数。基于此，S2所适应性描述的依据所述在线推广任务的推广场景相关联的描述衍生参考信息，对所述图像描述向量进行图像描述衍生，得到所述待分析视觉设计图像对应的衍生描述向量，包括S21和S22。
S21、依据所述描述衍生参考信息分别确定所述X个参考图像块特征和所述图像描述向量的细节联系权重。
在本发明实施例中，细节联系权重用于反映参考图像块特征和图像描述向量之间的图像特征相关度。
S22、依据所述细节联系权重对所述X个参考图像块特征进行整理，从整理后的X个参考图像块特征中按序挑选Y个参考图像块特征，将所述Y个参考图像块特征增添到所述图像描述向量，得到所述待分析视觉设计图像对应的衍生描述向量。
其中，Y为小于X的正整数。进一步地，通过对X个参考图像块特征进行整理排序，可以按照细节联系权重降序的顺序选择高细节联系权重对应的参考图像块特征添加到图像描述向量中，从而尽量避免衍生描述向量在特征衍生扩展过程中的跳变误差。
在一些实施例下，S3所描述的对所述衍生描述向量进行第一推广点击分析操作，得到第一图像推广点击指数，包括S31-S35。
S31、获得第一图像推广分析网络。
其中，所述第一图像推广分析网络包含描述提炼子网、描述聚合子网、描述调整子网和点击推演子网。
进一步地，第一图像推广分析网络可以是决策树模型，描述提炼子网、描述聚合子网、描述调整子网和点击推演子网分别可以理解为特征挖掘层、特征聚合层、特征激活层以及点击预测层。本发明实施例对第一图像推广分析网络的具体配置不作限制，本领域技术人员可以根据实际需求灵活调整，只要能够满足本发明实施例的需求即可。
S32、通过所述描述提炼子网对所述衍生描述向量进行描述挖掘操作，得到图像描述提炼向量。
S33、通过所述描述聚合子网对所述图像描述提炼向量进行特征聚合操作，得到图像描述聚合向量。
S34、通过所述描述调整子网对所述图像描述聚合向量进行描述调整操作，得到图像描述调整向量。
S35、通过所述点击推演子网对所述图像描述调整向量进行点击指数推演操作，得到第一图像推广点击指数。
可见，应用S31-S35，能够基于级联的描述提炼子网、描述聚合子网、描述调整子网以及点击推演子网分别执行描述挖掘操作、特征聚合操作、描述调整操作以及点击指数推演操作，从而可以准确、高效地预测得到第一图像推广点击指数。
在另一些实施例下，S4中的依据所述图像描述向量和页面显著性加持向量，生成所述待分析视觉设计图像对应的联动图像输出向量，对所述联动图像输出向量进行第二推广点击分析操作，得到第二图像推广点击指数，包括S41-S43。
S41、通过第二图像推广分析网络中的描述提炼子网和特征混淆子网对所述图像描述向量进行细节分类操作，得到所述待分析视觉设计图像对应的细节分类特征。
在本发明实施例中，特征混淆子网可以理解为特征交互层，待分析视觉设计图像对应的细节分类特征可以理解为图像语义特征。
S42、将所述细节分类特征和所述页面显著性加持向量，按照预设规则进行加权操作，得到所述待分析视觉设计图像对应的联动图像输出向量。
在本发明实施例中，按照预设规则进行加权操作可以理解为按行进行特征/向量拼接，从而得到联动图像输出向量。
S43、通过所述第二图像推广分析网络中的点击推演子网对所述联动图像输出向量进行点击指数推演操作，得到第二图像推广点击指数。
可见，应用S41-S43，可以结合描述提炼子网和特征混淆子网实现图像描述向量的细节分类操作，从而得到细节分类特征，然后基于细节分类特征和页面显著性加持向量的加权操作，能够确保联动图像输出向量对不同图像细节的表征能力，避免联动图像输出向量出现特征泛化，这样一来，通过第二图像推广分析网络中的点击推演子网对联动图像输出向量进行点击指数推演操作，能够保障第二图像推广点击指数的准确性和可靠性。
在一些示例性实施例中，S5中的依据所述第一图像推广点击指数和所述第二图像推广点击指数，确定所述在线推广任务对应的图像推广引流结果，包括S51-S53。
S51、对所述第一图像推广点击指数和所述第二图像推广点击指数进行求和操作，得到全局图像推广点击指数。
其中，可以对第一图像推广点击指数和第二图像推广点击指数进行加权平均处理，从而得到整体层面的图像推广点击指数（也即全局图像推广点击指数）。
举例而言，如果当前推广场景偏向推广范围，则可以增加第一图像推广点击指数的权重，如果当前推广场景偏向推广精度，则可以增加第二图像推广点击指数的权重。当然，本领域技术人员也可以根据实际需求调节第一图像推广点击指数和第二图像推广点击指数的权重。
S52、如果所述全局图像推广点击指数不小于推广热力限值，则确定所述在线推广任务对应的图像推广引流结果为引流成功。
S53、如果所述全局图像推广点击指数小于所述推广热力限值，则确定所述在线推广任务对应的图像推广引流结果为引流失败。
在本发明实施例中，推广热力限值是预先设置的引流判定标准，如果全局图像推广点击指数大于等于推广热力限值，则表明图像推广引流结果是达到了吸引用户的目的的，因而可以确定图像推广引流结果为引流成功，否则，确定图像推广引流结果为引流失败。如果图像推广引流结果为引流失败，可以反向更新和优化待分析视觉设计图像，从而在推广测试阶段保障推广预测的效果。
在一些可独立的实施例中，该方法还包括步骤100-步骤600。
步骤100、获得视觉设计图像样例集。
其中，所述视觉设计图像样例集包含至少两个在线推广任务示例的视觉设计图像样例。所述至少两个在线推广任务示例的推广场景和所述在线推广任务的推广场景相同；
步骤200、对至少两个视觉设计图像样例进行图像块清洗处理，得到图像块示例集。
其中，所述图像块示例集包含至少两个目标图像块示例；
步骤300、依据所述至少两个视觉设计图像样例之间的联系性生成图像联系知识关系网。
在本发明实施例中，视觉设计图像样例之间的联系性可以理解为视觉设计图像样例之间的联系强度，图像联系知识关系网是以特征矩阵形式来记录视觉设计图像样例之间的语义联系的信息。
步骤400、依据所述至少两个视觉设计图像样例和所述至少两个目标图像块示例之间的分布关联特征生成分布知识关系网。
进一步地，目标图像块示例之间的分布关联特征可以理解为目标图像块示例之间的相对位置关系，基于此，可以得到反映目标图像块示例的分布特征的矩阵（也即分布知识关系网）。
步骤500、依据所述至少两个目标图像块示例之间的联系性生成图像块关系网。
此外，图像块关系网可以反映目标图像块示例之间的图像块描述特征的联系，图像块关系网也可以作关联矩阵理解。
步骤600、依据所述图像联系知识关系网、所述分布知识关系网以及所述图像块关系网，确定与所述推广场景相关联的描述衍生参考信息。
可见，应用步骤100-步骤600，能够结合视觉设计图像样例之间的语义联系、相对位置关系以及图像块描述特征的联系来生成描述衍生参考信息，从而保障描述衍生参考信息的全面性和适配性。
在一些可能的实施例中，步骤600所描述的依据所述图像联系知识关系网、所述分布知识关系网以及所述图像块关系网，确定与所述推广场景相关联的描述衍生参考信息，包括步骤610和步骤620。
步骤610、依据所述图像联系知识关系网以及所述图像块关系网，对所述分布知识关系网进行关系网分团优化，得到图像块分团参考特征。
其中，所述图像块分团参考特征包含与所述推广场景相关联的Z个参考图像块特征对应的图像块分团参考变量，Z为正整数。进一步地，图像块分团参考特征用于指导图像块的分团聚类处理，图像块分团参考特征可以通过特征矩阵的形式进行记录，而图像块分团参考变量可以理解为用于指导图像块分团聚类处理的权重值。
步骤620、将满足预设条件的图像块分团参考变量确定为目标图像块分团参考变量，对所述图像块分团参考特征中与所述目标图像块分团参考变量对应的参考图像块特征进行清洗，得到与所述推广场景相关联的描述衍生参考信息。
在本发明实施例中，预设条件可以理解为平均分布条件，在确定了目标图像块分团参考变量的基础上，通过对图像块分团参考特征中与目标图像块分团参考变量对应的参考图像块特征进行清洗，能够实现对描述衍生参考信息的去重处理，提高描述衍生参考信息的特征精简性。
在上述相关内容的基础上，该还包括step001-step004。
step001、获得候选视觉设计图像集。
其中，所述候选视觉设计图像集包含所述推广场景相关联的候选视觉设计图像。进一步地，候选视觉设计图像可以理解为用于进行补充的视觉设计图像。
step002、对所述候选视觉设计图像进行图像描述挖掘，得到候选图像描述向量。
step003、将所述候选图像描述向量拆解成待处理参考图像块特征和先验参考图像块特征。
其中，所述待处理参考图像块特征不属于所述描述衍生参考信息中的参考图像块特征；所述先验参考图像块特征属于所述描述衍生参考信息中的参考图像块特征。进一步地，待处理参考图像块特征可以理解为待更新的参考图像块特征，先验参考图像块特征可以理解为已知的参考图像块特征。
step004、依据所述待处理参考图像块特征和所述先验参考图像块特征优化所述描述衍生参考信息。
可见，应用step001-step004，能够结合待处理参考图像块特征以及先验参考图像块特征实现对描述衍生参考信息的更新，从而确保描述衍生参考信息的准确性、全面性和实时性。
在一些设计思路下，step004中的依据所述待处理参考图像块特征和所述先验参考图像块特征优化所述描述衍生参考信息，包括step0041和step0042。
step0041、依据所述描述衍生参考信息中包含所述先验参考图像块特征的特征簇，确定所述待处理参考图像块特征的分团优化决策数据。
在本发明实施例中，描述衍生参考信息中包含所述先验参考图像块特征的特征簇可以理解为描述衍生参考信息中包含所述先验参考图像块特征的特征子集。且分团优化决策数据可以理解为用于进行更新处理和聚类处理的指导特征，可以通过特征矩阵的形式进行表示。
step0042、依据所述分团优化决策数据优化所述描述衍生参考信息。
可见，应用于step0041和step0042，可以利用分团优化决策数据对描述衍生参考信息进行更新，从而在更新过程中考虑不同特征之间的聚类，避免更新处理造成特征聚类出现异常。
在一些示例中，所述设定要求为两个描述向量之间的相关性系数小于设定相关性系数的条件。在此基础上，所述方法还包括步骤（1）-步骤（4）。
步骤（1）、结合所述视觉设计图像样例集对所述描述衍生参考信息进行第一下采样处理，得到整体化设计要素向量。
其中，第一下采样处理可以理解为整体层面的压缩处理，因而得到的整体化设计要素向量可以反映描述衍生参考信息在整体层面下的图像设计要素的类别特征向量。
步骤（2）、基于每个视觉设计图像样例分别对所述描述衍生参考信息进行第二下采样处理，得到每个视觉设计图像样例分别对应的区域化设计要素向量。
其中，第二下采样处理可以理解为局部层面的压缩处理，因而得到的区域化设计要素向量可以反映描述衍生参考信息在局部层面下的图像设计要素的类别特征向量。
步骤（3）、确定所述整体化设计要素向量分别和每个区域化设计要素向量之间的相关性系数。
其中，相关性系数可以是皮尔森相关性系数，也可以通过余弦相似度来计算，本领域技术人员可以根据实际情况进行选择。
步骤（4）、将所述相关性系数小于所述设定相关性系数的区域化设计要素向量确定为目标区域化设计要素向量，对所述目标区域化设计要素向量进行向量加权，得到所述页面显著性加持向量。
在本发明实施例中，目标区域化设计要素向量所对应的相关性系数小于设定相关性系数，则表明目标区域化设计要素向量的区域个性较为显著，在此基础上，通过对目标区域化设计要素向量进行向量加权（也即特征融合），可以得到特征识别度和个性化程度较高的页面显著性加持向量。
在一些可独立实施的设计思路下，上述方法通过第一通用图像推广分析网络和第二图像推广分析网络实施，所述第一通用图像推广分析网络和所述第二图像推广分析网络的调试步骤包括步骤一至步骤七。
步骤一、获得至少两个在线推广任务示例的视觉设计图像样例，对所述视觉设计图像样例进行图像描述挖掘，得到图像描述向量样例。
其中，所述至少两个在线推广任务示例的推广场景相同。
步骤二、依据描述衍生参考信息对所述图像描述向量样例进行图像描述衍生，得到所述视觉设计图像样例对应的图像描述衍生向量样例。
其中，所述描述衍生参考信息是结合所述视觉设计图像样例集生成的。
步骤三、通过第一通用图像推广分析网络对所述图像描述衍生向量样例进行第一推广点击分析操作，得到第一图像推广点击指数样例；
步骤四、依据所述图像描述向量样例和页面显著性加持向量，生成所述视觉设计图像样例对应的联动图像输出向量样例，通过第二通用图像推广分析网络对所述联动图像输出向量样例进行第二推广点击分析操作，得到第二图像推广点击指数样例。
其中，所述页面显著性加持向量是结合所述视觉设计图像样例集中的目标视觉设计图像样例生成的，所述目标视觉设计图像样例与所述视觉设计图像样例集之间满足设定要求。
步骤五、对所述第一图像推广点击指数样例和所述第二图像推广点击指数样例进行求和操作，得到全局图像推广点击指数样例。
步骤六、结合所述全局图像推广点击指数样例对所述第一通用图像推广分析网络进行调试，得到第一图像推广分析网络。
步骤七、结合所述全局图像推广点击指数样例对所述第二通用图像推广分析网络进行调试，得到第二图像推广分析网络。
可见，应用于步骤一至步骤七，能够实现对第一图像推广分析网络和第二图像推广分析网络的联合调试，也即基于全局图像推广点击指数样例实现调试处理，这样可以考虑第一图像推广分析网络和第二图像推广分析网络之间的配合，从而提高不同图像推广分析网络的调试效果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅作为示例，而并不构成对本发明的限定。虽然此处并没有明确说明，本领域技术人员可以对本发明进行各种修改、改进和修正。该类修改、改进和修正在本发明中被建议，所以该类修改、改进、修正仍属于本发明示范实施例的精神和范围。
同时，本发明使用了特定术语来描述本发明的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本发明至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本发明的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。
另外，本领域普通技术人员可以理解的是，本发明的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们任何新的和有用的改进。相应地，本发明的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“系统”。此外，本发明的各方面可以表现为位于至少一个计算机可读介质中的计算机产品，所述产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤缆线、RF、或类似介质、或任何上述介质的组合。
本发明各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写，包括面向对象程序设计，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET，Python等，或类似的常规程序编程语言，如C编程语言，Visual Basic，Fortran2003，Perl，COBOL 2002，PHP，ABAP，动态编程语言如Python，Ruby和Groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网络（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。
此外，除非申请专利范围中明确说明，本发明所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用，并非用于限定本发明流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的申请专利范围并不仅限于披露的实施例，相反，申请专利范围旨在覆盖所有符合本发明实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件装置实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或行动装置上安装所描述的系统。
同样应当理解的是，为了简化本发明揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本发明实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本发明对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (10)
1.一种应用于AI的视觉设计图像分析方法，其特征在于，应用于AI图像分析系统，所述方法包括：
获得在线推广任务相关联的待分析视觉设计图像，对所述待分析视觉设计图像进行图像描述挖掘，得到图像描述向量；
依据描述衍生参考信息对所述图像描述向量进行图像描述衍生，得到所述待分析视觉设计图像对应的衍生描述向量；其中，所述描述衍生参考信息是结合所述在线推广任务的推广场景相关联的视觉设计图像样例集生成的；
对所述衍生描述向量进行第一推广点击分析操作，得到第一图像推广点击指数；以及依据所述图像描述向量和页面显著性加持向量，生成所述待分析视觉设计图像对应的联动图像输出向量，对所述联动图像输出向量进行第二推广点击分析操作，得到第二图像推广点击指数；所述页面显著性加持向量是结合所述视觉设计图像样例集中的目标视觉设计图像样例生成的，所述目标视觉设计图像样例与所述视觉设计图像样例集之间满足设定要求；
依据所述第一图像推广点击指数和所述第二图像推广点击指数，确定所述在线推广任务对应的图像推广引流结果。
2.如权利要求1所述的方法，其特征在于，所述获得在线推广任务相关联的待分析视觉设计图像，对所述待分析视觉设计图像进行图像描述挖掘，得到图像描述向量，包括：
获得在线推广任务相关联的待分析视觉设计图像，对所述待分析视觉设计图像进行图像块拆分，得到一个或多个图像块；
对所述一个或多个图像块中的噪声图像块进行清洗，得到非噪声图像块；
对所述非噪声图像块进行精简操作，得到目标图像块；
生成所述目标图像块对应的图像编码，依据所述目标图像块对应的图像编码生成所述待分析视觉设计图像对应的图像描述向量。
3.如权利要求1所述的方法，其特征在于，所述描述衍生参考信息包括X个参考图像块特征；X为正整数；
依据所述在线推广任务的推广场景相关联的描述衍生参考信息，对所述图像描述向量进行图像描述衍生，得到所述待分析视觉设计图像对应的衍生描述向量，包括：
依据所述描述衍生参考信息分别确定所述X个参考图像块特征和所述图像描述向量的细节联系权重；
依据所述细节联系权重对所述X个参考图像块特征进行整理，从整理后的X个参考图像块特征中按序挑选Y个参考图像块特征，将所述Y个参考图像块特征增添到所述图像描述向量，得到所述待分析视觉设计图像对应的衍生描述向量；Y为小于X的正整数。
4.如权利要求1所述的方法，其特征在于，所述对所述衍生描述向量进行第一推广点击分析操作，得到第一图像推广点击指数，包括：
获得第一图像推广分析网络；所述第一图像推广分析网络包含描述提炼子网、描述聚合子网、描述调整子网和点击推演子网；
通过所述描述提炼子网对所述衍生描述向量进行描述挖掘操作，得到图像描述提炼向量；
通过所述描述聚合子网对所述图像描述提炼向量进行特征聚合操作，得到图像描述聚合向量；
通过所述描述调整子网对所述图像描述聚合向量进行描述调整操作，得到图像描述调整向量；
通过所述点击推演子网对所述图像描述调整向量进行点击指数推演操作，得到第一图像推广点击指数。
5.如权利要求1所述的方法，其特征在于，所述依据所述图像描述向量和页面显著性加持向量，生成所述待分析视觉设计图像对应的联动图像输出向量，对所述联动图像输出向量进行第二推广点击分析操作，得到第二图像推广点击指数，包括：
通过第二图像推广分析网络中的描述提炼子网和特征混淆子网对所述图像描述向量进行细节分类操作，得到所述待分析视觉设计图像对应的细节分类特征；
将所述细节分类特征和所述页面显著性加持向量，按照预设规则进行加权操作，得到所述待分析视觉设计图像对应的联动图像输出向量；
通过所述第二图像推广分析网络中的点击推演子网对所述联动图像输出向量进行点击指数推演操作，得到第二图像推广点击指数。
6.如权利要求1所述的方法，其特征在于，所述依据所述第一图像推广点击指数和所述第二图像推广点击指数，确定所述在线推广任务对应的图像推广引流结果，包括：
对所述第一图像推广点击指数和所述第二图像推广点击指数进行求和操作，得到全局图像推广点击指数；
如果所述全局图像推广点击指数不小于推广热力限值，则确定所述在线推广任务对应的图像推广引流结果为引流成功；
如果所述全局图像推广点击指数小于所述推广热力限值，则确定所述在线推广任务对应的图像推广引流结果为引流失败。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
获得视觉设计图像样例集；所述视觉设计图像样例集包含至少两个在线推广任务示例的视觉设计图像样例；所述至少两个在线推广任务示例的推广场景和所述在线推广任务的推广场景相同；
对至少两个视觉设计图像样例进行图像块清洗处理，得到图像块示例集；所述图像块示例集包含至少两个目标图像块示例；
依据所述至少两个视觉设计图像样例之间的联系性生成图像联系知识关系网；
依据所述至少两个视觉设计图像样例和所述至少两个目标图像块示例之间的分布关联特征生成分布知识关系网；
依据所述至少两个目标图像块示例之间的联系性生成图像块关系网；
依据所述图像联系知识关系网、所述分布知识关系网以及所述图像块关系网，确定与所述推广场景相关联的描述衍生参考信息；
其中，所述依据所述图像联系知识关系网、所述分布知识关系网以及所述图像块关系网，确定与所述推广场景相关联的描述衍生参考信息，包括：依据所述图像联系知识关系网以及所述图像块关系网，对所述分布知识关系网进行关系网分团优化，得到图像块分团参考特征；所述图像块分团参考特征包含与所述推广场景相关联的Z个参考图像块特征对应的图像块分团参考变量；Z为正整数；将满足预设条件的图像块分团参考变量确定为目标图像块分团参考变量，对所述图像块分团参考特征中与所述目标图像块分团参考变量对应的参考图像块特征进行清洗，得到与所述推广场景相关联的描述衍生参考信息；
其中，所述方法还包括：获得候选视觉设计图像集；所述候选视觉设计图像集包含所述推广场景相关联的候选视觉设计图像；对所述候选视觉设计图像进行图像描述挖掘，得到候选图像描述向量；将所述候选图像描述向量拆解成待处理参考图像块特征和先验参考图像块特征；所述待处理参考图像块特征不属于所述描述衍生参考信息中的参考图像块特征；所述先验参考图像块特征属于所述描述衍生参考信息中的参考图像块特征；依据所述待处理参考图像块特征和所述先验参考图像块特征优化所述描述衍生参考信息；
其中，所述依据所述待处理参考图像块特征和所述先验参考图像块特征优化所述描述衍生参考信息，包括：依据所述描述衍生参考信息中包含所述先验参考图像块特征的特征簇，确定所述待处理参考图像块特征的分团优化决策数据；依据所述分团优化决策数据优化所述描述衍生参考信息。
8.如权利要求7所述的方法，其特征在于，所述设定要求为两个描述向量之间的相关性系数小于设定相关性系数的条件；所述方法还包括：
结合所述视觉设计图像样例集对所述描述衍生参考信息进行第一下采样处理，得到整体化设计要素向量；
基于每个视觉设计图像样例分别对所述描述衍生参考信息进行第二下采样处理，得到每个视觉设计图像样例分别对应的区域化设计要素向量；
确定所述整体化设计要素向量分别和每个区域化设计要素向量之间的相关性系数；
将所述相关性系数小于所述设定相关性系数的区域化设计要素向量确定为目标区域化设计要素向量，对所述目标区域化设计要素向量进行向量加权，得到所述页面显著性加持向量。
9.如权利要求1所述的方法，其特征在于，所述方法通过第一通用图像推广分析网络和第二图像推广分析网络实施，所述第一通用图像推广分析网络和所述第二图像推广分析网络的调试步骤包括：
获得至少两个在线推广任务示例的视觉设计图像样例，对所述视觉设计图像样例进行图像描述挖掘，得到图像描述向量样例；所述至少两个在线推广任务示例的推广场景相同；
依据描述衍生参考信息对所述图像描述向量样例进行图像描述衍生，得到所述视觉设计图像样例对应的图像描述衍生向量样例；所述描述衍生参考信息是结合所述视觉设计图像样例集生成的；
通过第一通用图像推广分析网络对所述图像描述衍生向量样例进行第一推广点击分析操作，得到第一图像推广点击指数样例；
依据所述图像描述向量样例和页面显著性加持向量，生成所述视觉设计图像样例对应的联动图像输出向量样例，通过第二通用图像推广分析网络对所述联动图像输出向量样例进行第二推广点击分析操作，得到第二图像推广点击指数样例；所述页面显著性加持向量是结合所述视觉设计图像样例集中的目标视觉设计图像样例生成的，所述目标视觉设计图像样例与所述视觉设计图像样例集之间满足设定要求；
对所述第一图像推广点击指数样例和所述第二图像推广点击指数样例进行求和操作，得到全局图像推广点击指数样例；
结合所述全局图像推广点击指数样例对所述第一通用图像推广分析网络进行调试，得到第一图像推广分析网络；
结合所述全局图像推广点击指数样例对所述第二通用图像推广分析网络进行调试，得到第二图像推广分析网络。
10.一种AI图像分析系统，其特征在于，包括处理引擎、网络模块和存储器，所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎用于从所述存储器中读取计算机程序并运行，以实现权利要求1-9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310279436.8A CN116030115B (zh) | 2023-03-22 | 2023-03-22 | 应用于ai的视觉设计图像分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310279436.8A CN116030115B (zh) | 2023-03-22 | 2023-03-22 | 应用于ai的视觉设计图像分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116030115A CN116030115A (zh) | 2023-04-28 |
| CN116030115B true CN116030115B (zh) | 2023-06-02 |
Family
ID=86074253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310279436.8A Active CN116030115B (zh) | 2023-03-22 | 2023-03-22 | 应用于ai的视觉设计图像分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116030115B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116386045B (zh) * | 2023-06-01 | 2023-08-08 | 创域智能(常熟)网联科技有限公司 | 基于人工智能的传感器信息分析方法及人工智能平台系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105045907A (zh) * | 2015-08-10 | 2015-11-11 | 北京工业大学 | 一种用于个性化社会图像推荐的视觉注意-标签-用户兴趣树的构建方法 |
| CN106651430A (zh) * | 2016-10-19 | 2017-05-10 | 天津工业大学 | 一种基于视觉注意机制的广告设计客观评价方法 |
| CN108154103A (zh) * | 2017-12-21 | 2018-06-12 | 百度在线网络技术（北京）有限公司 | 检测推广信息显著性的方法、装置、设备和计算机存储介质 |
| CN109255374A (zh) * | 2018-08-27 | 2019-01-22 | 中共中央办公厅电子科技学院 | 一种基于密集卷积网络和多任务网络的美学属性评价方法 |
| CN112181152A (zh) * | 2020-11-13 | 2021-01-05 | 幻蝎科技(武汉)有限公司 | 基于mr眼镜的广告推送管理方法、设备及应用 |
| CN112733044A (zh) * | 2021-03-30 | 2021-04-30 | 腾讯科技（深圳）有限公司 | 推荐图像处理方法、装置、设备及计算机可读存储介质 |
| CN114782711A (zh) * | 2022-06-20 | 2022-07-22 | 四川航天职业技术学院(四川航天高级技工学校) | 一种基于图像识别的智能化风险检测方法及系统 |
| CN115131065A (zh) * | 2022-06-27 | 2022-09-30 | 中电信数智科技有限公司 | 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150046270A1 (en) * | 2013-08-07 | 2015-02-12 | Saper Kocabiyik | System and Method of Using Artificial Intelligence to Valuate Advertisements Embedded Within Images |
| US10740784B2 (en) * | 2015-08-11 | 2020-08-11 | Amazon Technologies, Inc. | System and method for improving image-based advertisement success |
-
2023
- 2023-03-22 CN CN202310279436.8A patent/CN116030115B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105045907A (zh) * | 2015-08-10 | 2015-11-11 | 北京工业大学 | 一种用于个性化社会图像推荐的视觉注意-标签-用户兴趣树的构建方法 |
| CN106651430A (zh) * | 2016-10-19 | 2017-05-10 | 天津工业大学 | 一种基于视觉注意机制的广告设计客观评价方法 |
| CN108154103A (zh) * | 2017-12-21 | 2018-06-12 | 百度在线网络技术（北京）有限公司 | 检测推广信息显著性的方法、装置、设备和计算机存储介质 |
| CN109255374A (zh) * | 2018-08-27 | 2019-01-22 | 中共中央办公厅电子科技学院 | 一种基于密集卷积网络和多任务网络的美学属性评价方法 |
| CN112181152A (zh) * | 2020-11-13 | 2021-01-05 | 幻蝎科技(武汉)有限公司 | 基于mr眼镜的广告推送管理方法、设备及应用 |
| CN112733044A (zh) * | 2021-03-30 | 2021-04-30 | 腾讯科技（深圳）有限公司 | 推荐图像处理方法、装置、设备及计算机可读存储介质 |
| CN114782711A (zh) * | 2022-06-20 | 2022-07-22 | 四川航天职业技术学院(四川航天高级技工学校) | 一种基于图像识别的智能化风险检测方法及系统 |
| CN115131065A (zh) * | 2022-06-27 | 2022-09-30 | 中电信数智科技有限公司 | 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 |
Non-Patent Citations (5)
| Title |
|---|
| Appraisals of salient visual elements in web page design;Silvennoinen J M, Jokinen J P P;《Advances in Human-Computer Interaction》;1-14 * |
| Multimodal discourse: A visual design analysis of two advertising images;Ly T H, Jung C K.;《International Journal of Contents》;第11卷(第2期);50-56 * |
| 产品展示视频自动剪辑方法研究;帅世辉;《中国优秀硕士学位论文全文数据库信息科技辑》(第(2020)08期);I138-629 * |
| 多模态视域下跨境电商网页语篇的意义解析;蔡善文；邓胜立;《佳木斯职业学院学报》(第(2021)09期);60-62 * |
| 浅谈视觉显著性检测及其在网页设计中的应用;张杰琳;;工业设计(第10期);41-42 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116030115A (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112597356B (zh) | 模型训练方法、个性化数据推荐方法、装置及电子设备 | |
| CN114564522B (zh) | 基于区块链和大数据挖掘的智能推送处理方法及系统 | |
| CN116030115B (zh) | 应用于ai的视觉设计图像分析方法及系统 | |
| CN116680689B (zh) | 应用于大数据的安全态势预测方法及系统 | |
| CN113505537A (zh) | 楼宇能耗检测方法、装置、计算机设备和存储介质 | |
| CN114564566A (zh) | 应用云业务联动大数据处理方法及云业务人工智能系统 | |
| CN106407381A (zh) | 一种基于人工智能的推送信息的方法和装置 | |
| CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
| CN115860836A (zh) | 一种基于用户行为大数据分析的电商服务推送方法及系统 | |
| CN111126422B (zh) | 行业模型的建立及行业的确定方法、装置、设备及介质 | |
| CN110543756A (zh) | 设备识别方法、装置、存储介质及电子设备 | |
| CN110348581B (zh) | 用户特征群中用户特征寻优方法、装置、介质及电子设备 | |
| CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
| CN115114329A (zh) | 数据流异常检测的方法、装置、电子设备和存储介质 | |
| CN112953920B (zh) | 一种基于云手机的监控管理方法 | |
| CN113780582B (zh) | 基于机器学习模型的风控特征筛选方法及系统 | |
| US20220405473A1 (en) | Machine learning for training nlp agent | |
| CN114625961A (zh) | 应用于大数据的智能化在线服务推送方法及大数据服务器 | |
| CN114528973A (zh) | 业务处理模型的生成方法、业务处理方法和装置 | |
| CN113596061A (zh) | 基于区块链技术的网络安全漏洞响应方法及系统 | |
| CN111414538A (zh) | 基于人工智能的文本推荐方法、装置及电子设备 | |
| CN109977221B (zh) | 基于大数据的用户验证方法及装置、存储介质、电子设备 | |
| CN116719925A (zh) | 基于工业互联网和大数据的数据采集方法及系统 | |
| CN116777645A (zh) | 一种车险风险预测模型增强调优方法及其相关设备 | |
| CN116993516A (zh) | 一种理赔模型解释优化方法、装置、设备及其存储介质 |
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 |