CN107742128A - 用于输出信息的方法和装置 - Google Patents
用于输出信息的方法和装置 Download PDFInfo
- Publication number
- CN107742128A CN107742128A CN201710984693.6A CN201710984693A CN107742128A CN 107742128 A CN107742128 A CN 107742128A CN 201710984693 A CN201710984693 A CN 201710984693A CN 107742128 A CN107742128 A CN 107742128A
- Authority
- CN
- China
- Prior art keywords
- image
- label information
- classified
- industry label
- information
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—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
- G06F16/58—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
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)
- Life Sciences & Earth Sciences (AREA)
- Library & Information Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于输出信息的方法和装置。该方法的一具体实施方式包括:获取待分类图像;提取所述待分类图像的特征信息;将所述特征信息导入预先建立的图像分类模型,得到所述待分类图像的行业标签信息,并输出得到的行业标签信息,其中,所述图像分类模型用于表征图像的特征信息与行业标签信息之间的对应关系,所述图像分类模型为包括残差神经网络的深度神经网络模型。该实施方式通过使用图像分类模型,提高了所生成的、待分类图像的行业标签信息的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及图像处理技术领域,尤其涉及用于输出信息的方法和装置。
背景技术
随着互联网技术的快速发展,用户通过互联网获取到的信息越来越丰富。例如,通过输入查询词用户可以获得与查询词相关的各类信息,例如,文本、图像、语音等信息。以图像为例,当用户通过终端设备向服务器发送查询信息之后,服务器会根据各个待推送图像的标签信息选取符合查询信息的图像,并将选取的图像发送到终端设备,以供终端设备进行显示。为了使终端设备显示的图像更加符合用户的查询词,需要为图像设置能够准确表达图像本身所描述内容的标签信息。
发明内容
本申请实施例的目的在于提出一种用于输出信息的方法和装置。
第一方面,本申请实施例提供了一种用于输出信息的方法,该方法包括:获取待分类图像;提取上述待分类图像的特征信息;将上述特征信息导入预先建立的图像分类模型,得到上述待分类图像的行业标签信息,并输出得到的行业标签信息,其中,上述图像分类模型用于表征图像的特征信息与行业标签信息之间的对应关系,上述图像分类模型为包括残差神经网络的深度神经网络模型。
在一些实施例中,上述深度神经网络模型还包括至少一个池化层和至少一个全连接层,上述深度神经网络模型在训练过程中增加丢弃层,其中,最后一个池化层的输入是上述丢弃层的输入,上述丢弃层的输出为最后一个全连接层的输入。
在一些实施例中,上述深度神经网络模型是通过以下方式训练得到的:获取样本数据,其中,上述样本数据包括样本图像和样本图像对应的行业标签信息;提取样本图像的特征信息;利用深度神经网络算法,将样本数据中的样本图像的特征信息作为输入,样本图像对应的行业标签信息作为输出,训练得到深度神经网络模型。
在一些实施例中,上述样本数据是通过以下方式得到的:使用用户预先设置的至少一个关键词,从搜索引擎获取至少一张图像;对上述至少一张图像进行预处理,并为预处理后的各张图像设置行业标签信息,其中,行业标签信息属于预先设置的行业标签信息集合,上述行业标签信息集合是对上述至少一个关键词进行聚类分析得到的,上述预处理包括以下至少一项:旋转处理、长宽变化处理、明暗度变化处理、对比度变化处理、饱和度变化处理、RGB值变化处理。
在一些实施例中,在提取上述待分类图像的特征信息之前,上述方法还包括:对上述待分类图像进行处理,得到特定尺寸的待分类图像。
第二方面,本申请实施例提供了一种用于输出信息的装置,该装置包括:获取单元,用于获取待分类图像;提取单元,用于提取上述待分类图像的特征信息;输出单元,用于将上述特征信息导入预先建立的图像分类模型,得到上述待分类图像的行业标签信息,并输出得到的行业标签信息,其中,上述图像分类模型用于表征图像的特征信息与行业标签信息之间的对应关系,上述图像分类模型为包括残差神经网络的深度神经网络模型。
在一些实施例中,上述深度神经网络模型还包括至少一个池化层和至少一个全连接层,上述深度神经网络模型在训练过程中增加丢弃层,其中,最后一个池化层的输入是上述丢弃层的输入,上述丢弃层的输出为最后一个全连接层的输入。
在一些实施例中,上述深度神经网络模型是通过以下方式训练得到的:获取样本数据,其中,上述样本数据包括样本图像和样本图像对应的行业标签信息;提取样本图像的特征信息;利用深度神经网络算法,将样本数据中的样本图像的特征信息作为输入,样本图像对应的行业标签信息作为输出,训练得到深度神经网络模型。
在一些实施例中,上述样本数据是通过以下方式得到的:使用用户预先设置的至少一个关键词,从搜索引擎获取至少一张图像;对上述至少一张图像进行预处理,并为预处理后的各张图像设置行业标签信息,其中,行业标签信息属于预先设置的行业标签信息集合,上述行业标签信息集合是对上述至少一个关键词进行聚类分析得到的,上述预处理包括以下至少一项:旋转处理、长宽变化处理、明暗度变化处理、对比度变化处理、饱和度变化处理、RGB值变化处理。
在一些实施例中,上述装置还包括:处理单元,用于对上述待分类图像进行处理,得到特定尺寸的待分类图像。
第三方面,本申请实施例提供了一种终端,该终端包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于输出信息的方法和装置,首先获取待分类图像,而后提取待分类图像的特征信息,最后将待分类图像的特征信息导入预先建立的图像分类模型,得到待分类图像的行业标签信息,并输出得到的行业标签信息,其中,上述图像分类模型为包括残差神经网络的深度神经网络模型,从而通过使用图像分类模型,提高了所生成的、待分类图像的行业标签信息的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的用于输出信息的方法的一个实施例的流程图;
图3是根据本申请的用于输出信息的方法的一个应用场景的示意图;
图4是根据本申请的用于输出信息的装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的终端设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于输出信息的方法或用于输出信息的装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持信息显示的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的信息提供支持的后台服务器。后台服务器可以对接收到的图像等数据进行分析等处理,并将处理结果(例如根据图像生成的标签信息)反馈给终端设备。
需要说明的是,本申请实施例所提供的用于输出信息的方法可以通过终端设备101、102、103执行,也可以通过服务器105执行,还可以通过服务器105和终端设备101、102、103共同执行,相应地,用于输出信息的装置可以设置于终端设备101、102、103中,也可以设置于服务器105中,还可以部分单元设置于服务器105中并将其他单元设置于终端设备101、102、103中。本申请对此不做限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法,包括以下步骤:
步骤201,获取待分类图像。
在本实施例中,用于输出信息的方法运行于其上的电子设备(例如图1所示的终端设备101、102、103)可以通过各种方式获取待分类图像,例如,可以从指定网站抓取待分类图像,也可以接收用户输入的待分类图像。在这里,上述用户可以是指发送待分类图像的用户,例如,上述用户可以是指广告主,广告主可以发送待分类图像(例如,待推销商品的图像)。上述待分类图像可以是各种图像,例如,产品图像。
步骤202,提取待分类图像的特征信息。
在本实施例中,上述电子设备可以提取上述待分类图像的特征信息。待分类图像的特征信息可以是用于表征图像特征的各种信息,例如,特征信息可以是图像的各种基本要素(例如颜色、线条、纹理等)。
在本实施例的一些可选的实现方式中,在步骤202,提取待分类图像的特征信息之前,上述方法还可以包括:对上述待分类图像进行处理,得到特定尺寸的待分类图像。上述处理可以是指对待分类图像的尺寸进行调整,使其为特定尺寸。
步骤203,将特征信息导入预先建立的图像分类模型,得到待分类图像的行业标签信息,并输出得到的行业标签信息。
在本实施例中,上述电子设备可以将步骤202中得到的待分类图像的特征信息导入预先建立的图像分类模型,从而得到待分类图像的行业标签信息,上述行业标签信息可以用于描述待分类图像中的对象所属的行业。上述图像分类模型可以用于表征图像的特征信息与行业标签信息之间的对应关系,上述图像分类模型可以为包括残差神经网络的深度神经网络模型(例如可以是50层的残差神经网络),作为示例,残差神经网络中可以包括至少一个残差学习单元,上述至少一个残差学习单元中的每一个残差学习单元可以包括至少两层,残差学习单元中的各层可以为卷积层、批量规范化层、激活函数层、相加层等等。实际使用中,可以根据实际需要设置残差学习单元的数量,以及各个残差学习单元所包括的层,本申请对此不做限定。每个残差学习单元的输入不仅包含上一个残差学习单元的输出,还包含上一个残差学习单元的输入,这样就构成了跨层连接的输入输出方式,因此,残差神经网络可以使深度神经网络模型的层数大大加深,极快地加速深度神经网络模型的训练,从而提高了图像分类模型所生成信息的准确性。
在本实施例的一些可选的实现方式中,上述深度神经网络模型还可以包括至少一个池化层和至少一个全连接层,上述深度神经网络模型在训练过程中增加丢弃层(dropout层),其中,最后一个池化层的输入是上述丢弃层的输入,上述丢弃层的输出为最后一个全连接层的输入。在深度神经网络模型训练过程中,可以使用丢弃层将一定比例的神经元输出置零,从而使训练得到的深度神经网络模型的泛化能力增强。
在深度神经网络模型的实际训练过程中通常一个批次(batch)同时训练多个样本数据。上述深度神经网络模型还可以包括批量规范化层(Batch Normalization层),在深度神经网络模型训练过程中,可以将批量规范化层的参数use_global_stats设置为false而不是true,即使用当前批次内的样本数据而不是全部样本数据计算均值、方差等统计量,可以避免模型不收敛。
在本实施例的一些可选的实现方式中,上述深度神经网络模型可以是上述电子设备或者其它用于训练上述深度神经网络模型的电子设备通过以下方式训练得到的:首先,可以获取样本数据,其中,上述样本数据可以包括样本图像和样本图像对应的行业标签信息,在这里,样本图像可以是各种图像,例如,可以是产品图像,样本图像对应的行业标签信息可以用于描述样本图像中的对象所属的行业。例如,样本图像为激光切割机的图像,该样本图像对应的行业标签信息可以为“切割机”。又例如,样本图像为一个女子正在做美容的图像,则该样本图像对应的行业标签信息可以为“美容”。其次,可以提取样本图像的特征信息,样本图像的特征信息可以是用于表征样本图像特征的各种信息。最后,可以利用深度神经网络算法,将样本数据中的样本图像的特征信息作为输入,样本图像对应的行业标签作为输出,训练得到深度神经网络模型。
在一些可选的实现方式中,上述样本数据可以是通过以下方式得到的:
首先,可以使用用户预先设置的至少一个关键词,从搜索引擎获取至少一张图像,在这里,上述用户可以是指能够设置关键词的用户,例如,上述用户可以是指广告主,广告主可以预先设置至少一个关键词。上述电子设备或者其它由于获取样本数据的电子设备可以将用户设置的至少一个关键词输入搜索引擎(例如,百度、谷歌等等),从而得到至少一张图像。之后,可以对上述至少一张图像进行预处理,并为预处理后的各张图像设置行业标签信息,在这里,可以根据各种方式为图像设置行业标签信息,例如,可以人工设置。又例如,可以首先为上述至少一个关键词设置行业标签信息,例如,可以为关键词“越野车怎么样”设置行业标签信息“汽车”,之后,可以将每一个关键词对应的行业标签信息作为基于该关键词搜索得到的图像的行业标签信息。在这里,行业标签信息属于预先设置的行业标签集合,上述行业标签集合是对上述至少一个关键词进行聚类分析得到的,例如,可以将上述至少一个关键词进行文本聚类,并根据聚类结果整理得到行业标签信息,例如,可以根据聚类结果中各类涉及的行业人工整理得到行业标签信息。上述预处理可以包括以下至少一项:旋转处理、长宽变化处理、明暗度变化处理、对比度变化处理、饱和度变化处理、RGB值变化处理。将预处理后得到的图像作为样本图像训练模型,可以增强模型的泛化能力。
继续参见图3,图3是根据本实施例的用于输出信息的方法的应用场景的一个示意图。在图3的应用场景中,终端设备首先获取待分类图像301,其中,待分类图像301为汽车的图像;之后,提取待分类图像301的特征信息;然后,将提取的特征信息导入图像分类模型,得到待分类图像301的行业标签信息“汽车”,并输出得到的行业标签信息“汽车”,就会如图3所示。
本申请的上述实施例提供的方法通过使用图像分类模型,提高了所生成的、待分类图像的行业标签信息的准确性。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种用于输出信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的用于输出信息的装置400包括:获取单元401、提取单元402和输出单元403。其中,获取单元401用于获取待分类图像;提取单元402用于提取上述待分类图像的特征信息;输出单元403用于将上述特征信息导入预先建立的图像分类模型,得到上述待分类图像的行业标签信息,并输出得到的行业标签信息,其中,上述图像分类模型用于表征图像的特征信息与行业标签信息之间的对应关系,上述图像分类模型为包括残差神经网络的深度神经网络模型。
在本实施例中,用于输出信息的装置400的获取单元401、提取单元402和输出单元403的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述深度神经网络模型还可以包括至少一个池化层和至少一个全连接层,上述深度神经网络模型在训练过程中增加丢弃层,其中,最后一个池化层的输入是上述丢弃层的输入,上述丢弃层的输出为最后一个全连接层的输入。
在本实施例的一些可选的实现方式中,上述深度神经网络模型可以是通过以下方式训练得到的:获取样本数据,其中,上述样本数据包括样本图像和样本图像对应的行业标签信息;提取样本图像的特征信息;利用深度神经网络算法,将样本数据中的样本图像的特征信息作为输入,样本图像对应的行业标签信息作为输出,训练得到深度神经网络模型。
在本实施例的一些可选的实现方式中,上述样本数据可以是通过以下方式得到的:使用用户预先设置的至少一个关键词,从搜索引擎获取至少一张图像;对上述至少一张图像进行预处理,并为预处理后的各张图像设置行业标签信息,其中,行业标签信息属于预先设置的行业标签信息集合,上述行业标签信息集合是对上述至少一个关键词进行聚类分析得到的,上述预处理包括以下至少一项:旋转处理、长宽变化处理、明暗度变化处理、对比度变化处理、饱和度变化处理、RGB值变化处理。
在本实施例的一些可选的实现方式中,上述装置400可以还包括:处理单元(图中未示出),用于对上述待分类图像进行处理,得到特定尺寸的待分类图像。
下面参考图5,其示出了适于用来实现本申请实施例的终端设备的计算机***500的结构示意图。图5示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机***500包括中央处理单元(CPU,Central Processing Unit)501,其可以根据存储在只读存储器(ROM,Read Only Memory)502中的程序或者从存储部分508加载到随机访问存储器(RAM,Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有***500操作所需的各种程序和数据。CPU 501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O,Input/Output)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN(局域网,Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、提取单元和输出单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取待分类图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取待分类图像;提取上述待分类图像的特征信息;将上述特征信息导入预先建立的图像分类模型,得到上述待分类图像的行业标签信息,并输出得到的行业标签信息,其中,上述图像分类模型用于表征图像的特征信息与行业标签信息之间的对应关系,上述图像分类模型为包括残差神经网络的深度神经网络模型。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用于输出信息的方法,其特征在于,所述方法包括:
获取待分类图像;
提取所述待分类图像的特征信息;
将所述特征信息导入预先建立的图像分类模型,得到所述待分类图像的行业标签信息,并输出得到的行业标签信息,其中,所述图像分类模型用于表征图像的特征信息与行业标签信息之间的对应关系,所述图像分类模型为包括残差神经网络的深度神经网络模型。
2.根据权利要求1所述的方法,其特征在于,所述深度神经网络模型还包括至少一个池化层和至少一个全连接层,所述深度神经网络模型在训练过程中增加丢弃层,其中,最后一个池化层的输入是所述丢弃层的输入,所述丢弃层的输出为最后一个全连接层的输入。
3.根据权利要求1所述的方法,其特征在于,所述深度神经网络模型是通过以下方式训练得到的:
获取样本数据,其中,所述样本数据包括样本图像和样本图像对应的行业标签信息;
提取样本图像的特征信息;
利用深度神经网络算法,将样本数据中的样本图像的特征信息作为输入,样本图像对应的行业标签信息作为输出,训练得到深度神经网络模型。
4.根据权利要求3所述的方法,其特征在于,所述样本数据是通过以下方式得到的:
使用用户预先设置的至少一个关键词,从搜索引擎获取至少一张图像;
对所述至少一张图像进行预处理,并为预处理后的各张图像设置行业标签信息,其中,行业标签信息属于预先设置的行业标签信息集合,所述行业标签信息集合是对所述至少一个关键词进行聚类分析得到的,所述预处理包括以下至少一项:旋转处理、长宽变化处理、明暗度变化处理、对比度变化处理、饱和度变化处理、RGB值变化处理。
5.根据权利要求1所述的方法,其特征在于,在提取所述待分类图像的特征信息之前,所述方法还包括:
对所述待分类图像进行处理,得到特定尺寸的待分类图像。
6.一种用于输出信息的装置,其特征在于,所述装置包括:
获取单元,用于获取待分类图像;
提取单元,用于提取所述待分类图像的特征信息;
输出单元,用于将所述特征信息导入预先建立的图像分类模型,得到所述待分类图像的行业标签信息,并输出得到的行业标签信息,其中,所述图像分类模型用于表征图像的特征信息与行业标签信息之间的对应关系,所述图像分类模型为包括残差神经网络的深度神经网络模型。
7.根据权利要求6所述的装置,其特征在于,所述深度神经网络模型还包括至少一个池化层和至少一个全连接层,所述深度神经网络模型在训练过程中增加丢弃层,其中,最后一个池化层的输入是所述丢弃层的输入,所述丢弃层的输出为最后一个全连接层的输入。
8.根据权利要求6所述的装置,其特征在于,所述深度神经网络模型是通过以下方式训练得到的:
获取样本数据,其中,所述样本数据包括样本图像和样本图像对应的行业标签信息;
提取样本图像的特征信息;
利用深度神经网络算法,将样本数据中的样本图像的特征信息作为输入,样本图像对应的行业标签信息作为输出,训练得到深度神经网络模型。
9.根据权利要求8所述的装置,其特征在于,所述样本数据是通过以下方式得到的:
使用用户预先设置的至少一个关键词,从搜索引擎获取至少一张图像;
对所述至少一张图像进行预处理,并为预处理后的各张图像设置行业标签信息,其中,行业标签信息属于预先设置的行业标签信息集合,所述行业标签信息集合是对所述至少一个关键词进行聚类分析得到的,所述预处理包括以下至少一项:旋转处理、长宽变化处理、明暗度变化处理、对比度变化处理、饱和度变化处理、RGB值变化处理。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
处理单元,用于对所述待分类图像进行处理,得到特定尺寸的待分类图像。
11.一种终端,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710984693.6A CN107742128A (zh) | 2017-10-20 | 2017-10-20 | 用于输出信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710984693.6A CN107742128A (zh) | 2017-10-20 | 2017-10-20 | 用于输出信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107742128A true CN107742128A (zh) | 2018-02-27 |
Family
ID=61237918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710984693.6A Pending CN107742128A (zh) | 2017-10-20 | 2017-10-20 | 用于输出信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107742128A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035243A (zh) * | 2018-08-10 | 2018-12-18 | 北京百度网讯科技有限公司 | 用于输出电池极片毛刺信息的方法和装置 |
CN109064464A (zh) * | 2018-08-10 | 2018-12-21 | 北京百度网讯科技有限公司 | 用于检测电池极片毛刺的方法和装置 |
CN109101916A (zh) * | 2018-08-01 | 2018-12-28 | 甘肃未来云数据科技有限公司 | 基于标识带的视频动作的获取方法和装置 |
CN109800769A (zh) * | 2018-12-20 | 2019-05-24 | 平安科技(深圳)有限公司 | 产品分类控制方法、装置、计算机设备及存储介质 |
CN110276364A (zh) * | 2018-03-15 | 2019-09-24 | 阿里巴巴集团控股有限公司 | 分类模型的训练方法、数据分类方法、装置及电子设备 |
CN110298386A (zh) * | 2019-06-10 | 2019-10-01 | 成都积微物联集团股份有限公司 | 一种基于图像内容的标签自动化定义方法 |
CN110737824A (zh) * | 2018-07-03 | 2020-01-31 | 百度在线网络技术(北京)有限公司 | 内容查询方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512676A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 一种智能终端上的食物识别方法 |
CN106650813A (zh) * | 2016-12-27 | 2017-05-10 | 华南理工大学 | 一种基于深度残差网络和lstm的图像理解方法 |
CN106921749A (zh) * | 2017-03-31 | 2017-07-04 | 北京京东尚科信息技术有限公司 | 用于推送信息的方法和装置 |
CN107239802A (zh) * | 2017-06-28 | 2017-10-10 | 广东工业大学 | 一种图像分类方法及装置 |
-
2017
- 2017-10-20 CN CN201710984693.6A patent/CN107742128A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512676A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 一种智能终端上的食物识别方法 |
CN106650813A (zh) * | 2016-12-27 | 2017-05-10 | 华南理工大学 | 一种基于深度残差网络和lstm的图像理解方法 |
CN106921749A (zh) * | 2017-03-31 | 2017-07-04 | 北京京东尚科信息技术有限公司 | 用于推送信息的方法和装置 |
CN107239802A (zh) * | 2017-06-28 | 2017-10-10 | 广东工业大学 | 一种图像分类方法及装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276364A (zh) * | 2018-03-15 | 2019-09-24 | 阿里巴巴集团控股有限公司 | 分类模型的训练方法、数据分类方法、装置及电子设备 |
CN110276364B (zh) * | 2018-03-15 | 2023-08-08 | 阿里巴巴集团控股有限公司 | 分类模型的训练方法、数据分类方法、装置及电子设备 |
CN110737824A (zh) * | 2018-07-03 | 2020-01-31 | 百度在线网络技术(北京)有限公司 | 内容查询方法和装置 |
CN109101916A (zh) * | 2018-08-01 | 2018-12-28 | 甘肃未来云数据科技有限公司 | 基于标识带的视频动作的获取方法和装置 |
CN109101916B (zh) * | 2018-08-01 | 2022-07-05 | 甘肃未来云数据科技有限公司 | 基于标识带的视频动作的获取方法和装置 |
CN109035243A (zh) * | 2018-08-10 | 2018-12-18 | 北京百度网讯科技有限公司 | 用于输出电池极片毛刺信息的方法和装置 |
CN109064464A (zh) * | 2018-08-10 | 2018-12-21 | 北京百度网讯科技有限公司 | 用于检测电池极片毛刺的方法和装置 |
CN109064464B (zh) * | 2018-08-10 | 2022-02-11 | 北京百度网讯科技有限公司 | 用于检测电池极片毛刺的方法和装置 |
CN109800769A (zh) * | 2018-12-20 | 2019-05-24 | 平安科技(深圳)有限公司 | 产品分类控制方法、装置、计算机设备及存储介质 |
CN110298386A (zh) * | 2019-06-10 | 2019-10-01 | 成都积微物联集团股份有限公司 | 一种基于图像内容的标签自动化定义方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742128A (zh) | 用于输出信息的方法和装置 | |
CN105740402B (zh) | 数字图像的语义标签的获取方法及装置 | |
CN107908789A (zh) | 用于生成信息的方法和装置 | |
CN106874467A (zh) | 用于提供搜索结果的方法和装置 | |
CN107491547A (zh) | 基于人工智能的搜索方法和装置 | |
CN107273503A (zh) | 用于生成同语言平行文本的方法和装置 | |
CN107491534A (zh) | 信息处理方法和装置 | |
CN108038469A (zh) | 用于检测人体的方法和装置 | |
CN108416003A (zh) | 一种图片分类方法和装置、终端、存储介质 | |
CN107832468A (zh) | 需求识别方法和装置 | |
CN108932220A (zh) | 文章生成方法和装置 | |
CN107731229A (zh) | 用于识别语音的方法和装置 | |
CN107577807A (zh) | 用于推送信息的方法和装置 | |
CN107944481A (zh) | 用于生成信息的方法和装置 | |
CN107590255A (zh) | 信息推送方法和装置 | |
CN107295095A (zh) | 推送及展示广告的方法和装置 | |
CN110163218A (zh) | 基于图像识别的脱敏处理方法以及装置 | |
CN107644106B (zh) | 自动挖掘业务中间人的方法、终端设备及存储介质 | |
CN108280200A (zh) | 用于推送信息的方法和装置 | |
CN107590484A (zh) | 用于呈现信息的方法和装置 | |
CN109033282A (zh) | 一种基于抽取模板的网页正文抽取方法及装置 | |
CN107729928A (zh) | 信息获取方法和装置 | |
CN109389182A (zh) | 用于生成信息的方法和装置 | |
CN106951495A (zh) | 用于呈现信息的方法和装置 | |
CN107977678A (zh) | 用于输出信息的方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180227 |
|
RJ01 | Rejection of invention patent application after publication |