TWI793585B - 用於基於影像過濾產品的系統與方法以及用於基於影像過濾物件的系統 - Google Patents

用於基於影像過濾產品的系統與方法以及用於基於影像過濾物件的系統 Download PDF

Info

Publication number
TWI793585B
TWI793585B TW110115468A TW110115468A TWI793585B TW I793585 B TWI793585 B TW I793585B TW 110115468 A TW110115468 A TW 110115468A TW 110115468 A TW110115468 A TW 110115468A TW I793585 B TWI793585 B TW I793585B
Authority
TW
Taiwan
Prior art keywords
image
score
product
machine learning
images
Prior art date
Application number
TW110115468A
Other languages
English (en)
Other versions
TW202217596A (zh
Inventor
金書松
阿米爾 雷扎 阿格哈穆薩 法拉什
安秀桓
Original Assignee
南韓商韓領有限公司
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 南韓商韓領有限公司 filed Critical 南韓商韓領有限公司
Publication of TW202217596A publication Critical patent/TW202217596A/zh
Application granted granted Critical
Publication of TWI793585B publication Critical patent/TWI793585B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06F16/50—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
    • G06F16/53—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
    • G06F18/00—Pattern recognition
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一種用於基於影像過濾產品的方法，包括以下步驟：接收 表示影像的影像資料，影像與產品識別符相關聯；藉由多個機器學習模型分析影像資料；產生影像的多個影像分值，每一影像分值由多個機器學習模型中的每一者產生；基於多個影像分值判定影像是否具有敏感狀態；以及將不安全類別指派至與具有敏感狀態的影像相關聯的產品識別符。

Description

用於基於影像過濾產品的系統與方法以及用於 基於影像過濾物件的系統
本揭露大體上是關於用於基於影像過濾產品的電腦化系統及方法。特定而言，本揭露的實施例是關於與過濾與不安全影像相關聯的產品相關的發明性及非習知系統。
在線上零售商業領域中，在諸如網頁的介面中向潛在購物者顯示多種產品。通常藉由顯示產品的圖像、圖形技術或影像來顯示產品，此是因為產品的此等視覺表示向購物者傳達文字描述可能無法傳達的資訊。
某些產品可為對於顯示而言不安全的相關聯影像。若影像描繪可對觀看者產生攻擊性或被視為非法的主題，則影像可為不安全的。舉例而言，可將裸體影像或含有性暗示主題的影像視為對於顯示而言不安全。因此，在許多情況下，應防止顯示此等影像及可能與此等影像相關聯的產品。
現有方法及系統依賴於個體來篩選及識別此等影像且將其標記於系統中。此為低效的，且在需要篩選的影像的數量較大的 情況下可為不切實際的。因此，需要改良方法及系統以確保以有效方式篩選及識別不安全影像。
本揭露的一個態樣是關於一種用於基於影像過濾產品的方法，包括以下步驟：接收表示影像的影像資料，影像與產品識別符相關聯；藉由多個機器學習模型分析影像資料；產生影像的多個影像分值，每一影像分值由多個機器學習模型中的每一者產生；基於多個影像分值判定影像是否具有敏感狀態；以及將不安全類別指派至與具有敏感狀態的影像相關聯的產品識別符。
本揭露的另一態樣是關於一種用於基於影像過濾產品的電腦化系統，包括：至少一個處理器；記憶體，包括指令，所述指令在由至少一個處理器執行時執行包括以下的步驟：接收表示影像的影像資料，影像與產品識別符相關聯；藉由多個機器學習模型分析影像資料；產生影像的多個影像分值，每一影像分值由多個機器學習模型中的每一者產生；基於多個影像分值判定影像是否具有敏感狀態；以及將不安全類別指派至與具有敏感狀態的影像相關聯的產品識別符。
本揭露的又一態樣是關於一種用於基於影像過濾物件的系統，包括：一或多個處理器；記憶體儲存媒體，含有使得一或多個處理器執行以下步驟的指令：接收上載至資料庫的資訊，所述資訊含有至少一個產品識別符及與所述產品識別符相關聯的一或多個影像；藉由多個機器學習模型分析一或多個影像中的每一者，所述多個機器學習模型包括經組態以產生第一影像分值的神經網路 裸體偵測器、經組態以產生第二影像分值的卷積神經網路對象偵測器以及經組態以產生第三影像分值的複合縮放卷積神經網路對象偵測器；基於第一影像分值、第二影像分值以及第三影像分值判定所述一或多個影像中的每一者是否具有敏感狀態；以及根據判定：將不安全類別指派至與具有敏感狀態的影像相關聯的產品識別符。
本文中亦論述其他系統、方法以及電腦可讀媒體。
100:系統
101:運送授權技術系統
102A:行動裝置/使用者裝置
102B:電腦/使用者裝置
103:外部前端系統
105:內部前端系統
107:運輸系統
107A、107B、107C:行動裝置
109:賣方入口網站
111:運送及訂單追蹤系統
113:履行最佳化系統
115:履行通信報閘道
117:供應鏈管理系統
119:倉庫管理系統
119A:行動裝置/平板電腦
119B:行動裝置/PDA
119C:行動裝置/電腦
121A、121B、121C:第3方履行系統
123:履行中心授權系統
125:勞動管理系統
200:履行中心
201、222:卡車
202A、202B、208:物件
203:入站區
205:緩衝區
206:叉車
207:卸貨區
209:揀貨區
210:儲存單元
211:包裝區
213:樞紐區
214:運輸機構
215:營地區
216:牆
218、220:包裹
224A、224B:遞送工作者
226:汽車
300:系統
302、602:使用者裝置
304:CDS
306:伺服器
308:MLDB
310:不安全DB
402:影像
404A、404B、404C:機器學習模型
406A、406B、406C:分值
408:決策引擎
500:過程
502、504、506A、506B、506C、508A、508B、508C、510、 512、514、516、518:步驟
圖1A為與所揭露實施例一致的示出包括用於實現運送、運輸以及物流操作的通信的電腦化系統的網路的例示性實施例的示意性方塊圖。
圖1B描繪與所揭露實施例一致的包含滿足檢索請求的一或多個檢索結果以及交互式使用者介面元素的樣本檢索結果頁(Search Result Page；SRP)。
圖1C描繪與所揭露實施例一致的包含產品及關於所述產品的資訊以及交互式使用者介面元素的樣本單一詳情頁(Single Detail Page；SDP)。
圖1D描繪與所揭露實施例一致的包含虛擬購物車中的物件以及交互式使用者介面元素的樣本購物車頁。
圖1E描繪與所揭露實施例一致的包含來自虛擬購物車的物件以及關於購買及運送的資訊以及交互式使用者介面元素的樣本訂單頁。
圖2為與所揭露實施例一致的經組態以利用所揭露電腦化系統的例示性履行中心的圖解圖示。
圖3為與所揭露實施例一致的用於過濾具有不安全影像的產品的例示性系統的圖解圖示。
圖4為與所揭露實施例一致的用於過濾具有不安全影像的產品的例示性機器學習架構的圖解圖示。
圖5為描繪與所揭露實施例一致的用於過濾具有不安全影像的產品的例示性過程的流程圖。
圖6為與所揭露實施例一致的用於過濾檢索結果的例示性系統的圖解圖示。
以下詳細描述參考隨附圖式。只要可能，即在圖式及以下描述中使用相同附圖標號來指代相同或類似部分。儘管本文中描述若干示出性實施例，但修改、調適以及其他實施方案是可能的。舉例而言，可對圖式中所示出的組件及步驟進行替代、添加或修改，且可藉由取代、重新排序、移除步驟或將步驟添加至所揭露方法來修改本文中所描述的示出性方法。因此，以下詳細描述不限於所揭露實施例及實例。實情為，本發明的正確範圍由隨附申請專利範圍界定。
在一些情況下，現有影像辨識系統可僅能夠可靠地識別含有人類的相片或其他真實繪圖的影像。然而，即使並不描繪裸體人類的影像亦可為不安全的；因此，僅依賴於裸體偵測的系統可能不適當。此外，影像辨識的現有方法及系統在用於辨識風格化或抽 象的裸體影像時通常缺少可靠性，如在某些動漫或漫畫影像中的情況。因此，影像辨識的現有及習知方法及系統常常不適合於辨識超出裸體的狹窄範圍的不安全影像的要求，或可能不適用於超出相片的多種類型的影像。因此，習知影像辨識系統及方法無法可靠地替代人工干預。
參考圖1A，繪示示出包括用於實現運送、運輸以及物流操作的通信的電腦化系統的系統的例示性實施例的示意性方塊圖100。如圖1A中所示出，系統100可包含各種系統，所述系統中的每一者可經由一或多個網路彼此連接。所述系統亦可經由直接連接(例如，使用電纜)彼此連接。所描繪系統包含運送授權技術(shipment authority technology；SAT)系統101、外部前端系統103、內部前端系統105、運輸系統107、行動裝置107A、行動裝置107B以及行動裝置107C、賣方入口網站109、運送及訂單追蹤(shipment and order tracking；SOT)系統111、履行最佳化(fulfillment optimization；FO)系統113、履行通信報閘道(fulfillment messaging gateway；FMG)115、供應鏈管理(supply chain management；SCM)系統117、倉庫管理系統119、行動裝置119A、行動裝置119B以及行動裝置119C(描繪為位於履行中心(fulfillment center；FC)200內部)、第3方履行系統121A、第3方履行系統121B以及第3方履行系統121C、履行中心授權系統(fulfillment center authorization；FC Auth)123以及勞動管理系統(labor management system；LMS)125。
在一些實施例中，SAT系統101可實行為監視訂單狀態及遞送狀態的電腦系統。舉例而言，SAT系統101可判定訂單是 否超過其承諾遞送日期(PDD)且可採取適當的動作，包含發起新訂單、對未遞送訂單中的物件進行重新運送、取消未遞送訂單、發起與訂購客戶的連絡，或類似者。SAT系統101亦可監視其他資料，包含輸出(諸如在特定時間段期間運送的包裹的數目)及輸入(諸如接收到的用於運送的空紙板盒的數目)。SAT系統101亦可充當系統100中的不同裝置之間的閘道，從而(例如，使用儲存及轉發或其他技術)實現諸如外部前端系統103及FO系統113的裝置之間的通信。
在一些實施例中，外部前端系統103可實行為使得外部使用者能夠與系統100中的一或多個系統交互的電腦系統。舉例而言，在系統100使得系統的呈現能夠允許使用者針對物件下訂單的實施例中，外部前端系統103可實行為接收檢索請求、呈現物件頁以及索求支付資訊的網頁伺服器。舉例而言，外部前端系統103可實行為電腦或電腦運行軟體，諸如阿帕奇(Apache)HTTP伺服器、微軟網際網路資訊服務(Internet Information Service；IIS)、NGINX，或類似者。在其他實施例中，外部前端系統103可運行經設計以接收及處理來自外部裝置(例如，行動裝置102A或電腦102B)的請求、基於彼等請求自資料庫及其他資料儲存庫獲取資訊，以及基於所獲取的資訊將回應提供至接收到的請求的定製網頁伺服器軟體。
在一些實施例中，外部前端系統103可包含網頁快取系統、資料庫、檢索系統或支付系統中的一或多者。在一個態樣中，外部前端系統103可包括此等系統中的一或多者，而在另一態樣中，外部前端系統103可包括連接至此等系統中的一或多者的介 面(例如，伺服器至伺服器、資料庫至資料庫，或其他網路連接)。
藉由圖1B、圖1C、圖1D以及圖1E所示出的例示性步驟集合將有助於描述外部前端系統103的一些操作。外部前端系統103可自系統100中的系統或裝置接收資訊以供呈現及/或顯示。舉例而言，外部前端系統103可代管或提供一或多個網頁，包含檢索結果頁(SRP)(例如，圖1B)、單一詳情頁(Single Detail Page；SDP)(例如，圖1C)、購物車頁(例如，圖1D)，或訂單頁(例如，圖1E)。(例如，使用行動裝置102A或電腦102B的)使用者裝置可導航至外部前端系統103且藉由將資訊輸入至檢索盒中來請求檢索。外部前端系統103可向系統100中的一或多個系統請求資訊。舉例而言，外部前端系統103可向FO系統113請求滿足檢索請求的資訊。外部前端系統103亦可(自FO系統113)請求及接收包含於檢索結果中的每一產品的承諾遞送日期或「PDD」。在一些實施例中，PDD可表示在特定時間段內(例如，在一天結束(下午11：59)前)訂購的情況下對含有產品的包裹將何時抵達使用者的所要位置或承諾將產品遞送至使用者的所要位置處的日期的估計。(PDD在下文相對於FO系統113進一步論述。)
外部前端系統103可基於資訊來準備SRP(例如，圖1B)。SRP可包含滿足檢索請求的資訊。舉例而言，此可包含滿足檢索請求的產品的圖像。SRP亦可包含每一產品的各別價格，或與每一產品的增強遞送選項、PDD、重量、大小、報價、折扣或類似者相關的資訊。外部前端系統103可(例如，經由網路)將SRP發送至請求使用者裝置。
使用者裝置可接著例如藉由點選或輕觸使用者介面或使用另一輸入裝置自SRP選擇產品，以選擇表示於SRP上的產品。使用者裝置可製訂對關於所選產品的資訊的請求且將其發送至外部前端系統103。作為回應，外部前端系統103可請求與所選產品相關的資訊。舉例而言，資訊可包含除針對各別SRP上的產品呈現的資訊以外的額外資訊。此可包含例如保存期限、原產國、重量、大小、包裹中的物件的數目、處置說明，或關於產品的其他資訊。資訊亦可包含類似產品的推薦(基於例如巨量資料及/或對購買此產品及至少一個其他產品的客戶的機器學習分析)、頻繁詢問的問題的答案、來自客戶的評論、製造商資訊、圖像，或類似者。
外部前端系統103可基於接收到的產品資訊來準備SDP(單一詳情頁)(例如，圖1C)。SDP亦可包含其他交互式元素，諸如「現在購買」按鈕、「添加至購物車」按鈕、數量欄、物件的圖像，或類似者。SDP可更包含提供產品的賣方的清單。可基於每一賣方提供的價格來對清單進行排序，使得可在頂部處列出提供以最低價格出售產品的賣方。亦可基於賣方排名來對清單進行排序，使得可在頂部處列出排名最高的賣方。可基於多個因素來製訂賣方排名，所述因素包含例如賣方的符合承諾PDD的過去的追蹤記錄。外部前端系統103可(例如，經由網路)將SDP遞送至請求使用者裝置。
請求使用者裝置可接收列出產品資訊的SDP。在接收到SDP後，使用者裝置可接著與SDP交互。舉例而言，請求使用者裝置的使用者可點選或以其他方式與SDP上的「放在購物車中」按鈕交互。此將產品添加至與使用者相關聯的購物車。使用者裝置 可將把產品添加至購物車的此請求傳輸至外部前端系統103。
外部前端系統103可產生購物車頁(例如，圖1D)。在一些實施例中，購物車頁列出使用者已添加至虛擬「購物車」的產品。使用者裝置可藉由在SRP、SDP或其他頁上的圖標上點選或以其他方式與所述圖標交互來請求購物車頁。在一些實施例中，購物車頁可列出使用者已添加至購物車的所有產品，以及關於購物車中的產品的資訊(諸如每一產品的數量、每一產品每物件的價格、每一產品基於相關聯數量的價格)、關於PDD的資訊、遞送方法、運送成本、用於修改購物車中的產品(例如，刪除或修改數量)的使用者介面元素、用於訂購其他產品或設置產品的定期遞送的選項、用於設置利息支付的選項、用於前進至購買的使用者介面元素，或類似者。使用者裝置處的使用者可在使用者介面元素(例如，寫著「現在購買」的按鈕)上點選或以其他方式與所述使用者介面元素交互，以發起對購物車中的產品的購買。在如此做後，使用者裝置可將發起購買的此請求傳輸至外部前端系統103。
外部前端系統103可回應於接收到發起購買的請求而產生訂單頁(例如，圖1E)。在一些實施例中，訂單頁重新列出來自購物車的物件且請求支付及運送資訊的輸入。舉例而言，訂單頁可包含請求關於購物車中的物件的購買者的資訊(例如，姓名、地址、電子郵件地址、電話號碼)、關於接收者的資訊(例如，姓名、地址、電話號碼、遞送資訊)、運送資訊(例如，遞送及/或揀貨的速度/方法)、支付資訊(例如，信用卡、銀行轉賬、支票、儲存的積分)的部分、請求現金收據(例如，出於稅務目的)的使用者介面元素，或類似者。外部前端系統103可將訂單頁發送至使用者 裝置。
使用者裝置可輸入關於訂單頁的資訊，且點選或以其他方式與將資訊發送至外部前端系統103的使用者介面元素交互。自此處，外部前端系統103可將資訊發送至系統100中的不同系統，以使得能夠創建及處理具有購物車中的產品的新訂單。
在一些實施例中，外部前端系統103可進一步經組態以使得賣方能夠傳輸及接收與訂單相關的資訊。
在一些實施例中，內部前端系統105可實行為使得內部使用者(例如，擁有、操作或租用系統100的組織的雇員)能夠與系統100中的一或多個系統交互的電腦系統。舉例而言，在系統100使得系統的呈現能夠允許使用者針對物件下訂單的實施例中，內部前端系統105可實行為使得內部使用者能夠查看關於訂單的診斷及統計資訊、修改物件資訊或審查與訂單相關的統計的網頁伺服器。舉例而言，內部前端系統105可實行為電腦或電腦運行軟體，諸如阿帕奇HTTP伺服器、微軟網際網路資訊服務(IIS)、NGINX，或類似者。在其他實施例中，內部前端系統105可運行經設計以接收及處理來自系統100中所描繪的系統或裝置(以及未描繪的其他裝置)的請求、基於彼等請求自資料庫及其他資料儲存庫獲取資訊，以及基於所獲取的資訊來將回應提供至接收到的請求的定製網頁伺服器軟體。
在一些實施例中，內部前端系統105可包含網頁快取系統、資料庫、檢索系統、支付系統、分析系統、訂單監視系統或類似者中的一或多者。在一個態樣中，內部前端系統105可包括此等系統中的一或多者，而在另一態樣中，內部前端系統105可包 括連接至此等系統中的一或多者的介面(例如，伺服器至伺服器、資料庫至資料庫，或其他網路連接)。
在一些實施例中，運輸系統107可實行為實現系統100中的系統或裝置與行動裝置107A至行動裝置107C之間的通信的電腦系統。在一些實施例中，運輸系統107可自一或多個行動裝置107A至行動裝置107C(例如，行動電話、智慧型電話、PDA，或類似者)接收資訊。舉例而言，在一些實施例中，行動裝置107A至行動裝置107C可包括由遞送工作者操作的裝置。遞送工作者(其可為永久雇員、暫時雇員或輪班雇員)可利用行動裝置107A至行動裝置107C來實現對含有由使用者訂購的產品的包裹的遞送。舉例而言，為遞送包裹，遞送工作者可在行動裝置上接收指示遞送哪一包裹及將所述包裹遞送到何處的通知。在抵達遞送位置後，遞送工作者可(例如，在卡車的後部中或在包裹的條板箱中)定位包裹、使用行動裝置掃描或以其他方式擷取與包裹上的識別符(例如，條碼、影像、文字字串、RFID標籤，或類似者)相關聯的資料，且遞送包裹(例如，藉由將其留在前門處、將其留給警衛、將其交給接收者，或類似者)。在一些實施例中，遞送工作者可使用行動裝置擷取包裹的相片及/或可獲得簽名。行動裝置可將資訊發送至運輸系統107，所述資訊包含關於遞送的資訊，包含例如時間、日期、GPS位置、相片、與遞送工作者相關聯的識別符、與行動裝置相關聯的識別符，或類似者。運輸系統107可在資料庫(未描繪)中儲存此資訊以用於由系統100中的其他系統存取。在一些實施例中，運輸系統107可使用此資訊來準備追蹤資料且將所述追蹤資料發送至其他系統，從而指示特定包裹的位置。
在一些實施例中，某些使用者可使用一個種類的行動裝置(例如，永久工作者可使用具有定製硬體(諸如條碼掃描器、尖筆以及其他裝置)的專用PDA)，而其他使用者可使用其他類型的行動裝置(例如，暫時工作者或輪班工作者可利用現成的行動電話及/或智慧型電話)。
在一些實施例中，運輸系統107可使使用者與每一裝置相關聯。舉例而言，運輸系統107可儲存使用者(由例如使用者識別符、雇員識別符或電話號碼表示)與行動裝置(由例如國際行動設備身分(International Mobile Equipment Identity；IMEI)、國際行動訂用識別符(International Mobile Subscription Identifier；IMSI)、電話號碼、通用唯一識別符(Universal Unique Identifier；UUID)或全球唯一識別符(Globally Unique Identifier；GUID)表示)之間的關聯。運輸系統107可結合在遞送時接收到的資料使用此關聯來分析儲存於資料庫中的資料，以便尤其判定工作者的位置、工作者的效率，或工作者的速度。
在一些實施例中，賣方入口網站109可實行為使得賣方或其他外部實體能夠與系統100中的一或多個系統電子地通信的電腦系統。舉例而言，賣方可利用電腦系統(未描繪)來上載或提供賣方希望經由使用賣方入口網站109的系統100來出售的產品的產品資訊、訂單資訊、連絡資訊或類似者。
在一些實施例中，運送及訂單追蹤系統111可實行為接收、儲存以及轉送關於含有由客戶(例如，由使用裝置102A至裝置102B的使用者)訂購的產品的包裹的位置的資訊的電腦系統。在一些實施例中，運送及訂單追蹤系統111可請求或儲存來自由 遞送含有由客戶訂購的產品的包裹的運送公司操作的網頁伺服器(未描繪)的資訊。
在一些實施例中，運送及訂單追蹤系統111可請求及儲存來自在系統100中描繪的系統的資訊。舉例而言，運送及訂單追蹤系統111可請求來自運輸系統107的資訊。如上文所論述，運輸系統107可自與使用者(例如，遞送工作者)或車輛(例如，遞送卡車)中的一或多者相關聯的一或多個行動裝置107A至行動裝置107C(例如，行動電話、智慧型電話、PDA或類似者)接收資訊。在一些實施例中，運送及訂單追蹤系統111亦可向倉庫管理系統(warehouse management system；WMS)119請求資訊以判定個別產品在履行中心(例如，履行中心200)內部的位置。運送及訂單追蹤系統111可向運輸系統107或WMS 119中的一或多者請求資料，在請求後處理所述資料，且將所述資料呈現給裝置(例如，使用者裝置102A及使用者裝置102B)。
在一些實施例中，履行最佳化(FO)系統113可實行為儲存來自其他系統(例如，外部前端系統103及/或運送及訂單追蹤系統111)的客戶訂單的資訊的電腦系統。FO系統113亦可儲存描述特定物件保存或儲存於何處的資訊。舉例而言，某些物件可能僅儲存於一個履行中心中，而某些其他物件可能儲存於多個履行中心中。在再其他實施例中，某些履行中心可經設計以僅儲存特定物件集合(例如，新鮮生產或冷凍的產品)。FO系統113儲存此資訊以及相關聯資訊(例如，數量、大小、接收日期、過期日期等)。
FO系統113亦可計算每一產品的對應PDD(承諾遞送日期)。在一些實施例中，PDD可以基於一或多個因素。舉例而言， FO系統113可基於下述者來計算產品的PDD：對產品的過去需求(例如，在一段時間期間訂購了多少次所述產品)、對產品的預期需求(例如，預報在即將到來的一段時間期間多少客戶將訂購所述產品)、指示在一段時間期間訂購了多少產品的全網路過去需求、指示預期在即將到來的一段時間期間將訂購多少產品的全網路預期需求、儲存於每一履行中心200中的產品的一或多個計數、哪一履行中心儲存每一產品、產品的預期或當前訂單，或類似者。
在一些實施例中，FO系統113可定期(例如，每小時)判定每一產品的PDD且將其儲存於資料庫中以供取回或發送至其他系統(例如，外部前端系統103、SAT系統101、運送及訂單追蹤系統111)。在其他實施例中，FO系統113可自一或多個系統(例如，外部前端系統103、SAT系統101、運送及訂單追蹤系統111)接收電子請求且按需求計算PDD。
在一些實施例中，履行通信報閘道(FMG)115可實行為自系統100中的一或多個系統(諸如FO系統113)接收呈一種格式或協定的請求或回應、將其轉換為另一格式或協定且將其以轉換後的格式或協定轉發至其他系統(諸如WMS 119或第3方履行系統121A、第3方履行系統121B或第3方履行系統121C)且反之亦然的電腦系統。
在一些實施例中，供應鏈管理(SCM)系統117可實行為進行預報功能的電腦系統。舉例而言，SCM系統117可基於例如下述者來預報對特定產品的需求水平：對產品的過去需求、對產品的預期需求、全網路過去需求、全網路預期需求、儲存於每一履行中心200中的計數產品、每一產品的預期或當前訂單，或類似者。 回應於此預報水平及所有履行中心中的每一產品的量，SCM系統117可產生一或多個購買訂單以購買及儲備足夠數量，以滿足對特定產品的預報需求。
在一些實施例中，倉庫管理系統(WMS)119可實行為監視工作流程的電腦系統。舉例而言，WMS 119可自個別裝置(例如，裝置107A至裝置107C或裝置119A至裝置119C)接收指示離散事件的事件資料。舉例而言，WMS 119可接收指示使用此等裝置中的一者掃描包裹的事件資料。如下文相對於履行中心200及圖2所論述，在履行過程期間，可藉由特定階段處的機器(例如，自動式或手持式條碼掃描器、RFID讀取器、高速攝影機、諸如平板電腦119A、行動裝置/PDA 119B、電腦119C的裝置或類似者)掃描或讀取包裹識別符(例如，條碼或RFID標籤資料)。WMS 119可將指示掃描或包裹識別符的讀取的每一事件以及包裹識別符、時間、日期、位置、使用者識別符或其他資訊儲存於對應資料庫(未描繪)中，且可將此資訊提供至其他系統(例如，運送及訂單追蹤系統111)。
在一些實施例中，WMS 119可儲存使一或多個裝置(例如，裝置107A至裝置107C或裝置119A至裝置119C)與一或多個使用者(所述一或多個使用者與系統100相關聯)相關聯的資訊。舉例而言，在一些情形下，使用者(諸如兼職雇員或全職雇員)可與行動裝置相關聯，此是由於使用者擁有行動裝置(例如，行動裝置為智慧型電話)。在其他情形下，使用者可與行動裝置相關聯，此是由於使用者暫時保管行動裝置(例如，使用者在一天開始時拿到行動裝置，將在一天期間使用所述行動裝置，且將在一天結束時 退還所述行動裝置)。
在一些實施例中，WMS 119可維護與系統100相關聯的每一使用者的工作日志。舉例而言，WMS 119可儲存與每一雇員相關聯的資訊，包含任何指定的過程(例如，自卡車卸載、自揀貨區揀取物件、合流牆(rebin wall)工作、包裝物件)、使用者識別符、位置(例如，履行中心200中的樓層或區)、藉由雇員經由系統移動的單位數目(例如，所揀取物件的數目、所包裝物件的數目)、與裝置(例如，裝置119A至裝置119C)相關聯的識別符，或類似者。在一些實施例中，WMS 119可自計時系統接收登記及登出資訊，所述計時系統諸如在裝置119A至裝置119C上操作的計時系統。
在一些實施例中，第3方履行(3rd party fulfillment；3PL)系統121A至第3方履行系統121C表示與物流及產品的第三方提供商相關聯的電腦系統。舉例而言，儘管一些產品儲存於履行中心200中(如下文相對於圖2所論述)，但其他產品可儲存於場外、可按需求生產，或可以其他方式不可供用於儲存於履行中心200中。3PL系統121A至3PL系統121C可經組態以(例如，經由FMG 115)自FO系統113接收訂單，且可直接為客戶提供產品及/或服務(例如，遞送或安裝)。在一些實施例中，3PL系統121A至3PL系統121C中的一或多者可為系統100的部分，而在其他實施例中，3PL系統121A至3PL系統121C中的一或多者可在系統100外部(例如，由第三方提供商擁有或操作)。
在一些實施例中，履行中心Auth系統(FC Auth)123可實行為具有各種功能的電腦系統。舉例而言，在一些實施例中，FC Auth 123可充當系統100中的一或多個其他系統的單一簽入(single-sign on；SSO)服務。舉例而言，FC Auth 123可使得使用者能夠經由內部前端系統105登入、判定使用者具有存取運送及訂單追蹤系統111處的資源的類似特權，且使得使用者能夠在不需要第二登入過程的情況下取得彼等特權。在其他實施例中，FC Auth 123可使得使用者(例如，雇員)能夠使自身與特定任務相關聯。舉例而言，一些雇員可能不具有電子裝置(諸如裝置119A至裝置119C)，且實際上可能在一天的過程期間在履行中心200內自任務至任務以及自區至區移動。FC Auth 123可經組態以使得彼等雇員能夠在一天的不同時間指示其正進行何任務以及其位於何區。
在一些實施例中，勞動管理系統(LMS)125可實行為儲存雇員(包含全職雇員及兼職雇員)的出勤及超時資訊的電腦系統。舉例而言，LMS 125可自FC Auth 123、WMS 119、裝置119A至裝置119C、運輸系統107及/或裝置107A至裝置107C接收資訊。
圖1A中所描繪的特定組態僅為實例。舉例而言，儘管圖1A描繪連接至FO系統113的FC Auth系統123，但並非所有實施例均要求此特定組態。實際上，在一些實施例中，系統100中的系統可經由一或多個公用或私用網路彼此連接，所述網路包含網際網路、企業內部網路、廣域網路(Wide-Area Network；WAN)、都會區域網路(Metropolitan-Area Network；MAN)、順應IEEE 802.11a/b/g/n標準的無線網路、租用線，或類似者。在一些實施例中，系統100中的系統中的一或多者可實行為在資料中心、伺服 器群或類似者處實行的一或多個虛擬伺服器。
圖2描繪履行中心200。履行中心200為儲存用於在訂購時運送至客戶的物件的實體位置的實例。可將履行中心(FC)200劃分成多個區，所述區中的每一者描繪於圖2中。在一些實施例中，可認為此等「區」為接收物件、儲存物件、取回物件以及運送物件的過程的不同階段之間的虛擬劃分。因此，儘管在圖2中描繪「區」，但其他區劃分為可能的，且在一些實施例中可省略、複製或修改圖2中的區。
入站區203表示FC 200的自希望使用來自圖1A的系統100出售產品的賣方接收到物件的區域。舉例而言，賣方可使用卡車201來遞送物件202A及物件202B。物件202A可表示足夠大以佔據其自身運送托板的單一物件，而物件202B可表示在同一托板上堆疊在一起以節省空間的物件集合。
工作者將在入站區203中接收物件，且可使用電腦系統(未描繪)來視情況檢查物件的損壞及正確性。舉例而言，工作者可使用電腦系統來比較物件202A及物件202B的數量與物件的所訂購數量。若數量不匹配，則工作者可拒絕物件202A或物件202B中的一或多者。若數量的確匹配，則工作者可(使用例如台車、手推平車、叉車或手動地)將彼等物件移動至緩衝區205。緩衝區205可為當前(例如由於揀貨區中存在足夠高數量的物件以滿足預報需求而)無需處於揀貨區中的所述物件的暫時儲存區域。在一些實施例中，叉車206操作以圍繞緩衝區205及在入站區203與卸貨區207之間移動物件。若(例如，由於預報需求而)需要揀貨區中的物件202A或物件202B，則叉車可將物件202A或物件202B移 動至卸貨區207。
卸貨區207可為FC 200的在將物件移動至揀貨區209之前儲存所述物件的區域。指派給揀貨任務的工作者(「揀貨員」)可靠近揀貨區中的物件202A及物件202B，使用行動裝置(例如，裝置119B)來掃描揀貨區的條碼，且掃描與物件202A及物件202B相關聯的條碼。揀貨員可接著(例如，藉由將物件置放於推車上或攜帶所述物件)將所述物件取至揀貨區209。
揀貨區209可為FC 200的將物件208儲存於儲存單元210上的區域。在一些實施例中，儲存單元210可包括實體擱架、書架、盒、手提包、冰箱、冷凍機、冷儲存區或類似者中的一或多者。在一些實施例中，揀貨區209可組織成多個樓層。在一些實施例中，工作者或機器可以多種方式將物件移動至揀貨區209中，包含例如叉車、電梯、傳送帶、推車、手推平車、台車、自動化機器人或裝置，或手動地移動。舉例而言，揀貨員可在卸貨區207中將物件202A及物件202B置放於手推平車或推車上，且將物件202A及物件202B步移至揀貨區209。
揀貨員可接收將物件置放(或「堆裝」)於揀貨區209中的特定點(諸如儲存單元210上的特定空間)的指令。舉例而言，揀貨員可使用行動裝置(例如，裝置119B)來掃描物件202A。裝置可例如使用指示走道、貨架以及位置的系統來指示揀貨員應將物件202A堆裝於何處。裝置可接著提示揀貨員在將物件202A堆裝於所述位置之前掃描所述位置處的條碼。裝置可(例如，經由無線網路)將資料發送至諸如圖1A中的WMS 119的電腦系統，從而指示已由使用裝置119B的使用者將物件202A堆裝於所述位置 處。
一旦使用者下訂單，揀貨員即可在裝置119B上接收自儲存單元210取回一或多個物件208的指令。揀貨員可取回物件208、掃描物件208上的條碼，且將所述物件208置放於運輸機構214上。儘管將運輸機構214表示為滑動件，但在一些實施例中，運輸機構可實行為傳送帶、電梯、推車、叉車、手推平車、台車或類似者中的一或多者。物件208可接著抵達包裝區211。
包裝區211可為FC 200的自揀貨區209接收到物件且將所述物件包裝至盒或包中以用於最終運送至客戶的區域。在包裝區211中，指派給接收物件的工作者(「合流工作者」)將自揀貨區209接收物件208且判定所述物件208對應於哪一訂單。舉例而言，合流工作者可使用諸如電腦119C的裝置來掃描物件208上的條碼。電腦119C可在視覺上指示物件208與哪一訂單相關聯。此可包含例如對應於訂單的牆216上的空間或「單元格」。一旦訂單完成(例如，由於單元格含有所述訂單的所有物件)，合流工作者即可指示包裝工作者(或「包裝員」)訂單完成。包裝員可自單元格取回物件且將所述物件置放於盒或包中以用於運送。包裝員可接著例如經由叉車、推車、台車、手推平車、傳送帶、手動地或以其他方式將盒或包發送至樞紐區(hub zone)213。
樞紐區213可為FC 200的自包裝區211接收所有盒或包(「包裹」)的區域。樞紐區213中的工作者及/或機器可取回包裹218且判定每一包裹預期去至遞送區域的哪一部分，且將包裹投送至適當的營地區(camp zone)215。舉例而言，若遞送區域具有兩個更小子區域，則包裹將去至兩個營地區215中的一者。在一些 實施例中，工作者或機器可(例如，使用裝置119A至裝置119C中的一者)掃描包裹以判定其最終目的地。將包裹投送至營地區215可包括例如(例如，基於郵遞碼)判定包裹去往的地理區域的一部分，以及判定與地理區域的所述部分相關聯的營地區215。
在一些實施例中，營地區215可包括一或多個建築物、一或多個實體空間或一或多個區域，其中自樞紐區213接收包裹以用於分選至路線及/或子路線中。在一些實施例中，營地區215與FC 200實體地分開，而在其他實施例中，營地區215可形成FC 200的一部分。
營地區215中的工作者及/或機器可例如基於下述者來判定包裹220應與哪一路線及/或子路線相關聯：目的地與現有路線及/或子路線的比較、對每一路線及/或子路線的工作負荷的計算、時刻、運送方法、運送包裹220的成本、與包裹220中的物件相關聯的PDD，或類似者。在一些實施例中，工作者或機器可(例如，使用裝置119A至裝置119C中的一者)掃描包裹以判定其最終目的地。一旦將包裹220指派給特定路線及/或子路線，工作者及/或機器即可移動待運送的包裹220。在例示性圖2中，營地區215包含卡車222、汽車226以及遞送工作者224A及遞送工作者224B。在一些實施例中，卡車222可由遞送工作者224A駕駛，其中遞送工作者224A為遞送FC 200的包裹的全職雇員，且卡車222由擁有、租用或操作FC 200的同一公司擁有、租用或操作。在一些實施例中，汽車226可由遞送工作者224B駕駛，其中遞送工作者224B為在視需要基礎上(例如，季節性地)遞送的「靈活」或臨時工作者。汽車226可由遞送工作者224B擁有、租用或操作。
根據一些實施例，提供一種用於基於影像過濾產品的方法。如先前所描述，產品可與產品資訊相關聯，所述產品資訊可包含影像或圖像。如此處所使用，影像可為產品、其特徵、用途及/或其他性質的視覺表示。影像的實例包含繪圖、圖像、相片、圖形、動畫、卡通、圖示、圖標及/或其他視覺元素。在一些實施例中，方法可由包含記憶體儲存媒體及一或多個處理器的電腦系統執行。舉例而言，電腦系統可為圖1A描繪的系統100。
藉助於另一實例，圖3描繪例示性電腦化系統的示意性圖示，包含使用者裝置302、CDS 304、伺服器306、ML DB 308以及不安全DB 310。系統300的一或多個組件可藉由網路連接。使用者裝置302可為經組態以用於與使用者交互的裝置，諸如圖1A中所描繪的裝置102A至裝置102B。使用者可包含購物者、瀏覽器、供應商、賣方以及與外部前端系統103交互的其他方。伺服器306可表示系統100或系統100的子系統中的一或多者。CDS 304、ML DB 308以及不安全DB 310可為一或多個記憶體儲存媒體的實例。在一些實施例中，CDS 304、ML DB 308以及不安全DB 310可為經組態以儲存不同資訊的單一儲存媒體的不同部分。
圖4為與所揭露實施例一致的用於過濾與不安全影像相關聯的產品的例示性機器學習架構的圖解圖示。在一些實施例中，圖4中所描繪的架構可實施於伺服器306中。藉助於實例，伺服器306可自一或多個資料庫(諸如CDS 304)接收影像402。一或多個機器學習模型(諸如404A至404C)可各自執行對影像402的分析，且分別產生分值406A至分值406C。基於分值406A至分值406C，決策引擎408可判定影像402安全抑或不安全，及是否 相應地指派敏感狀態。現將在下文參考圖5中所描繪的過程500描述伺服器306的詳細操作。
用於基於影像過濾產品的方法包含接收表示影像的影像資料，所述影像與產品識別符相關聯。藉助於實例，圖5描繪用於基於影像過濾產品的方法的例示性流程圖。
在步驟502中，伺服器306接收影像。在電腦技術的上下文中，影像由影像資料表示。影像可數位化為影像資料以供由電腦系統處理及操控。影像資料可為資料位元，諸如二進位位元。影像資料可在諸如JPEG、TIFF、GIF、BMP、PNG、BAT以及其他類似影像檔案格式中儲存及傳輸。
在步驟504中，伺服器306接收產品識別符。產品識別符可為唯一地識別儲存於資料庫的產品的資料。舉例而言，產品識別符可包含序號、標籤、庫存計量單位、名稱、程式碼及/或其他識別資訊。與同一產品相關的各種不同資訊可在儲存於資料庫中時經由產品識別符來連結。
在一些實施例中，在步驟502及步驟504中，伺服器306接收上載至資料庫的資訊，所述資訊至少含有產品識別符及與所述產品識別符相關聯的一或多個影像。藉助於實例，如圖3中所描繪，使用者可將與產品相關的資訊上載至CDS 304。資訊可包含關於或相關於產品的資訊，諸如產品的影像以及產品的名稱、數量、價格、大小、重量、品牌、顏色及/或其他相關資料。在一些實施例中，作為上載過程的部分，產品識別符指派至產品以使得相關於相同產品的所有資訊在儲存於CDS 304中時連結。在步驟502及步驟504中，伺服器306可藉由自CDS 304檢索而接收產品識 別符及與產品識別符相關聯的一或多個影像。根據一些實施例，方法更包含藉由多個機器學習模型分析影像資料。機器學習模型可指能夠在不受特別指示或程式化的情況下進行任務的電腦軟體、程式及/或演算法。機器學習模型的實例包含神經網路、決策樹、回歸分析、貝氏(Bayesian)網路、基因演算法及/或經組態以對一些訓練資料進行訓練的其他模型，且藉由訓練組態以處理額外資料以進行預測或決策。藉助於實例，伺服器306在步驟506A至步驟506C中使用多個機器學習模型分析影像資料。在一些實施例中，多個機器學習模型可為儲存於諸如ML DB 308的儲存媒體中的電腦程式碼及程式，且伺服器306可在步驟506A至步驟506C期間自ML DB 308檢索多個機器學習模型。
在一些實施例中，多個機器學習模型包含經組態以偵測裸體的至少一個神經網路影像分類器。神經網路或人工神經網路可指輸入資料提供至網路連接的節點層(其又提供輸出資料)的一種類型的機器學習模型。在所述層內，網路連接的節點經由「加權的」網路連接而連接。輸入資料可由此等網路連接的節點中的一或多者處理，從而經過此等加權連接。加權連接的權重可由學習規則判定。學習規則可為用於將權重指派至網路連接的節點的連接中的每一者的邏輯。舉例而言，學習規則可為包含預先標記的輸入資料及輸出資料的訓練資料集合中含有的關係。神經網路可因此「經訓練」以藉由將權重指派至層中的網路連接的節點之間的連接來辨識預先標記的輸入資料與輸出資料之間的關係。一旦經訓練，使用網路連接的節點之間的已建立加權連接，神經網路便可處理額外輸入資料以產生所要輸出資料。
在一些實施例中，多個機器學習模型更包含經組態以偵測對象的至少一個卷積神經網路。卷積神經網路可指節點層中的每一者可經組態以辨識輸入的特定特徵且多個節點層一起起作用以產生輸出的一種類型的神經網路。在卷積神經網路中，資料可經由層之間的滑動點積操作自一個層傳遞至下一層。卷積神經網路的實例可包含LeNet、MobileNet、AlexNet、VGGNet、GoogLeNet、ResNet、ZFNet、Xception、EfficientNet以及其他類似的神經網路機器學習模型。在一些實施例中，在應用於影像分析中時，卷積神經網路可具有不同層以自輸入影像擷取不同細節，諸如邊緣或顏色。如本文中所使用，對象可指可呈現於影像上的事物、文字、動物、人或事物、動物或人的部分。
在一些實施例中，神經網路可由影像分類器利用。影像分類器可指用於判定影像的一或多個態樣或屬性的程式、演算法、邏輯或程式碼。影像分類器可將影像指派至一或多個類別，類別為影像的預定義性質。使用經訓練神經網路，影像分類器可嘗試辨識影像的一些特徵，且基於神經網路的輸出將類別指派至影像。神經網路影像分類器可基於裸體對影像進行分類。如本文中所使用，裸體可指描繪人類個體未穿著覆蓋某些身體部分(諸如生殖器)的衣服的影像的內容。裸體偵測影像分類器的實例包含NudeNet。NudeNet為藉由訓練Xception模型架構及使用裸體/安全影像集合建構的卷積神經網路影像分類器。在一些實施例中，分類器能夠將影像分類於兩個類別中：裸體或安全(亦即，不含有裸體)。
藉助於實例，在步驟506A中，伺服器306使用機器學習模型MLO1分析接收到的影像。在一些實施例中，MLO1可為經組 態以偵測裸體的神經網路影像分類器的實例。MLO1可經組態以自影像402識別一或多個預定義對象。預定義對象可包含身體的暴露區，諸如臉部、臂、腿、腳、乳房、臀部、生殖器及/或可指示裸體的人類身體的其他特徵。在一些實施例中，使用多個訓練影像預先訓練MLO1。訓練影像可描繪一或多個預定義對象，其經預先標記以指示存在一或多個預定義對象。MLO1的實例可為NudeNet。
藉助於實例，在步驟506B中，伺服器306使用機器學習模型MLO2分析接收到的影像。在一些實施例中，MLO2可為經組態以偵測對象的卷積神經網路的實例。在一些實施例中，MLO2可實質上類似於MLO1操作，但具有最佳化的神經網路架構。可例如藉由經由卷積使不同節點層相關來達成最佳化。在一些實施例中，MLO2可經組態以分析相較於MLO1解析度增大的影像。在一些實施例中，MLO2可經組態以識別具有增加的雜訊及雜波的影像中的預定義對象。雜訊及雜波可指描述影像中所描繪的對象的等級或量的影像的性質。舉例而言，描繪緊密間隔開的許多對象的影像比描繪間隔開的幾個對象的影像更有雜訊或雜波。所屬技術領域中具有通常知識者現將理解，在分析有雜訊或雜波的影像時，諸如MLO1的裸體偵測器可能並不足夠。簡單地縮放MLO1以用於較高效能可為計算上昂貴及耗時的，因此，MLO2可與MLO1一起部署以分析不適合於MLO1的影像。
在一些實施例中，多個機器學習模型更包含經組態以偵測對象的至少一個複合縮放卷積神經網路。複合縮放卷積神經網路可指經由複合縮放法修改的卷積神經網路。大體上，由於更多計算資源可用，因此卷積神經網路可能夠執行對較大影像的分析，或 更詳細地執行分析。此可被稱作縮放(scaling)。在複合縮放中，網路連接的節點之間的連接藉由複合係數縮放，使得在縮放期間保留整體網路關係。複合縮放卷積神經網路的實例包含EfficientNet。
藉助於實例，在步驟506C中，伺服器306使用機器學習模型MLO3分析接收到的影像。在一些實施例中，MLO3可為經組態以偵測對象的複合縮放卷積神經網路的實例。在一些實施例中，MLO3可實質上類似於MLO1及MLO2操作。在一些實施例中，MLO3可為MLO2的進一步發展，經組態以允許更高效縮放以在不過度增加所需計算功率的情況下分析更多抽象影像。所屬技術領域中具有通常知識者現將瞭解，可調整伺服器306中部署的不同機器學習模型的數目以實現達成更大準確度、節省計算功率以及開發時間之間的所要平衡。開發及部署針對影像的所有情況或所有類型而最佳化的單一機器模型可不切實際且需要過度計算功率，因此，部署多個機器學習模型以實現所要平衡可更為有利。
在一些實施例中，可自在特定方法中訓練的模型建構MLO2及MLO3。舉例而言，可分別使用已知MobileNet模型及EfficientNet模型來建構MLO2及MLO3。舉例而言，MobileNet及EfficientNet為已針對一般影像分類目的而使用訓練影像集合訓練的模型，且可能夠將輸入影像分類至大於1000個類別中。建構MLO2及MLO3可包含MobileNet及EfficientNet的額外微調過程，其藉由用新分類器層替換MobileNet及EfficientNet的最末層。在一些實施例中，可使用來自諸如CDS 304的資料庫的預先標記的不安全/安全影像集合來訓練新分類器層。基於MobileNet及 EfficientNet建構的微調模型(例如，MLO2及MLO3)可因此對可於CDS 304中找到的影像的不安全特徵敏感，且經組態以基於不安全機率產生分值。
根據一些實施例，方法更包含產生影像的多個影像分值，每一影像分值由多個機器學習模型中的每一者產生。影像分值可為藉由多個機器學習模型中的一者指派至影像的數值。在一些實施例中，多個影像分值包含第一影像分值、第二影像分值以及第三影像分值。舉例而言，影像分值中的每一者可為0與1之間的數值。影像分值可表示影像不安全的機率(基於機器學習模型的分析)。不安全影像可為描繪可在由一些個體查看時產生攻擊性的主題的影像。此類攻擊性主題可包含裸體、性位姿及姿勢、僅穿著女士內衣或內衣的個人或成人主題的類似視覺表示。
在一些實施例中，第一影像分值由神經網路影像分類器產生。舉例而言，在步驟508A中，伺服器306使用MLO1產生第一分值。在一些實施例中，第二影像分值由卷積神經網路產生。舉例而言，在步驟508B中，伺服器306使用MLO2產生第二分值。在一些實施例中，第三影像分值由複合縮放卷積神經網路產生。舉例而言，在步驟508C中，伺服器306使用MLO3產生第三分值。
藉助於實例，如圖4中所描繪，影像402可為與產品相關聯的影像。在步驟502中，伺服器306可自CDS 304接收影像402。
伺服器306可包含：404A，其為經組態以偵測裸體的神經網路影像分類器的實例；404B，其為經組態以偵測對象的卷積神經網路的實例；以及404C，其為經組態以偵測對象的複合縮放 卷積神經網路。伺服器306在步驟506A中利用404A來分析影像402，且提供為輸出分值406A。伺服器306在步驟506B中利用404B來分析影像，且提供為輸出分值406B。伺服器306在步驟506C中利用404C來分析影像402，且提供為輸出分值406C。
根據一些實施例，方法更包含基於多個影像分值判定影像是否具有敏感狀態。敏感狀態可指指派至影像的資料值。舉例而言，敏感狀態可為在儲存於資料庫(諸如不安全DB 310或CDS 304)中時與影像相關聯的標記、標籤或布林(Boolean)值。若影像為不安全的，則所述影像可經指派敏感狀態。在一些實施例中，基於多個影像分值的臨限值與分值之間的比較指派敏感狀態。臨限值可指表示臨限的數值，其中存在高於臨限的一個條件及低於臨限的不同條件。
在一些實施例中，多個影像的臨限值取決於影像的影像類型。影像類型可為影像的性質，且可由與影像資料相關聯的數值指示。影像類型可描述類型成像，諸如影像是為圖畫、相片、圖形技術及/或可產生影像的其他方式。影像類型亦可指示與影像相關聯的類型產品，諸如服裝、玩具、書籍、雜誌、電器、電子產品及/或其他產品類別。在一些實施例中，指示影像類型的數值可基於與影像相關聯的產品的資訊在影像上載至CDS 304時產生。舉例而言，CDS 304可指派指示對應於產品或產品類別的影像類型的預定數值。
在一些實施例中，影像類型包含時裝影像、書籍影像以及卡通影像中的至少一者。時裝影像可指與服裝相關聯的影像。此類影像可包含描繪穿著不同衣服的處於各種狀態的個人的影像。屬 於此影像類型的不安全影像的實例可包含描繪穿著可能過度顯露的女士內衣、內衣或衣服的個人的影像。書籍影像可指與書籍產品相關聯的影像，通常並非總是書籍的封面。在一些情況下，諸如色情作品或言情小說的某些類別的書籍可具有可被視為不安全的封面。卡通影像可指屬於動畫藝術風格(諸如動漫或漫畫)的影像。影像類型可對應於相關聯產品資訊。舉例而言，與服裝相關聯的影像可在CDS 304中儲存為時裝影像；與書籍相關聯的影像可在CDS 304中儲存為書籍影像；且與動漫或漫畫相關聯的影像可在CDS 304中儲存為卡通影像。
藉助於實例，在步驟510中，伺服器306判定影像的影像類型。在一些實施例中，影像的影像資料可包含指示影像的影像類型的數值。舉例而言，時裝影像的影像資料具有與書籍影像或卡通影像的數值不同的數值。
在步驟512中，伺服器306基於在步驟510中判定的影像類型判定對應於多個影像分值的臨限值。取決於影像類型，多個機器學習模型可具有不同程度的效率或可靠性。藉助於實例，由404A、404B以及404C分析影像402，其中每一機器學習模型產生影像402的影像分值。由於神經網路架構及學習規則中的基礎差異，分值406A、分值406B以及分值406C可彼此極為不同。
在一些實施例中，在影像402為時裝影像時，諸如404A的裸體偵測器可能夠可靠地產生區分安全影像及不安全影像的分值。因此，分值406A的臨限值應經指派低值，而分值406B及分值406C的臨限值可經指派極高值。舉例而言，伺服器306可判定分值404A的臨限值為0.5至0.8，且分值406B及分值406C的臨 限值接近於1，且在步驟512中相應地判定臨限值。
在一些實施例中，在影像402為書籍影像時，諸如404A的裸體偵測器可能較不可靠。因此，分值406A、分值406B以及分值406C的臨限值可經指派大致相等的值。舉例而言，伺服器306可判定分值406A、分值406B以及分值406C的臨限值為0.75，且在步驟512中相應地判定臨限值。
在一些實施例中，在影像402為卡通影像時，諸如404B的卷積神經網路對象偵測器可能不可靠。因此，分值406B的臨限值可為高值。舉例而言，伺服器306可判定分值406A及分值406C的臨限值為0.7，而分值406B的臨限值接近於1，且在步驟512中相應地判定臨限值。在一些實施例中，404C亦可經調諧以在不使用404B的情況下對書籍影像起作用，且單一臨限值可用於書籍影像及卡通影像兩者。
在步驟514中，伺服器306比較分值與臨限值。在一些實施例中，若分值中的每一者大於與對應分析相關聯的對應臨限值，則步驟514為是(YES)，且過程500前進至步驟518。若分值中的一者小於臨限值，則步驟514為否(NO)，且過程500前進至步驟516。
藉助於實例，如圖4中所描繪，伺服器306更包含用於進行步驟510至步驟518的決策引擎408。決策引擎408可為可由伺服器306執行的軟體模組，諸如程式碼、演算法、程式或邏輯。決策引擎408可在步驟510及步驟512中基於影像402的影像類型判定第一因數、第二因數以及第三因數的值。決策引擎408亦可基於影像402的影像類型判定分值406A、分值406B以及分值 406C的臨限值。在步驟514中，決策引擎408可比較分值與臨限值。
在一些實施例中，分值表示影像不安全的可能性，且臨限值可表示可能性的臨限，在高於所述臨限的情況下，可藉由決策引擎408將敏感狀態指派至影像。舉例而言，若臨限值為0.75，則決策引擎將向具有75%或大於75%不安全可能性的影像指派敏感狀態。所屬技術領域中具有通常知識者現將瞭解，可基於設計目標而調整臨限值。舉例而言，較高臨限值將增加具有敏感狀態的影像實際上不安全的可能性(亦即，較少誤報)，且亦增大一些不安全影像可逃避偵測的風險。相比之下，較低臨限值可增加偵測到更多不安全影像的可能性，但增大更多安全影像亦經標記有敏感狀態的風險。
根據一些實施例，方法更包含將不安全類別指派至與具有敏感狀態的影像相關聯的產品識別符。在步驟516中，伺服器306並不將敏感狀態應用於影像。在步驟518中，伺服器將敏感狀態應用於影像。
在一些實施例中，與標記有敏感狀態的影像相關聯的產品的資訊可儲存於單獨資料庫中。藉助於實例，如圖3中所描繪，伺服器306可將與具有敏感狀態的影像相關聯的產品的產品資訊儲存於不安全DB 310中。在一些實施例中，具有儲存於不安全DB 310中的資訊的產品可置放於諸如CDS 304的另一系統資料庫中的不安全類別中。
在一些實施例中，方法更包含回應於具有用於產品的第一匹配準則的檢索查詢而接收含有多個產品識別符的結果。檢索 查詢可為定位資料庫中的資訊或資料的請求。電腦化系統可接收檢索查詢，且使用一或多個檢索演算法執行檢索以基於匹配準則找到匹配於檢索查詢的資訊或資料。匹配準則可指用於判定一段資訊或資料是否匹配於檢索查詢的規則或邏輯集合。舉例而言，如圖6中所描繪，伺服器306自使用者裝置602接收檢索查詢，且在CDS 304中執行對匹配產品的檢索。來自CDS 304的結果作為清單1返回，其為基於第一匹配準則匹配檢索查詢的產品識別符的清單。
在一些實施例中，方法更包含判定結果的多個產品識別符中的一者為指派至不安全類別的產品識別符。舉例而言，伺服器306在不安全DB 310中檢索以判定清單1中包含的產品識別符中的任一者是否亦儲存於不安全DB 310中。根據判定，伺服器306將第二匹配準則應用於指派至不安全類別的產品識別符；且若第二匹配準則失敗，則自結果移除指派至不安全類別的產品識別符。舉例而言，在伺服器306判定清單1的任何產品識別符儲存於不安全DB 310中時，此等產品識別符在單獨清單2中自不安全DB 310返回。對於清單2中的產品識別符，伺服器306使用第二匹配準則基於檢索查詢執行額外，所述第二匹配準則比第一匹配準則更嚴格。
舉例而言，第一匹配準則可經組態以允許伺服器306在結果中包含含有匹配檢索查詢的片語或標籤的產品，因此可包含並不恰好匹配檢索查詢的產品。第二匹配準則可經組態以使得伺服器306在結果中僅包含產品名稱匹配檢索查詢的清單2中的產品識別符。在另一實例中，第二匹配準則可經組態以尋找關鍵字， 諸如『成人』、『色情作品』、『女士內衣』或其他此類敏感術語，且若此等關鍵字存在於檢索查詢中，則在結果中僅包含清單2中的產品識別符。伺服器306可將結果返回至使用者裝置602。結果包含清單1中的產品識別符，減去清單2中的未能通過第二匹配準則的任何產品識別符。伺服器306可提供結果以供在使用者裝置602上顯示。
在一些實施例中，方法更包含接收含有待顯示於使用者裝置上的多個產品識別符的清單。清單可含有促銷產品，或與廣告活動相關聯的產品。清單可由伺服器306或由系統100的另一子系統產生。在一些實施例中，伺服器306判定多個產品識別符中的一者為指派至不安全類別的產品識別符。舉例而言，伺服器306可檢索用於清單中包含的任何產品識別符的不安全DB 310。根據判定，自清單移除指派至不安全類別的產品識別符。舉例而言，在伺服器306判定清單中包含的產品識別符中的任一者亦儲存於不安全DB中時，伺服器306可自清單移除彼等產品識別符，且提供更新的清單以供在使用者裝置602上顯示。
儘管已參考本揭露內容的特定實施例繪示及描述本揭露內容，但應理解，可在不修改的情況下在其他環境中實踐本揭露內容。已出於示出的目的呈現前述描述。前述描述並不詳盡且不限於所揭露的精確形式或實施例。修改及調適對所屬技術領域中具有通常知識者將自本說明書的考量及所揭露實施例的實踐顯而易見。另外，儘管將所揭露實施例的態樣描述為儲存於記憶體中，但所屬技術領域中具有通常知識者應瞭解，此等態樣亦可儲存於其他類型的電腦可讀媒體上，諸如次級儲存裝置，例如硬碟或CD ROM，或其他形式的RAM或ROM、USB媒體、DVD、藍光，或其他光碟機媒體。
基於書面描述及所揭露方法的電腦程式在有經驗開發者的技能內。各種程式或程式模組可使用所屬技術領域中具有通常知識者已知的技術中的任一者來創建或可結合現有軟體來設計。舉例而言，程式區段或程式模組可以或藉助於.Net框架(.Net Framework)、.Net緊密框架(.Net Compact Framework)(及相關語言，諸如視覺培基(Visual Basic)、C等)、爪哇(Java)、C++、目標-C(Objective-C)、HTML、HTML/AJAX組合、XML或包含爪哇小程式的HTML來設計。
此外，儘管本文中已描述示出性實施例，但所屬技術領域中具有通常知識者將基於本揭露內容瞭解具有等效元件、修改、省略、(例如，各種實施例中的態樣的)組合、調適及/或更改的任何及所有實施例的範圍。申請專利範圍中的限制應基於申請專利範圍中所採用的語言來廣泛地解釋，且不限於本說明書中所描述或在本申請案的審查期間的實例。實例應視為非排他性的。另外，所揭露方法的步驟可以包含藉由對步驟重新排序及/或插入或刪除步驟的任何方式修改。因此，希望僅將本說明書及實例視為示出性的，其中藉由以下申請專利範圍及其等效物的完整範圍指示真實範圍及精神。
306:伺服器
402:影像
404A、404B、404C:機器學習模型
406A、406B、406C:分值
408:決策引擎

Claims (20)

  1. 一種用於基於影像過濾產品的方法，由至少一個處理器執行，所述方法包括以下步驟：接收表示影像的影像資料，所述影像與產品識別符及影像類型相關聯；藉由多個機器學習模型分析所述影像資料，所述多個機器學習模型中的每一者具有至少一個與所述多個機器學習模型的其他者不同的節點神經層以自輸入影像擷取不同細節；產生所述影像的多個影像分值，每一影像分值由所述多個機器學習模型中的每一者根據對應的所述影像類型產生；基於所述多個影像分值判定所述影像是否具有敏感狀態；以及將不安全類別指派至與具有所述敏感狀態的所述影像相關聯的所述產品識別符。
  2. 如請求項1所述的方法，其中所述多個機器學習模型包括經組態以偵測裸體的至少一個神經網路影像分類器，且其中所述多個影像分值包括由所述神經網路影像分類器產生的第一影像分值。
  3. 如請求項2所述的方法，其中所述多個機器學習模型更包括經組態以偵測對象的至少一個卷積神經網路，且其中所述多個影像分值包括由所述卷積神經網路產生的第二影像分值。
  4. 如請求項3所述的方法，其中所述多個機器學習模型更包括經組態以偵測對象的至少一個複合縮放卷積神經網路，且其中所述多個影像分值包括由所述複合縮放卷積神經網路產生 的第三影像分值。
  5. 如請求項1所述的方法，其中所述多個影像分值包括第一影像分值、第二影像分值以及第三影像分值；且其中基於所述多個影像分值的臨限值與所述第一影像分值、所述第二影像分值以及所述第三影像分值之間的比較指派所述敏感狀態。
  6. 如請求項5所述的方法，其中所述多個影像分值的所述臨限值包括第一臨限值、第二臨限值以及第三臨限值。
  7. 如請求項6所述的方法，其中所述臨限值取決於所述影像的所述影像類型。
  8. 如請求項7所述的方法，其中所述影像類型包括時裝影像、書籍影像以及卡通影像中的至少一者。
  9. 如請求項1所述的方法，更包括以下步驟：回應於具有用於產品的第一匹配準則的檢索查詢而接收含有多個產品識別符的結果；判定所述結果的所述多個產品識別符中的一者為指派至所述不安全類別的所述產品識別符；根據所述判定：將第二匹配準則應用於指派至所述不安全類別的所述產品識別符；以及若所述第二匹配準則失敗，則自所述結果移除指派至所述不安全類別的所述產品識別符；提供所述結果以供在使用者裝置上顯示。
  10. 如請求項1所述的方法，更包括以下步驟：接收含有待顯示於使用者裝置上的多個產品識別符的清單； 判定所述多個產品識別符中的一者為指派至所述不安全類別的所述產品識別符；以及根據所述判定：自所述清單移除指派至所述不安全類別的所述產品識別符；提供所述清單以供在所述使用者裝置上顯示。
  11. 一種用於基於影像過濾產品的電腦化系統，包括：至少一個處理器；記憶體，包括指令，所述指令在由所述至少一個處理器執行時執行包括以下的步驟：接收表示影像的影像資料，所述影像與產品識別符及影像類型相關聯；藉由多個機器學習模型分析所述影像資料，所述多個機器學習模型中的每一者具有至少一個與所述多個機器學習模型的其他者不同的節點神經層以自輸入影像擷取不同細節；產生所述影像的多個影像分值，每一影像分值由所述多個機器學習模型中的每一者根據對應的所述影像類型產生；基於所述多個影像分值判定所述影像是否具有敏感狀態；以及將不安全類別指派至與具有所述敏感狀態的所述影像相關聯的所述產品識別符。
  12. 如請求項11所述的系統，其中所述多個機器學習模型包括經組態以偵測裸體的至少一個神經網路影像分類器，且其中所述多個影像分值包括由所述神經網路影像分類器產生的第一影像分值。
  13. 如請求項12所述的系統，其中所述多個機器學習模型更包括經組態以偵測對象的至少一個卷積神經網路，且其中所述多個影像分值包括由所述卷積神經網路產生的第二影像分值。
  14. 如請求項13所述的系統，其中所述多個機器學習模型更包括經組態以偵測對象的至少一個複合縮放卷積神經網路，且其中所述多個影像分值包括由所述複合縮放卷積神經網路產生的第三影像分值。
  15. 如請求項11所述的系統，其中所述多個影像分值包括第一影像分值、第二影像分值以及第三影像分值；且其中基於所述多個影像分值的臨限值與所述第一影像分值、所述第二影像分值以及所述第三影像分值之間的比較指派所述敏感狀態。
  16. 如請求項15所述的系統，其中所述多個影像分值的所述臨限值包括第一臨限值、第二臨限值以及第三臨限值。
  17. 如請求項16所述的系統，其中所述臨限值取決於所述影像的所述影像類型。
  18. 如請求項11所述的系統，更包括執行以下步驟：回應於具有用於產品的第一匹配準則的檢索查詢而接收含有多個產品識別符的結果；判定所述結果的所述多個產品識別符中的一者為指派至所述不安全類別的所述產品識別符；根據所述判定：將第二匹配準則應用於指派至所述不安全類別的所述產品識別符；以及若所述第二匹配準則失敗，則自所述結果移除指派至所述不 安全類別的所述產品識別符；提供所述結果以供在使用者裝置上顯示。
  19. 如請求項11所述的系統，更包括執行以下步驟：接收含有待顯示於使用者裝置上的多個產品識別符的清單；判定所述多個產品識別符中的一者為指派至所述不安全類別的所述產品識別符；以及根據所述判定：自所述清單移除指派至所述不安全類別的所述產品識別符；提供所述清單以供在所述使用者裝置上顯示。
  20. 一種用於基於影像過濾物件的系統，包括：一或多個處理器；記憶體儲存媒體，含有使得所述一或多個處理器執行以下步驟的指令：接收上載至資料庫的資訊，所述資訊含有至少一個產品識別符及影像類型及與所述產品識別符及所述影像類型相關聯的一或多個影像；藉由多個機器學習模型分析所述一或多個影像中的每一者，所述多個機器學習模型中的每一者具有至少一個與所述多個機器學習模型的其他者不同的節點神經層以自輸入影像擷取不同細節，其中影像資料經由層之間的滑動點積操作自一個層傳遞至下一層，所述多個機器學習模型包括：神經網路裸體偵測器，經組態以產生第一影像分值； 卷積神經網路對象偵測器，經組態以產生第二影像分值；以及複合縮放卷積神經網路對象偵測器，經組態以產生第三影像分值；基於所述第一影像分值、所述第二影像分值以及所述第三影像分值判定所述一或多個影像中的每一者是否具有敏感狀態；以及根據所述判定：將不安全類別指派至與具有所述敏感狀態的影像相關聯的所述產品識別符。
TW110115468A 2020-10-23 2021-04-29 用於基於影像過濾產品的系統與方法以及用於基於影像過濾物件的系統 TWI793585B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/079,414 US20220129497A1 (en) 2020-10-23 2020-10-23 Systems and methods for filtering products based on images
US17/079,414 2020-10-23

Publications (2)

Publication Number Publication Date
TW202217596A TW202217596A (zh) 2022-05-01
TWI793585B true TWI793585B (zh) 2023-02-21

Family

ID=81258458

Family Applications (2)

Application Number Title Priority Date Filing Date
TW112101670A TW202321945A (zh) 2020-10-23 2021-04-29 用於基於影像過濾產品的系統與方法以及用於基於影像過濾物件的系統
TW110115468A TWI793585B (zh) 2020-10-23 2021-04-29 用於基於影像過濾產品的系統與方法以及用於基於影像過濾物件的系統

Family Applications Before (1)

Application Number Title Priority Date Filing Date
TW112101670A TW202321945A (zh) 2020-10-23 2021-04-29 用於基於影像過濾產品的系統與方法以及用於基於影像過濾物件的系統

Country Status (4)

Country Link
US (1) US20220129497A1 (zh)
KR (2) KR20230076802A (zh)
TW (2) TW202321945A (zh)
WO (1) WO2022084730A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI808041B (zh) * 2022-11-21 2023-07-01 凌網科技股份有限公司 圖像顯示形式的轉換方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201536051A (zh) * 2014-02-07 2015-09-16 Euclid Vision Technologies B V 基於場景辨識的影像處理
US20170289624A1 (en) * 2016-04-01 2017-10-05 Samsung Electrônica da Amazônia Ltda. Multimodal and real-time method for filtering sensitive media
CN107959261A (zh) * 2018-01-23 2018-04-24 自贡市三人实业有限公司 一种输电线路智能巡线除障机器人
CN110781789A (zh) * 2019-10-18 2020-02-11 云南程秀科技有限公司 建立物品特征影像关联识别码进行识别验真防伪的方法
CN111178410A (zh) * 2019-12-19 2020-05-19 腾讯科技（深圳）有限公司 违规图片的识别方法及装置
US20200242750A1 (en) * 2019-01-30 2020-07-30 Walmart Apollo, Llc Systems and methods for detecting offensive content in images using neural network architectures

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001307088A (ja) * 2000-04-27 2001-11-02 Hitachi Zosen Corp 画像フィルタリング方法
KR100882476B1 (ko) * 2007-06-14 2009-02-06 유성준 음란성 이미지의 판별 방법과 그 장치
JP6571200B2 (ja) * 2015-02-24 2019-09-04 ヴィセンズ・プライベート・リミテッドＶｉｓｅｎｚｅ Ｐｔｅ Ｌｔｄ 製品インデキシング方法およびそのシステム
US10671854B1 (en) * 2018-04-09 2020-06-02 Amazon Technologies, Inc. Intelligent content rating determination using multi-tiered machine learning
US10769502B1 (en) * 2019-04-08 2020-09-08 Dropbox, Inc. Semantic image retrieval

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201536051A (zh) * 2014-02-07 2015-09-16 Euclid Vision Technologies B V 基於場景辨識的影像處理
US20170289624A1 (en) * 2016-04-01 2017-10-05 Samsung Electrônica da Amazônia Ltda. Multimodal and real-time method for filtering sensitive media
CN107959261A (zh) * 2018-01-23 2018-04-24 自贡市三人实业有限公司 一种输电线路智能巡线除障机器人
US20200242750A1 (en) * 2019-01-30 2020-07-30 Walmart Apollo, Llc Systems and methods for detecting offensive content in images using neural network architectures
CN110781789A (zh) * 2019-10-18 2020-02-11 云南程秀科技有限公司 建立物品特征影像关联识别码进行识别验真防伪的方法
CN111178410A (zh) * 2019-12-19 2020-05-19 腾讯科技（深圳）有限公司 违规图片的识别方法及装置

Also Published As

Publication number Publication date
TW202321945A (zh) 2023-06-01
KR20230076802A (ko) 2023-05-31
TW202217596A (zh) 2022-05-01
KR20220054537A (ko) 2022-05-03
WO2022084730A1 (en) 2022-04-28
KR102430313B1 (ko) 2022-08-08
US20220129497A1 (en) 2022-04-28

Similar Documents

Publication Publication Date Title
KR102350982B1 (ko) 인공 지능을 이용한 제품 분류를 위한 컴퓨터 시스템 및 방법
US20220188660A1 (en) Systems and methods for processing data for storing in a feature store and for use in machine learning
US11113468B1 (en) Systems and methods for word segmentation based on a competing neural character language model
US20220215452A1 (en) Systems and method for generating machine searchable keywords
KR20240007737A (ko) 제품 추천을 생성하기 위해 인공 지능을 사용하는 컴퓨터 시스템 및 방법
TWI793585B (zh) 用於基於影像過濾產品的系統與方法以及用於基於影像過濾物件的系統
TW202319988A (zh) 產生個人化廣告之系統以及方法
KR102459120B1 (ko) 제품 타이틀을 이용한 지능적 제품 분류를 위한 시스템 및 방법
TWI793606B (zh) 產生圖形顯示介面的方法及電腦系統
TWI817110B (zh) 產生內文相關檢索結果之電腦系統以及方法
KR102354732B1 (ko) 제품 타이틀 부정확성을 검출하기 위한 컴퓨터화된 시스템 및 방법
TW202403636A (zh) 電腦可讀媒體以及用於將動態產生的產品推薦提供至聯盟網站的電腦實行系統與方法
KR20230143089A (ko) 과거 구매에 기초하여 제품을 선택 및 제시하기 위한 시스템 및 방법