JP2022522020A - 意味画像検索 - Google Patents
意味画像検索 Download PDFInfo
- Publication number
- JP2022522020A JP2022522020A JP2021550269A JP2021550269A JP2022522020A JP 2022522020 A JP2022522020 A JP 2022522020A JP 2021550269 A JP2021550269 A JP 2021550269A JP 2021550269 A JP2021550269 A JP 2021550269A JP 2022522020 A JP2022522020 A JP 2022522020A
- Authority
- JP
- Japan
- Prior art keywords
- vector
- numerical
- vectors
- image
- word
- 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
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
- G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
-
- 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
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
-
- 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
- G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
-
- 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
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/26—Techniques for post-processing, e.g. correcting the recognition result
- G06V30/262—Techniques for post-processing, e.g. correcting the recognition result using context analysis, e.g. lexical, syntactic or semantic context
- G06V30/274—Syntactic or semantic context, e.g. balancing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
意味(セマンティック)画像検索のためのコンピュータ実施技術が開示される。所与の入力キーワード単位(ここでは「クエリ」と呼ばれることもある)に意味的に関連する画像コンテンツを有するデジタル画像のサブセットは、そのクエリによって画像のサブセットが反転キーワードインデックスでインデックス付けされていない場合であっても、デジタル画像のコーパスから検索する(取り出す)ことができる。これを行うために、画像のコーパスはまず、画像分類器を用いて画像コンテンツクラス(ここでは「カテゴリ」と呼ばれることもある)のセットに分類される。分類の結果、画像のコーパスは、「画像」ベクトルのセットによって表現され、コーパス内の画像ごとに1つの画像ベクトルである。画像のための画像ベクトルは、カテゴリのセット内の各カテゴリについて1つまでの確率値である数値確率値のセットを含む。対応するカテゴリの確率値は、画像分類器に従って、対応するカテゴリに画像が属する確率を反映する。
ベクトル類似度測定値の第2のセットを効率的に計算するために、デジタル画像のコーパスおよび画像分類器によるそれらの分類は、「画像」行列(マトリクス)としてコンピュータ記憶媒体に表すことができる。図1は、本発明の一実施形態による、意味(セマンティック)画像検索をサポートする画像マトリクス100を示す。
前述したように、ラベルのセットは、それぞれのワードベクトルのセットにマッピングされてもよい。それぞれのワードベクトルのセットは、事前にトレーニングされてもよい。例えば、それぞれのワードベクトルのセットは、Common CrawlおよびGloVeに基づいて事前にトレーニングされてもよい。Common Crawlは、commoncrawl.orgドメイン内のインターネット上で利用可能なウェブクロールデータ(例えば、ブログ、ニュース、およびコメント)の公開リポジトリである。GloVeは、単語のベクトル表現を取得するための教師無し学習アルゴリズムである。トレーニングは、例えば、Common Crawlから利用可能なコーパスなどのコーパスからの集約されたグローバル単語-単語共起統計に対して実行され、結果として得られるワードベクトル表現は、ワードベクトル空間の線形部分構造を示す。GloVeに関するさらなる情報は、Jeffrey Pennington, Richard Socher, and Cristopher D. Manning, 2014, "GloVe: Global Vectors for Word Representation"の論文に見出すことができる。
デジタル画像のコーパスの各デジタル画像は、画像分類器によって、M個の異なるカテゴリのうちの1つ以上に割り当てることができる。例えば、M個のカテゴリのセットは、例えば、犬、猫、椅子、猫、アイスクリーム、夕暮れ、屋外、屋内等のような画像に現れ得る視覚的アイテム又は概念のカテゴリに対応し得る。一実施形態では、Mは約25,000である。
次に図4を参照すると、本発明の一実施形態による意味(セマンティック)画像検索のためのオンライン処理400が示されている。処理400は、クエリを取得または受信し、クエリに関連する1つ以上のデジタル画像を識別するコンテキストにおいて「オンライン」で実行されてもよい。
一実施形態では、画像ラベルマトリクスは、画像検索の前にあらかじめ計算され、入力キーワード単位に関連する画像を識別するために画像検索で使用される。これは、画像ラベルマトリクスが疎(スパース)表現にあまり従わないという潜在的な欠点を伴って、画像検索時の計算効率を改善するという利点を提供することができる。
一実施形態では、反転インデックス検索が、画像検索時の計算効率を改善するためにサポートされる。この実施形態では、画像マトリクスに記憶することができる画像ベクトルは、画像コンテンツカテゴリによってキーイングされた反転インデックスのポスティングリストに記憶される。入力キーワードに対して生成された画像マッチベクトルに対しては、画像マッチベクトルの疎(スパース)表現が使用される。疎(スパース)画像マッチベクトルは、全ての画像コンテンツカテゴリのサブセットに対応する非ゼロ要素を有する。画像マッチベクトルの非ゼロ要素に対応する画像コンテンツカテゴリの識別子は、それらの画像コンテンツカテゴリに関連付けられたすべての画像ベクトルをそれらのそれぞれの非ゼロ要素によって効率的に検索するために、反転インデックスへのキーとして使用されてもよい。画像マッチベクトル(非疎(スパース)バージョンまたは疎(スパース)バージョンのいずれか)は、検索された画像ベクトルに対応する画像のランキングスコアを計算するために、それらの検索された画像ベクトルだけに対するベクトル類似度について比較され得る。疎(スパース)画像マッチングベクトル及び反転インデックスを用いたベクトル類似度に対する比較回数は、画像マトリクス内の全ての画像ベクトルに対して、画像マッチベクトルをベクトル類似度に対して比較した場合よりも実質的に少なくてよく、これにより、画像検索時間における計算効率が向上する。
一実施形態では、非英語意味(セマンティック)画像検索が、減少した追加のコンピュータ記憶媒体オーバヘッドでサポートされる。具体的には、非英語ターゲット言語(例えば、中国語、日本語、ドイツ語など)に対して追加のラベルマトリクスが生成され、ここで、英語ラベルマトリクスのラベルのセットがターゲット言語ラベルのセットに翻訳され、ターゲット言語ラベルのセットに対するワードベクトルがターゲット言語に対する埋め込み関数に基づいて取得される。ターゲットラベルマトリクスは、ターゲット言語ラベルのセットに対するワードベクトルを含む。ターゲット言語における入力キーワード単位は、英語ラベルマトリクスの代わりにターゲット言語ラベルマトリクスを使用することを除いて英語入力キーワード単位又は複数の単位のように処理することができる。また、入力キーワード単位又は複数の単位はターゲット言語であるため、ターゲット言語に対する埋め込み関数に従ってワードベクトル表現に変換される。画像マトリクスによって表される画像のための画像内容カテゴリは両方の言語に対して同じであるので、ターゲット言語をサポートするために追加の画像マトリクスを格納する必要はないことに留意されたい。英語の場合と同様に、ターゲット言語ラベルのセットのためのワードベクトルは、ターゲット言語のための埋め込み関数によって生成された事前にトレーニングされたワードベクトルのセットから得ることができる。英語ラベルのセットは、異なる言語ペア間でテキストを翻訳するように構成された自然言語機械翻訳器を使用して、ラベルごとにターゲット言語ラベルのセットに翻訳することができる。
一実施形態では、意味(セマンティック)画像検索技術を使用して、検索結果としてユーザのキーワード単位クエリに返す画像を識別する。キーワード単位クエリは、例えば、クエリ「poodle」、「poodle beach」、または「poodle on beach」のような1つ以上のキーワード単位を有することができる。例えば、オンラインコンテンツ管理システムは、例えば、ウェブブラウザアプリケーションまたはモバイルアプリケーションなどにおいて、ユーザのパーソナルコンピューティングデバイスにおいて、ユーザにグラフィカルユーザインタフェースを提示することができる。グラフィカルユーザインタフェースは、オンラインコンテンツ管理システムにキーワード単位クエリを入力して提出するようにユーザに促すことができる。キーワード単位クエリを受信すると、本明細書に開示する技法が、キーワード単位クエリに意味的に一致するオンラインコンテンツ管理システムでホストされる1つ以上のデジタル画像を識別するために使用される。意味的に一致する画像へのリンクまたはサムネイルは、そこでのグラフィカルユーザインタフェースでの提示のために、ユーザのパーソナルコンピューティングデバイスに戻されてもよい。意味的に一致する画像は、最も関連性の高いものからあまり関連性のないものへランキング順に、グラフィカルユーザインタフェースにおいて提示することができる。
いくつかの実施形態では,
ベクトルドット積またはベクトル余弦類似度が、2つの所与の数値ベクトルに対するベクトル類似度測定値として使用されるが、他の実施形態では、他のベクトル類似度測定値が使用される。例えば、ユークリッド距離、マンハッタン距離、ミンコフスキー距離、ジャッカード類似度、チェビシェフ距離、または手元の特定の実装の要件に適した他のベクトル類似度測定値を使用することができる。
本発明の実施は、1つ以上のプロセッサおよび記憶媒体を有するコンピューティングシステムによる方法の実行を包含することができる。1つ以上のプロセッサおよび記憶媒体は、必ずしも同じコンピュータシステムではなく、1つ以上のコンピュータシステムによって提供されてもよい。コンピューティングシステムの記憶媒体は、1つ以上のコンピュータプログラムを記憶することができる。1つ以上のプログラムは、方法を実行するように構成された命令を含むことができる。命令は、方法を実行するために、1つ以上のプロセッサによって実行されてもよい。
前述の詳細な説明では、本発明の可能な実施形態を、実施形態ごとに異なることがある多数の特定の詳細を参照して説明した。したがって、詳細な説明および図面は、限定的な意味ではなく例示的な意味に見なされるべきである。
Claims (23)
- コンピュータ実施方法であって、
ベクトル類似度測定値の第1のセットを計算することであって、ベクトル類似度測定値の前記第1のセットの各ベクトル類似度測定値は、第1の数値ベクトルと第2の数値ベクトルのセットのベクトルとに基づいて計算され、前記第1の数値ベクトルは入力キーワード単位を表し、第2の数値ベクトルの前記セットの各ベクトルは、1つ以上の画像コンテンツクラスキーワード単位のセットを表す、計算することと、
ベクトル類似度測定値の前記第1のセットに基づいて第3の数値ベクトルを形成することと、
ベクトル類似度測定値の第2のセットを計算することであって、ベクトル類似度測定値の前記第2のセットの各ベクトル類似度測定値は、第3の数値ベクトルと第4の数値ベクトルのセットのベクトルとに基づいて計算され、第4の数値ベクトルの前記セットはデジタル画像のセットを表す、計算することと、
ベクトル類似度測定値の前記第2のセットの1つ以上のベクトル類似度測定値のセットに基づいて、デジタル画像の前記セットのうち1つ以上のデジタル画像のセットを前記入力キーワード単位に関連するものとして選択することと、
を含む、コンピュータ実施方法。 - 前記入力キーワード単位をワードベクトルにマッピングすることと、
単位L2ノルムについて前記ワードベクトルを正規化し、それによって正規化されたワードベクトルを生成することと、
前記正規化されたワードベクトルに基づいて共通成分除去動作を実行し、それによって補正されたワードベクトルを生成することと、
前記補正されたワードベクトルを単位L2ノルムについて正規化し、それによって前記第1の数値ベクトルを生成することと、
をさらに含む、請求項1に記載のコンピュータ実施方法。 - ベクトル類似度測定の前記第2のセットに基づいてデジタル画像の前記セットをランク付けすることと、
前記ランク付けに基づいて、デジタル画像の前記セットのうち1つ以上のデジタル画像のセットを前記入力キーワード単位に関連するものとして選択することと、
をさらに含む、請求項1に記載のコンピュータ実施方法。 - 前記第3の数値ベクトルの非ゼロ要素のセットが対応する画像コンテンツカテゴリのセットに基づいて、反転インデックスから第4の数値ベクトルの前記セットを取り出すこと
をさらに含む、請求項1に記載のコンピュータ実施方法。 - 画像コンテンツクラスキーワード単位のセットをワードベクトルのセットにマッピングし、
単位L2ノルムについてワードベクトルの前記セットを正規化し、それによって正規化されたワードベクトルのセットを生成し、
正規化されたワードベクトルの前記セットに基づいて共通成分除去動作を実行し、それによって補正されたワードベクトルのセットを生成し、
補正されたワードベクトルを単位L2ノルムについて正規化し、それによって第2の数値ベクトルの前記セットを生成する、請求項1に記載のコンピュータ実施方法。 - ソース言語における画像コンテンツクラスキーワード単位のセットを、ターゲット言語における画像コンテンツクラスキーワード単位のセットに翻訳することと、
前記ターゲット言語における画像コンテンツクラスキーワード単位の前記セットを前記ターゲット言語のためのワードベクトルのセットにマッピングすることと、
前記ターゲット言語のワードベクトルの前記セットに基づいて第2の数値ベクトルの前記セットを生成することと、
をさらに含み、
前記入力キーワード単位は、前記ターゲット言語の中にある、請求項1に記載のコンピュータ実施方法。 - 1つ以上のデジタル画像の前記セットを前記入力キーワード単位に関連するものとして選択することに基づいて、1つ以上のデジタル画像の前記セットが入力前記キーワード単位に関連することを示すグラフィカルユーザインタフェースをコンピューティングデバイスにおいて表示させること
をさらに含む、請求項1に記載のコンピュータ実施方法。 - 1つ以上のデジタル画像の前記セットを前記入力キーワード単位に関連するものとして選択することに基づいて、1つ以上のデジタル画像の前記セットを、編集中の文書に含めるように文書編集コンピュータアプリケーションのユーザに提案すること
をさらに含む、請求項1に記載のコンピュータ実施方法。 - デジタル画像の前記セットを画像コンテンツクラスのセットに分類することに基づいて第4の数値ベクトルの前記セットを生成することをさらに含み、第4の数値ベクトルの前記セットのベクトルの要素は、前記ベクトルに対応するデジタル画像の前記セットのデジタル画像が前記要素に対応する画像コンテンツクラスの前記セットの画像コンテンツクラスに属する確率を反映する、請求項1に記載のコンピュータ実施方法。
- ベクトル類似度測定値の前記第1のセットの各ベクトル類似度測定値は、前記第1の数値ベクトルと第2の数値ベクトルのセットのベクトルとのドット積として計算され、
ベクトル類似度測定値の前記第2のセットの各ベクトル類似度測定値は、前記第3の数値ベクトルと第4の数値ベクトルのセットのベクトルとのドット積として計算される、請求項1乃至9の何れか1項に記載の方法。 - ベクトル類似度測定値の前記第1のセットの各ベクトル類似度測定値は、前記第1の数値ベクトルと第2の数値ベクトルのセットのベクトルとの間の余弦類似度として計算され、
ベクトル類似度測定値の前記第2のセットの各ベクトル類似度測定値は、前記第3の数値ベクトルと第4の数値ベクトルのセットのベクトルとの間の余弦類似度として計算される、請求項1乃至9の何れか1項に記載の方法。 - コンピューティングシステムであって、
1つ以上のプロセッサと、
記憶媒体と、
前記記憶媒体に記憶され、前記コンピューティングシステムによって実行されると、前記コンピューティングシステムに、請求項1乃至11の何れか1項に記載の方法を実行させる、命令と、
を含む、コンピューティングシステム。 - コンピュータ実施方法であって、
第1のマトリクスに第2のマトリクスを乗算して第3のマトリクスを生成することであって、前記第1のマトリクスは数値ベクトルの第1のセットを含み、前記第2のマトリクスは数値ベクトルの第2のセットを含み、前記第3のマトリクスは数値ベクトルの第3のセットを含み、数値ベクトルの前記第1のセットの各ベクトルはデジタル画像のセットのデジタル画像を表し、数値ベクトルの前記第2のセットの各数値ベクトルは1つ以上の画像コンテンツクラスキーワード単位のセットを表す、生成することと、
前記第3のマトリクスを生成した後、入力キーワード単位を表す第1の数値ベクトルを取得することと、
前記第3のマトリクスに前記入力キーワード単位を表す前記第1の数値ベクトルを乗算して、第2の数値ベクトルを生成することであって、前記第2の数値ベクトルは数値要素のセットを含み、数値要素の前記セットの各数値要素はデジタル画像の前記セットのデジタル用である、生成することと、
前記第2の数値ベクトルの数値要素の前記セットに基づいて、デジタル画像の前記セットの1つ以上のデジタル画像のセットを、前記入力キーワード単位に関連するものとして選択することと、
を含む、コンピュータ実施方法。 - 前記入力キーワード単位をワードベクトルにマッピングすることと、
前記単位L2ノルムについて前記ワードベクトルを正規化し、それによって正規化されたワードベクトルを生成することと、
前記正規化されたワードベクトルに基づいて共通成分除去動作を実行し、それによって、補正されたワードベクトルを生成することと、
前記補正されたワードベクトルを単位L2ノルムについて正規化し、それによって、前記第1の数値ベクトルを生成することと、
をさらに含む、請求項13に記載の方法。 - 前記第2の数値ベクトルの数値要素の前記セットに基づいてデジタル画像の前記セットをランク付けすることと、
前記ランク付けに基づいて、デジタル画像の前記セットのうち1つ以上のデジタル画像の前記セットを前記入力キーワード単位に関連するものとして選択することと、
をさらに含む、請求項13に記載のコンピュータ実施方法。 - 画像コンテンツクラスキーワード単位のセットをワードベクトルのセットにマッピングし、
単位L2ノルムについてワードベクトルの前記セットを正規化し、それによって正規化されたワードベクトルのセットを生成し、
正規化されたワードベクトルの前記セットに基づいて共通成分除去動作を実行し、それによって補正されたワードベクトルのセットを生成し、
単位L2ノルムについて、補正されたワードベクトルの前記セットを正規化し、それによって数値ベクトルの第2のセットを生成する、
請求項13に記載のコンピュータ実施方法。 - ソース言語における画像コンテンツクラスキーワード単位のセットを、ターゲット言語における画像コンテンツクラスキーワード単位のセットに翻訳することと、
前記ターゲット言語における画像コンテンツクラスキーワード単位の前記セットを前記ターゲット言語のためのワードベクトルのセットにマッピングすることと、
前記ターゲット言語のためのワードベクトルの前記セットに基づいて数値ベクトルの前記第2のセットを生成することと、
をさらに含み、
前記入力キーワード単位は前記ターゲット言語の中にある、請求項13に記載のコンピュータ実施方法。 - 1つ以上のデジタル画像の前記セットを前記入力キーワード単位に関連するものとして選択することに基づいて、1つ以上のデジタル画像の前記セットが前記入力キーワード単位に関連することを示すグラフィカルユーザインタフェースを、コンピューティングデバイスにおいて表示させることをさらに含む、請求項13に記載のコンピュータ実施方法。
- 1つ以上のデジタル画像の前記セットを前記入力キーワード単位に関連するものとして選択することに基づいて、1つ以上のデジタル画像の前記セットを、編集中の文書に含めるように文書編集コンピュータアプリケーションのユーザに提案すること
をさらに含む、請求項13に記載のコンピュータ実施方法。 - デジタル画像の前記セットを画像コンテンツクラスのセットに分類することに基づいて、数値ベクトルの前記第1のセットを生成することをさらに含み、数値ベクトルの前記第1のセットのベクトルの要素は、前記ベクトルに対応するデジタル画像の前記セットのデジタル画像が前記要素に対応する画像コンテンツクラスの前記セットの画像コンテンツクラスに属する確率を反映する、請求項13に記載のコンピュータ実施方法。
- 前記第1のマトリクスに前記第2のマトリクスを乗算して前記第3のマトリクスを生成することは、数値ベクトルの前記第1のセットと数値ベクトルの前記第2のセットとのドット積を計算することに基づいており、
前記第3のマトリクスに前記第1の数値ベクトルを乗算して前記第2の数値ベクトルを生成することは、数値ベクトルの前記第3のセットと前記第1の数値ベクトルとのドット積を計算することに基づいている、
請求項13乃至20の何れか1項に記載の方法。 - 前記第1のマトリクスに前記第2のマトリクスを乗算して前記第3のマトリクスを生成することは、数値ベクトルの前記第1のセットと数値ベクトルの前記第2のセットとの余弦類似度を計算することに基づいており、
前記第3のマトリクスに前記第1の数値ベクトルを乗算して前記第2の数値ベクトルを生成することは、数値ベクトルの前記第3のセットと前記第1の数値ベクトルとの余弦類似度を計算することに基づいている、
請求項13乃至20の何れか1項に記載の方法。 - コンピューティングシステムであって、
1つ以上のプロセッサと、
記憶媒体と、
前記記憶媒体に記憶され、前記コンピューティングシステムによって実行されると、前記コンピューティングシステムに請求項13乃至22の何れか1項に記載の方法を実行させる命令と、
を含む、コンピューティングシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/378,261 | 2019-04-08 | ||
US16/378,261 US10769502B1 (en) | 2019-04-08 | 2019-04-08 | Semantic image retrieval |
PCT/US2020/019172 WO2020209940A1 (en) | 2019-04-08 | 2020-02-21 | Semantic image retrieval |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022522020A true JP2022522020A (ja) | 2022-04-13 |
JP7180009B2 JP7180009B2 (ja) | 2022-11-29 |
Family
ID=69846582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021550269A Active JP7180009B2 (ja) | 2019-04-08 | 2020-02-21 | 意味画像検索 |
Country Status (5)
Country | Link |
---|---|
US (2) | US10769502B1 (ja) |
EP (1) | EP3935523A1 (ja) |
JP (1) | JP7180009B2 (ja) |
AU (1) | AU2020272502B2 (ja) |
WO (1) | WO2020209940A1 (ja) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021042763A1 (en) * | 2019-09-03 | 2021-03-11 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Image searches based on word vectors and image vectors |
JP7292184B2 (ja) * | 2019-11-11 | 2023-06-16 | 富士フイルム株式会社 | 学習装置、学習方法および学習済みモデル |
US12002077B2 (en) * | 2019-12-29 | 2024-06-04 | Ebay Inc. | Automatic listing generation for multiple items |
CN112085122B (zh) * | 2020-09-21 | 2024-03-15 | 中国科学院上海微系统与信息技术研究所 | 一种基于本体的半监督图像场景语义深化方法 |
US20220129497A1 (en) * | 2020-10-23 | 2022-04-28 | Coupang Corp. | Systems and methods for filtering products based on images |
US11798549B2 (en) * | 2021-03-19 | 2023-10-24 | Mitel Networks Corporation | Generating action items during a conferencing session |
CN113254687B (zh) * | 2021-06-28 | 2021-09-17 | 腾讯科技(深圳)有限公司 | 图像检索、图像量化模型训练方法、装置和存储介质 |
US11842367B1 (en) * | 2021-07-01 | 2023-12-12 | Alphonso Inc. | Apparatus and method for identifying candidate brand names for an ad clip of a query video advertisement using OCR data |
CN113379474B (zh) * | 2021-07-13 | 2024-02-06 | 京东科技信息技术有限公司 | 匹配用户所属群体和信息推送的方法、装置、设备及介质 |
CN118215913A (zh) * | 2021-11-04 | 2024-06-18 | 三星电子株式会社 | 用于提供与查询语句相关的搜索结果的电子设备和方法 |
US20230196832A1 (en) * | 2021-12-21 | 2023-06-22 | Western Digital Technologies, Inc. | Ranking Images in an Image Group |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007249584A (ja) * | 2006-03-15 | 2007-09-27 | Softec:Kk | クライアントデータベース構築方法、データ検索方法、データ検索システム、データ検索フィルタリングシステム、クライアントデータベース構築プログラム、データ検索プログラム、データ検索フィルタリングプログラム及びプログラムを格納したコンピュータで読み取り可能な記録媒体並びに記録した機器 |
US8391618B1 (en) * | 2008-09-19 | 2013-03-05 | Adobe Systems Incorporated | Semantic image classification and search |
JP2019008783A (ja) * | 2017-06-20 | 2019-01-17 | Line株式会社 | ソーシャルネットワークコンテンツを基盤に単語ベクトル化技法を利用して日常言語に拡張するための方法およびシステム |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8554800B2 (en) * | 2008-07-30 | 2013-10-08 | Portool Ltd. | System, methods and applications for structured document indexing |
US8340429B2 (en) * | 2010-09-18 | 2012-12-25 | Hewlett-Packard Development Company, Lp | Searching document images |
JP6260442B2 (ja) * | 2014-05-02 | 2018-01-17 | 富士通株式会社 | 情報処理方法及びプログラム |
US10635949B2 (en) * | 2015-07-07 | 2020-04-28 | Xerox Corporation | Latent embeddings for word images and their semantics |
US10346727B2 (en) * | 2016-10-28 | 2019-07-09 | Adobe Inc. | Utilizing a digital canvas to conduct a spatial-semantic search for digital visual media |
US10496699B2 (en) | 2017-03-20 | 2019-12-03 | Adobe Inc. | Topic association and tagging for dense images |
US11080273B2 (en) | 2017-03-20 | 2021-08-03 | International Business Machines Corporation | Image support for cognitive intelligence queries |
US10803055B2 (en) * | 2017-12-15 | 2020-10-13 | Accenture Global Solutions Limited | Cognitive searches based on deep-learning neural networks |
-
2019
- 2019-04-08 US US16/378,261 patent/US10769502B1/en active Active
-
2020
- 2020-02-21 JP JP2021550269A patent/JP7180009B2/ja active Active
- 2020-02-21 AU AU2020272502A patent/AU2020272502B2/en active Active
- 2020-02-21 WO PCT/US2020/019172 patent/WO2020209940A1/en unknown
- 2020-02-21 EP EP20712761.4A patent/EP3935523A1/en not_active Ceased
- 2020-08-21 US US16/999,616 patent/US11222247B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007249584A (ja) * | 2006-03-15 | 2007-09-27 | Softec:Kk | クライアントデータベース構築方法、データ検索方法、データ検索システム、データ検索フィルタリングシステム、クライアントデータベース構築プログラム、データ検索プログラム、データ検索フィルタリングプログラム及びプログラムを格納したコンピュータで読み取り可能な記録媒体並びに記録した機器 |
US8391618B1 (en) * | 2008-09-19 | 2013-03-05 | Adobe Systems Incorporated | Semantic image classification and search |
JP2019008783A (ja) * | 2017-06-20 | 2019-01-17 | Line株式会社 | ソーシャルネットワークコンテンツを基盤に単語ベクトル化技法を利用して日常言語に拡張するための方法およびシステム |
Non-Patent Citations (1)
Title |
---|
杉山 裕樹,外2名: "「画像とテキスト双方の特徴空間に対する相互適合性フィードバック」", 第2回データ工学と情報マネジメントに関するフォーラム−DEIM 2010−論文集, JPN6022018199, 25 May 2010 (2010-05-25), JP, ISSN: 0004771321 * |
Also Published As
Publication number | Publication date |
---|---|
US10769502B1 (en) | 2020-09-08 |
EP3935523A1 (en) | 2022-01-12 |
US11222247B2 (en) | 2022-01-11 |
US20200380320A1 (en) | 2020-12-03 |
AU2020272502B2 (en) | 2022-03-10 |
JP7180009B2 (ja) | 2022-11-29 |
AU2020272502A1 (en) | 2021-09-16 |
WO2020209940A1 (en) | 2020-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7180009B2 (ja) | 意味画像検索 | |
Nazari et al. | A survey on automatic text summarization | |
Wang et al. | Combining Knowledge with Deep Convolutional Neural Networks for Short Text Classification. | |
CN109829104B (zh) | 基于语义相似度的伪相关反馈模型信息检索方法及系统 | |
US20180341871A1 (en) | Utilizing deep learning with an information retrieval mechanism to provide question answering in restricted domains | |
JP5936698B2 (ja) | 単語意味関係抽出装置 | |
WO2020233380A1 (zh) | 缺失语义补全方法及装置 | |
Zhang et al. | Automatic synonym extraction using Word2Vec and spectral clustering | |
WO2023159758A1 (zh) | 数据增强方法和装置、电子设备、存储介质 | |
Othman et al. | Enhancing question retrieval in community question answering using word embeddings | |
WO2021129411A1 (zh) | 文本处理方法及装置 | |
CN115203421A (zh) | 一种长文本的标签生成方法、装置、设备及存储介质 | |
JP2022091122A (ja) | 汎化処理方法、装置、デバイス、コンピュータ記憶媒体及びプログラム | |
Shahbazi et al. | Toward representing automatic knowledge discovery from social media contents based on document classification | |
Karpagam et al. | A framework for intelligent question answering system using semantic context-specific document clustering and Wordnet | |
Zhang et al. | An approach for named entity disambiguation with knowledge graph | |
Kádár et al. | Learning word meanings from images of natural scenes | |
WO2021129410A1 (zh) | 文本处理方法及装置 | |
Kamineni et al. | Siamese LSTM with convolutional similarity for similar question retrieval | |
CN116226320A (zh) | 一种预测下文信息的方法、装置、电子设备及存储介质 | |
Tang et al. | A deep learning-based method for similar patient question retrieval in Chinese | |
Syaputra et al. | Improving mental health surveillance over Twitter text classification using word embedding techniques | |
Das et al. | A Novel Approach to Enhance the Performance of Semantic Search in Bengali using Neural Net and Other Classification Techniques | |
Singh et al. | SCHISM—A Web search engine using semantic taxonomy | |
Canales et al. | Evaluation of entity recognition algorithms in short texts |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211027 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211027 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20211027 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220513 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220803 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221021 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221116 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7180009 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |