CN108829784A - 全景推荐方法、装置、设备及计算机可读介质 - Google Patents
全景推荐方法、装置、设备及计算机可读介质 Download PDFInfo
- Publication number
- CN108829784A CN108829784A CN201810550408.4A CN201810550408A CN108829784A CN 108829784 A CN108829784 A CN 108829784A CN 201810550408 A CN201810550408 A CN 201810550408A CN 108829784 A CN108829784 A CN 108829784A
- Authority
- CN
- China
- Prior art keywords
- panorama
- panoramic view
- view data
- feature
- picture
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明提出一种全景推荐方法,包括:根据全景数据生成相应的全景特征;分别计算所述全景特征与其他全景数据的全景特征的相似度,并选取相似度最高的N全景数据,作为推荐全景候选集合,N为预设的整数;将所述推荐全景候选集合进行存储;抽取所述全景候选集合中的部分全景,并推荐给用户。本发明实施例可以为用户展示更多用户所喜欢的全景资源,从而利用全景数据的连贯性、多线性、多角度、临场感、大空间、高交互等优点,为用户提供更丰富的视觉信息、更强烈的沉浸感,带给用户更真实和更有趣味的视觉体验。
Description
技术领域
本发明涉及数据推荐技术领域,尤其涉及一种全景推荐方法及装置、设备和计算机可读介质。
背景技术
全景(panorama)数据,作为一种新型信息数据,其与传统图像数据相比,具有连贯性、多线性、多角度、临场感、大空间、高交互等优点。通过全景数据的展示,可为用户提供更丰富的视觉信息、更强烈的沉浸感,带给用户更真实和更有趣味的视觉体验。
然而,全景数据作为一种新兴的数据形态,目前不易通过经典传统的互联网搜索技术获取到。这一方面使得互联网用户无法更多的体验全景数据带来的趣味视觉体验,也不利于资源方手中的全景资源转化为实际用户流量。从用户角度来讲,当用户在一个全景页面有足够长的停留时间或步长,则表示该用户对全景资源这一新兴类型的数据形态十分感兴趣。在这种场景下,如果可以为用户推荐合适的其他全景数据,则很容易被用户点击,从而产生新的用户pv(page view,访问量);同时提升用户的浏览体验。然而,全景推荐相关技术在目前还处于技术上的空白区域。
发明内容
本发明实施例提供一种全景推荐方法、装置、设备及计算机可读介质,以解决或缓解现有技术中的一个或多个技术问题。
第一方面,本发明实施例提供了一种全景推荐方法,包括:
根据全景数据生成相应的全景特征;
分别计算所述全景特征与其他全景数据的全景特征的相似度,并选取相似度最高的N全景数据,作为推荐全景候选集合,N为预设的整数;
将所述推荐全景候选集合进行存储;
抽取所述全景候选集合中的部分全景,并推荐给用户。
结合第一方面,本发明实施例在第一方面的第一种实施方式中,所述根据全景数据生成相应的全景特征的步骤中,所述全景特征通过全景数据本身带有的标注信息获得,或
通过人工标注的词条标签方式获得,或
通过提取全景视觉特征方式获得。
结合第一方面的第一种实施方式,本发明实施例在第一方面的第二种实施方式中,所述通过提取全景视觉特征的方式具体包括:
将全景数据转化为一张或多张图片;
从图片数据中提取多个视觉特征;
将多个视觉特征进行综合处理后获得全景数据的视觉特征。
结合第一方面的第二种实施方式,本发明实施例在第一方面的第三种实施方式中,所述将全景数据转化为一张或多张图片的步骤中,将全景数据表示为六面体数据,用六面体六个面的图片表示全景数据;或
将全景数据表示为长宽比为2:1的图片数据,用该2:1图片表示全景数据;或
对全景数据进行视角采样,得到指定数量的图片。
结合第一方面的第二种实施方式,本发明实施例在第一方面的第四种实施方式中,所述从图片中提取的视觉特征包括:图片整体视觉特征向量、根据物体区域坐标分割的各区域的视觉特征向量,以及识别出的物体类别标签中的一种或多种。
结合第一方面的第二种实施方式,本发明实施例在第一方面的第五种实施方式中,所述将多个视频特征进行综合处理的方式包括:对全景数据特征进行拼接、求和、平均和池化中的一种或多种。
第二方面,本发明实施例提供了一种全景推荐装置,包括:
特征生成模块,用于根据全景数据生成相应的全景特征;
相似度计算模块,用于分别计算所述全景特征与其他全景数据的全景特征的相似度,并选取相似度最高的N全景数据,作为推荐全景候选集合,N为预设的整数;
存储模块,用于将所述推荐全景候选集合进行存储;
抽取模块,用于抽取所述全景候选集合中的部分全景,并推荐给用户。
结合第二方面,本发明实施例在第二方面的第一种实施方式中,所述特征生成模块包括:
第一特征生成子模块,用于通过全景数据本身带有的标签获得全景特征;
第二特征生成子模块,用于通过人工标注的词条标签方式获得全景特征;
第三特征生成子模块,用于通过提取全景视觉特征方式获得全景特征。
结合第二方面的第一种实施方式,本发明实施例在第二方面的第二种实施方式中,所述第三特征生成子模块包括:
转换单元,用于将全景数据转化为一张或多张图片;
提取单元,用于从图片数据中提取多个视觉特征;
综合处理单元,用于将多个视觉特征进行综合处理后获得全景数据的视觉特征。
结合第二方面的第二种实施方式,本发明实施例在第二方面的第三种实施方式中,所述转换单元包括:
第一转换子单元,用于将全景数据表示为六面体数据,用六面体六个面的图片表示全景数据;
第二转换子单元,用于将全景数据表示为长宽比为2:1的图片数据,用该2:1图片表示全景数据;
第三转换子单元,用于对全景数据进行视角采样,得到指定数量的图片。
结合第二方面的第二种实施方式,本发明实施例在第二方面的第四种实施方式中,所述提取单元所提取的视觉特征包括:图片整体视觉特征向量、根据物体区域坐标分割的各区域的视觉特征向量,以及识别出的物体类别标签中的一种或多种。
结合第二方面的第二种实施方式,本发明实施例在第二方面的第五种实施方式中,所述综合处理单元将多个视频特征进行综合处理的方式包括:对全景数据特征进行拼接、求和、平均和池化中的一种或多种。
所述装置的功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
第三方面,在一个可能的设计中,全景推荐装置的结构中包括处理器和存储器,所述存储器用于存储支持全景推荐装置执行上述第一方面中全景推荐方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。所述全景推荐装置还可以包括通信接口,用于全景推荐装置与其他设备或通信网络通信。
第四方面,本发明实施例提供了一种计算机可读介质,用于存储全景推荐装置所用的计算机软件指令,其包括用于执行上述第一方面的全景推荐方法所涉及的程序。
本发明实施例可以为用户展示更多用户所喜欢的全景资源,从而利用全景数据的连贯性、多线性、多角度、临场感、大空间、高交互等优点,为用户提供更丰富的视觉信息、更强烈的沉浸感,带给用户更真实和更有趣味的视觉体验。
同时本发明实施例为全景数据打开新的入口,为全景资源获得更多的展现机会,使全景资源在搜索中获得更高的用户展现率,增强用户在搜索页面和搜索结果页面的停留时间,从而扩大全景资源的影响面。
上述概述仅仅是为了说明书的目的,并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外,通过参考附图和以下的详细描述,本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本发明公开的一些实施方式,而不应将其视为是对本发明范围的限制。
图1为本发明一实施例的全景推荐方法的流程图;
图2为本发明一实施例的视觉特征获取的步骤流程图;
图3为本发明另一实施例的全景推荐装置的框图;
图4为本发明另一实施例的特征生成模块的连接框图;
图5为本发明另一实施例的第三特征生成子模块的框图;
图6为本发明另一实施例的转换单元的连接框图;
图7为本发明另一实施例的全景推荐设备框图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本发明的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。本发明实施例主要提供了一种通全景推荐的方法及装置,下面分别通过以下实施例进行技术方案的展开描述。
本发明提供了一种全景推荐方法和装置,可以用于为用户推荐其感兴趣的全景数据。例如,如果用户在浏览某一全景图片,且停留时间达到某一阈值,则表明用户对该类全景有极大的兴趣。此时,在当前浏览的全景页面上,可以展示若干个相似全景的入口图标,例如小行星图标;若用户点击该图标,则进入推荐的全景页面中。以下详细介绍本发明实施例的全景推荐方法和装置的具体处理流程和原理。
如图1所示,其为本发明实施例的全景推荐方法的流程图。本发明实施例的全景推荐方法可以包括以下步骤:
S100:根据全景数据生成相应的全景特征。
在本步骤中,分别对每个全景场景,计算一个特征向量,作为后续全景场景相似度计算的依据。而其中,对于全景的特征向量的来源,可以通过多种方式获得。
比如,在本实施例的一种实施方式中,所述全景特征通过全景数据本身带有的标注信息获得。全景数据本身带有标注信息,标注信息可来自于全景数据提供者提供的信息,比如全景名称,地理位置,描述语句、人工标定的标签、通过技术手段自动标注的标签等。例如,若一副全景图片的名称为“凤凰古城”,则可以根据该全景的名称获取对应的特征向量。
在另一种实施方式中,所述全景特征可以通过人工标注的词条标签方式获得。比如,可通过人工标注的手段,为每个全景场景或全景套图标记最符合全景内容的百度百科词条,然后通过对应该词条的百度百科网页里面的内容,为该全景场景或全景套图生成内容丰富的标签信息。例如,将“凤凰古城”的全景图片进行标记,即可以在百度百科的网页中搜索“凤凰古城”,则可以获取该词条的标签为:“景观景点”。
在另一种实施方式中,所述全景特征还可以通过提取全景视觉特征方式获得。如图2所示,其为本发明一实施例的视觉特征获取的步骤流程图。其中,通过提取全景视觉特征的方式具体包括以下步骤:
S110:将全景数据转化为一张或多张图片。
在一种实施方式中,所述将全景数据转化为一张或多张图片的步骤中,通过将全景数据表示为六面体数据,用六面体六个面的图片表示全景数据。
在另一种实施方式中,可以将全景数据表示为长宽比为2:1的图片数据,用该2:1图片表示全景数据。在本实施方式中,还可以将全景图片进行展开表示。
在另一种实施方式中,对全景数据进行视角采样,得到指定数量的图片。其中,在本实施方式中所述视角采样的方法可以为:对于给定的全景数据,可通过模拟并改变用户的观察方式,包括观察位置、角度、可视范围等,在整个可视空间内进行视角采样,获取多张图片。其中每张图片均为将全景数据对模拟观察点进行平面投影所得,以便利用既有的图片识别和图片搜索技术能力。视角采样的观察位置、角度、可视范围的采样间隔可在计算量、存储空间与准确度、召回率之间权衡。典型的采样技术包括等间隔采样、随机采样、基于用户交互历史记录分布的采样等。
S120:从图片数据中提取多个视觉特征。比如,在提取多个视觉特征时,可以通过采用深度神经网络模型等计算机视觉分析技术对输入的图片进行语义分析和内容识别,以输出视觉特征。所述从图片中提取的视觉特征包括:图片整体视觉特征向量、根据物体区域坐标分割的各区域的视觉特征向量,以及识别出的物体类别标签中的一种或多种。
S130:将多个视觉特征进行综合处理后获得全景数据的视觉特征。所述将多个视频特征进行综合处理的方式包括:对全景数据特征进行拼接、求和、平均和池化中的一种或多种。
其中,所述拼接方式为将各个视觉特征进行拼接,其特征维度会相应增大。所述求和方式为将各个视觉特征进行求和处理。所述平均方式为将各个视觉特征进行平均处理。所述池化方式为将各个视觉特征进行采样处理。另外,本实施例中可以结合多种处理方式,比如可以进行拼接、然后再进行池化降维等。
S200:分别计算所述全景特征与其他全景数据的全景特征的相似度,并选取相似度最高的N全景数据,作为推荐全景候选集合,N为预设的整数。
在一种实施方式中,所述相似度的计算方法可以包括:欧几里得距离、信息熵、加权欧几里得距离和加权信息熵等。在户部巷相似度计算之后,取相似度最高的N个全景场景,作为该全景的推荐全景候选集合。
S300:将所述推荐全景候选集合进行存储。
在一种实施方式中,可以将每个全景,和其对应的推荐全景候选集合以<key,value>的形式存入内存或磁盘中。其中key为当前全景id,value为推荐当前后续全景数据。
S400:抽取所述全景候选集合中的部分全景,并推荐给用户。
在一种实施方式中,当进行实时推荐时,可以由前端返回用户当前浏览的全景的id。该模块从内存或磁盘中读取该全景对应的推荐全景候选集合(包含N个全景),并从该集合中随机抽取K个,将这K个全景的id返回给前端,从而完成全景推荐过程。
其中,本实施例的步骤S100~S300可以预先进行离线计算,从而可以加快在线推荐的过程。
在本发明的另一个实施例中,提供了一种全景推荐装置。如图3所示,其为本发明另一实施例的全景推荐装置的框图,该全景推荐装置包括:
特征生成模块100,用于根据全景数据生成相应的全景特征.
相似度计算模块200,用于分别计算所述全景特征与其他全景数据的全景特征的相似度,并选取相似度最高的N全景数据,作为推荐全景候选集合,N为预设的整数。
存储模块300,用于将所述推荐全景候选集合进行存储。
抽取模块400,用于抽取所述全景候选集合中的部分全景,并推荐给用户。
如图4所示,所述特征生成模块100包括:
第一特征生成子模块110,用于通过全景数据本身带有的标签获得全景特征。
第二特征生成子模块120,用于通过人工标注的词条标签方式获得全景特征。
第三特征生成子模块130,用于通过提取全景视觉特征方式获得全景特征。
其中,所述特征生成模块100可以通过采用上述任意一个或多个子模块执行特征生成的工作。
如图5所示,所述第三特征生成子模块130包括:
转换单元131,用于将全景数据转化为一张或多张图片。
提取单元132,用于从图片数据中提取多个视觉特征。所述提取单元132所提取的视觉特征包括:图片整体视觉特征向量、根据物体区域坐标分割的各区域的视觉特征向量,以及识别出的物体类别标签中的一种或多种。
综合处理单元133,用于将多个视觉特征进行综合处理后获得全景数据的视觉特征。所述综合处理单元133将多个视频特征进行综合处理的方式包括:对全景数据特征进行拼接、求和、平均和池化中的一种或多种。
如图6所示,所述转换单元131包括:
第一转换子单元131a,用于将全景数据表示为六面体数据,用六面体六个面的图片表示全景数据;
第二转换子单元131b,用于将全景数据表示为长宽比为2:1的图片数据,用该2:1图片表示全景数据;
第三转换子单元131c,用于对全景数据进行视角采样,得到指定数量的图片。
其中,所述转换单元131可以采用上述任意一个或多个转换子单元执行图片转换工作。
本实施例装置的各模块的功能与上述实施例的全景推荐方法的原理类似,故不再赘述。
在另一个实施例中,本发明还提供一种全景推荐设备,如图7所示,该设备包括:存储器510和处理器520,存储器510内存储有可在处理器520上运行的计算机程序。所述处理器520执行所述计算机程序时实现上述实施例中的全景推荐方法。所述存储器510和处理器520的数量可以为一个或多个。
该设备还包括:
通信接口530,用于与外界设备进行通信,进行数据交互传输。
存储器510可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器510、处理器520和通信接口530独立实现,则存储器510、处理器520和通信接口530可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA,Industry Standard Architecture)总线、外部设备互连(PCI,PeripheralComponent)总线或扩展工业标准体系结构(EISA,Extended Industry StandardComponent)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器510、处理器520及通信接口530集成在一块芯片上,则存储器510、处理器520及通信接口530可以通过内部接口完成相互间的通信。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
本发明实施例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的更具体的示例至少(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,计算机可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
在本发明实施例中,计算机可读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、传播或者传输用于指令执行***、输入法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、射频(Radio Frequency,RF)等等,或者上述的任意合适的组合。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器,磁盘或光盘等。
综上所述,本发明实施例可以为用户展示更多用户所喜欢的全景资源,从而利用全景数据的连贯性、多线性、多角度、临场感、大空间、高交互等优点,为用户提供更丰富的视觉信息、更强烈的沉浸感,带给用户更真实和更有趣味的视觉体验。
同时本发明实施例为全景数据打开新的入口,为全景资源获得更多的展现机会,使全景资源在搜索中获得更高的用户展现率,增强用户在搜索页面和搜索结果页面的停留时间,从而扩大全景资源的影响面。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (14)
1.一种全景推荐方法,其特征在于,包括:
根据全景数据生成相应的全景特征;
分别计算所述全景特征与其他全景数据的全景特征的相似度,并选取相似度最高的N全景数据,作为推荐全景候选集合,N为预设的整数;
将所述推荐全景候选集合进行存储;
抽取所述全景候选集合中的部分全景,并推荐给用户。
2.根据权利要求1所述全景推荐方法,其特征在于,所述根据全景数据生成相应的全景特征的步骤中,所述全景特征通过全景数据本身带有的标注信息获得,或
通过人工标注的词条标签方式获得,或
通过提取全景视觉特征方式获得。
3.根据权利要求2所述全景推荐方法,其特征在于,所述通过提取全景视觉特征的方式具体包括:
将全景数据转化为一张或多张图片;
从图片数据中提取多个视觉特征;
将多个视觉特征进行综合处理后获得全景数据的视觉特征。
4.根据权利要求3所述全景推荐方法,其特征在于,所述将全景数据转化为一张或多张图片的步骤中,将全景数据表示为六面体数据,用六面体六个面的图片表示全景数据;或
将全景数据表示为长宽比为2:1的图片数据,用该2:1图片表示全景数据;或
对全景数据进行视角采样,得到指定数量的图片。
5.根据权利要求3所述全景推荐方法,其特征在于,所述从图片中提取的视觉特征包括:图片整体视觉特征向量、根据物体区域坐标分割的各区域的视觉特征向量,以及识别出的物体类别标签中的一种或多种。
6.根据权利要求3所述全景推荐方法,其特征在于,所述将多个视频特征进行综合处理的方式包括:对全景数据特征进行拼接、求和、平均和池化中的一种或多种。
7.一种全景推荐装置,其特征在于,包括:
特征生成模块,用于根据全景数据生成相应的全景特征;
相似度计算模块,用于分别计算所述全景特征与其他全景数据的全景特征的相似度,并选取相似度最高的N全景数据,作为推荐全景候选集合,N为预设的整数;
存储模块,用于将所述推荐全景候选集合进行存储;
抽取模块,用于抽取所述全景候选集合中的部分全景,并推荐给用户。
8.根据权利要求7所述全景推荐装置,其特征在于,所述特征生成模块包括:
第一特征生成子模块,用于通过全景数据本身带有的标签获得全景特征;
第二特征生成子模块,用于通过人工标注的词条标签方式获得全景特征;
第三特征生成子模块,用于通过提取全景视觉特征方式获得全景特征。
9.根据权利要求8所述全景推荐装置,其特征在于,所述第三特征生成子模块包括:
转换单元,用于将全景数据转化为一张或多张图片;
提取单元,用于从图片数据中提取多个视觉特征;
综合处理单元,用于将多个视觉特征进行综合处理后获得全景数据的视觉特征。
10.根据权利要求9所述全景推荐装置,其特征在于,所述转换单元包括:
第一转换子单元,用于将全景数据表示为六面体数据,用六面体六个面的图片表示全景数据;
第二转换子单元,用于将全景数据表示为长宽比为2:1的图片数据,用该2:1图片表示全景数据;
第三转换子单元,用于对全景数据进行视角采样,得到指定数量的图片。
11.根据权利要求9所述全景推荐装置,其特征在于,所述提取单元所提取的视觉特征包括:图片整体视觉特征向量、根据物体区域坐标分割的各区域的视觉特征向量,以及识别出的物体类别标签中的一种或多种。
12.根据权利要求9所述全景推荐装置,其特征在于,所述综合处理单元将多个视频特征进行综合处理的方式包括:对全景数据特征进行拼接、求和、平均和池化中的一种或多种。
13.一种全景推荐设备,其特征在于,所述设备包括:
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1-6中任一所述的全景推荐方法。
14.一种计算机可读介质,其存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的全景推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810550408.4A CN108829784A (zh) | 2018-05-31 | 2018-05-31 | 全景推荐方法、装置、设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810550408.4A CN108829784A (zh) | 2018-05-31 | 2018-05-31 | 全景推荐方法、装置、设备及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108829784A true CN108829784A (zh) | 2018-11-16 |
Family
ID=64147112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810550408.4A Pending CN108829784A (zh) | 2018-05-31 | 2018-05-31 | 全景推荐方法、装置、设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108829784A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814733A (zh) * | 2019-01-08 | 2019-05-28 | 百度在线网络技术(北京)有限公司 | 基于输入的推荐信息生成方法和装置 |
CN111797660A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 图像贴标方法、装置、存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346370A (zh) * | 2013-07-31 | 2015-02-11 | 阿里巴巴集团控股有限公司 | 图像搜索、获取图像文本信息的方法及装置 |
CN105898583A (zh) * | 2015-01-26 | 2016-08-24 | 北京搜狗科技发展有限公司 | 一种图像推荐方法及电子设备 |
CN105930382A (zh) * | 2016-04-14 | 2016-09-07 | 严进龙 | 一种用2d图片搜索3d模型的方法 |
CN106708940A (zh) * | 2016-11-11 | 2017-05-24 | 百度在线网络技术(北京)有限公司 | 用于处理图片的方法和装置 |
CN107833082A (zh) * | 2017-09-15 | 2018-03-23 | 广州唯品会研究院有限公司 | 一种商品图片的推荐方法和装置 |
-
2018
- 2018-05-31 CN CN201810550408.4A patent/CN108829784A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346370A (zh) * | 2013-07-31 | 2015-02-11 | 阿里巴巴集团控股有限公司 | 图像搜索、获取图像文本信息的方法及装置 |
CN105898583A (zh) * | 2015-01-26 | 2016-08-24 | 北京搜狗科技发展有限公司 | 一种图像推荐方法及电子设备 |
CN105930382A (zh) * | 2016-04-14 | 2016-09-07 | 严进龙 | 一种用2d图片搜索3d模型的方法 |
CN106708940A (zh) * | 2016-11-11 | 2017-05-24 | 百度在线网络技术(北京)有限公司 | 用于处理图片的方法和装置 |
CN107833082A (zh) * | 2017-09-15 | 2018-03-23 | 广州唯品会研究院有限公司 | 一种商品图片的推荐方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814733A (zh) * | 2019-01-08 | 2019-05-28 | 百度在线网络技术(北京)有限公司 | 基于输入的推荐信息生成方法和装置 |
CN111797660A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 图像贴标方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416028B (zh) | 一种搜索内容资源的方法、装置及服务器 | |
CN106326391B (zh) | 多媒体资源推荐方法及装置 | |
CN109117777A (zh) | 生成信息的方法和装置 | |
CN109618222A (zh) | 一种拼接视频生成方法、装置、终端设备及存储介质 | |
CN105512180B (zh) | 一种搜索推荐方法及装置 | |
CN108256044B (zh) | 直播间推荐方法、装置及电子设备 | |
WO2012058577A1 (en) | Search with joint image-audio queries | |
CN109697239A (zh) | 用于生成图文信息的方法和用于生成图像数据库的方法 | |
CN110111167A (zh) | 一种确定推荐对象的方法和装置 | |
CN112818224B (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
He et al. | Domain adaptation for time series under feature and label shifts | |
CN109558513A (zh) | 一种内容推荐方法、装置、终端及存储介质 | |
CN109033385A (zh) | 图片检索方法、装置、服务器及存储介质 | |
CN109710801A (zh) | 一种视频搜索方法、终端设备及计算机存储介质 | |
CN109872195A (zh) | 一种数据处理方法及装置 | |
Zhang et al. | Retargeting semantically-rich photos | |
CN108829784A (zh) | 全景推荐方法、装置、设备及计算机可读介质 | |
CN109348262A (zh) | 一种主播相似度的计算方法、装置、设备和存储介质 | |
CN112328833A (zh) | 标签处理方法、装置及计算机可读存储介质 | |
CN111859970B (zh) | 用于处理信息的方法、装置、设备和介质 | |
CN114443938A (zh) | 多媒体信息的处理方法、装置、存储介质和处理器 | |
CN110674388A (zh) | 推送项目的配图方法、装置、存储介质和终端设备 | |
CN109034214A (zh) | 用于生成标记的方法和装置 | |
CN104462151B (zh) | 评估网页发布时间的方法和相关装置 | |
Rao et al. | Deep learning-based image retrieval system with clustering on attention-based representations |
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: 20181116 |
|
RJ01 | Rejection of invention patent application after publication |