CN108898163A - 信息处理方法和装置、电子设备、计算机可读存储介质 - Google Patents
信息处理方法和装置、电子设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN108898163A CN108898163A CN201810588055.7A CN201810588055A CN108898163A CN 108898163 A CN108898163 A CN 108898163A CN 201810588055 A CN201810588055 A CN 201810588055A CN 108898163 A CN108898163 A CN 108898163A
- Authority
- CN
- China
- Prior art keywords
- user
- image
- tag
- along sort
- label
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种信息处理方法和装置、电子设备、计算机可读存储介质。所述方法包括:对图像进行检测,得到图像的分类标签,统计各个图像的分类标签,根据分类标签的统计数确定第一用户标识所对应的第一用户标签,向第一用户标识推送具有第一用户标签的第二用户标识。上述方法中,通过根据图像的分类标签确定用户标签,向用户推送具有相同用户标签的用户,可以根据用户的喜好向用户推荐好友。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种信息处理方法和装置、电子设备、计算机可读存储介质。
背景技术
随着计算机技术的发展,网络社交已经成为人们生成必不可少的一部分,通过网络可以实现不同用户的远程交流。用户可以通过分享二维码、名片或根据通讯录的手机号码或面对面等方式添加好友,丰富用户的网络社交圈。
然而,传统的方法中添加好友的方式比较局限。
发明内容
本申请实施例提供一种信息处理方法和装置、电子设备、计算机可读存储介质,可以根据用户的喜好向用户推荐好友。
一种信息处理方法,包括:
对图像进行检测,得到所述图像的分类标签;
统计各个图像的分类标签,根据分类标签的统计数确定第一用户标识所对应的第一用户标签;
向所述第一用户标识推送具有所述第一用户标签的第二用户标识。
一种信息处理装置,包括:
图像检测模块,用于对图像进行检测,得到所述图像的分类标签;
标签确定模块,用于统计各个图像的分类标签,根据分类标签的统计数确定第一用户标识所对应的第一用户标签;
推送模块,用于向所述第一用户标识推送具有所述第一用户标签的第二用户标识。
一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
对图像进行检测,得到所述图像的分类标签;
统计各个图像的分类标签,根据分类标签的统计数确定第一用户标识所对应的第一用户标签;
向所述第一用户标识推送具有所述第一用户标签的第二用户标识。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:
对图像进行检测,得到所述图像的分类标签;
统计各个图像的分类标签,根据分类标签的统计数确定第一用户标识所对应的第一用户标签;
向所述第一用户标识推送具有所述第一用户标签的第二用户标识。
上述信息处理方法和装置、电子设备、计算机可读存储介质,通过对图像进行检测,得到图像的分类标签,统计各个图像的分类标签,根据分类标签的统计数确定第一用户标识所对应的第一用户标签,向第一用户标识推送具有第一用户标签的第二用户标识。由于可以根据图像的分类标签确定用户标签,向用户推送具有相同用户标签的用户,可以根据用户的喜好向用户推荐好友。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中电子设备的内部结构示意图;
图2为一个实施例中信息处理方法的流程图;
图3为一个实施例中对图像进行场景检测的流程图;
图4为一个实施例中神经网络的架构示意图;
图5为一个实施例中确定图像分类标签的流程图;
图6为另一个实施例中信息处理方法的流程图;
图7为一个实施例中信息处理装置的结构框图;
图8为一个实施例中信息处理电路的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一客户端称为第二客户端,且类似地,可将第二客户端称为第一客户端。第一客户端和第二客户端两者都是客户端,但其不是同一客户端。
图1为一个实施例中电子设备的内部结构示意图。如图1所示,该电子设备包括通过***总线连接的处理器、存储器和网络接口。其中,该处理器用于提供计算和控制能力,支撑整个电子设备的运行。存储器用于存储数据、程序等,存储器上存储至少一个计算机程序,该计算机程序可被处理器执行,以实现本申请实施例中提供的适用于电子设备的无线网络通信方法。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作***和计算机程序。该计算机程序可被处理器所执行,以用于实现以下各个实施例所提供的一种信息处理方法。内存储器为非易失性存储介质中的操作***计算机程序提供高速缓存的运行环境。网络接口可以是以太网卡或无线网卡等,用于与外部的电子设备进行通信。该电子设备可以是手机、平板电脑或者个人数字助理或穿戴式设备等。
图2为一个实施例中信息处理方法的流程图。本实施例中的信息处理方法,以运行于图1中的电子设备上为例进行描述。如图2所示,信息处理方法包括步骤202至步骤206。
步骤202,对图像进行检测,得到图像的分类标签。
图像是指电子设备通过摄像头采集的图像。在一个实施例中,图像也可以是存储在电子设备本地的图像,还可以是电子设备从网络下载的图像等。具体地,对图像进行场景识别,可以根据VGG(Visual Geometry Group)、CNN(Convolutional Neural Network)、SSD(single shot multibox detector)、决策树(Decision Tree)等深度学习算法训练场景识别模型,根据场景识别模型对图像进行场景识别。场景识别模型一般包括输入层、隐层和输出层;输入层用于接收图像的输入;隐层用于对接收到的图像进行处理;输出层用于输出对图像处理的最终结果即输出图像的场景识别结果。
图像的场景可以是风景、海滩、蓝天、绿草、雪景、烟火、聚光灯、文本、人像、婴儿、猫、狗、美食等。图像的分类标签是指图像的场景分类标记。具体地,电子设备可以将图像的场景识别结果作为图像的分类标签。例如,当图像的场景识别结果为蓝天时,则图像的分类标签为蓝天。电子设备可以根据场景识别模型对电子设备的图像进行场景识别,并根据场景识别结果确定图像的分类标签。
步骤204,统计各个图像的分类标签,根据分类标签的统计数确定第一用户标识所对应的第一用户标签。
第一用户标识可为数字、字母、字符中一种或多种组合。具体地,第一用户标识是电子设备持有者的身份标识。例如,当电子设备为手机时,第一用户标识可以是电子设备的手机号码如13666666666,也可以是手机上安装的应用程序中,登录的应用程序账号,比如MSN账户、QQ账号、邮箱账号如[email protected]等,还可以是具体用户名称等不限于此。第一用户标签是指用来标记第一用户标识的关键字词。电子设备根据分类标签的统计数确定第一用户标识所对应的第一用户标签,具体地,电子设备可以将统计数较大的分类标签作为第一用户标识所对应的第一用户标签;电子设备也可以预先存储不同用户标签对应的分类标签,将统计数较大的分类标签对应的用户标签作为第一用户标识所对应的第一用户标签。第一用户标签可以是1个、2个、3个、4个等不限于此。
电子设备可以对各个图像的分类标签进行统计,获取不同分类标签的统计数,根据分类标签的统计数确定第一用户标识所对应的第一用户标签。
步骤206,向第一用户标识推送具有第一用户标签的第二用户标识。
具体地,具有第一用户标签的第二用户标识可以是第二用户标识对应的第二用户标签中有一个或多个与第一用户标签相同,也可以是第二用户标签中包含第一用户标识中的所有用户标签。例如,当第一用户标识对应的第一用户标签为美食、婴儿、狗,第二用户标识对应的第二用户标签为美食、人像、风景时,第二用户标识具有与第一用户标签相同的美食标签,则电子设备可以将第二标识推送给第一用户标识。在一个实施例中,电子设备还可以将第一用户标识推送给具有第一用户标签的第二用户标识。电子设备向第一用户标识推送具有第一用户标签的第二用户标识,具体地,可以在电子设备显示图像时向第一用户标识推送信息,也可以在电子设备亮屏时向第一用户标识推送信息,还可以在电子设备使用社交应用程序时,向第一用户标识推送该社交应用程序的第二用户标识等,不限于此。
本申请提供的中,通过对图像进行检测,得到图像的分类标签,统计各个图像的分类标签,根据分类标签的统计数确定第一用户标识所对应的第一用户标签,向第一用户标识推送具有第一用户标签的第二用户标识。由于可以根据图像的分类标签确定用户标签,向用户推送具有相同用户标签的用户,可以根据用户的喜好向用户推荐好友。
如图3所示,在一个实施例中,提供的信息处理方法对图像进行检测,得到图像的分类标签的过程,具体包括:
步骤302,对图像进行场景检测,得到图像的场景标签。
电子设备可以对图像进行场景识别,获取图像的场景标签。具体地,电子设备可以采用图像分类技术对图像进行场景识别。电子设备可预存有多个场景标签对应的图像特征信息,将需要进行场景识别的图像中的图像特征信息与预存的图像特征信息进行匹配,获取匹配成功的图像特征信息对应的场景标签作为图像的场景标签。电子设备中预存的场景标签可包括:风景、海滩、蓝天、绿草、雪景、夜景、黑暗、逆光、日落、烟火、聚光灯、室内、微距、文本、人像、婴儿、猫、狗、美食等。
步骤304,对图像进行目标检测,得到图像的目标标签。
电子设备对图像进行目标检测,可将图像中图像特征信息与预存的目标标签对应的特征信息进行匹配,获取匹配成功的特征信息对应的目标标签作为图像的目标标签。上述电子设备中预存的目标标签可包括:人像、婴儿、猫、狗、美食、文本、蓝天、绿草、沙滩、烟火等。电子设备在对待检测图像进行目标检测时,若上述待检测图像中仅存在一个目标标签,则将上述目标标签作为图像的目标标签;若电子设备在对待检测图像进行目标检测时,若上述待检测图像中存在多个目标标签,则电子设备可从多个目标标签中选取一个或多个作为目标标签。其中,电子设备可从多个目标标签中选取对应的目标区域面积较大的目标标签作为图像的目标标签;电子设备也可从多个目标标签中选取对应的目标区域清晰度较高的目标标签作为图像的目标标签等。
步骤306,将场景标签和目标标签作为图像的分类标签。
电子设备可以将场景标签和目标标签均作为图像的分类标签。具体地,当前景区域与背景区域的场景识别结果相同时,则电子设备可以根据图像背景区域的场景识别结果确定图像的分类标签;当图像没有背景区域即没有场景标签时,将目标标签作为图像的分类标签;当图像没有前景区域即没有目标标签时,电子设备将场景标签作为图像的分类标签。例如,在一张拍摄内容只为草地的图像中,场景标签和目标标签都为绿草,则图像的分类标签为绿草;若草地上有其他物体例如猫,则图像的分类标签为绿草和猫。
在一个实施例中,电子设备还可以训练可同时实现场景分类和目标检测的神经网络。具体地,在神经网络训练过程中,可以将包含有至少一个背景训练目标和前景训练目标的训练图像输入到神经网络中,神经网络根据背景训练目标和前景训练目标进行特征提取,对背景训练目标进行检测得到第一预测置信度,根据第一预测置信度和第一真实置信度得到第一损失函数,对前景训练目标进行检测得到第二预测置信度,根据第二预测置信度和第二真实置信度得到第二损失函数,根据第一损失函数和第二损失函数得到目标损失函数,对神经网络的参数进行调整,使得训练的神经网络后续可同时识别出场景分类和目标分类,从而得到可以同时对图像的前景区域和背景区域进行检测的神经网络。置信度是被测量参数的测量值的可信程度。该第一真实置信度表示在该训练图像中预先标注的背景图像所属指定图像类别的置信度。第二真实置信度表示在该训练图像中预先标注的前景目标所属指定目标类别的置信度。
在一个实施例中,上述神经网络包括至少一个输入层、基础网络层、分类网络层、目标检测网络层和两个输出层,该两个输出层包括与该分类网络层级联的第一输出层和与该目标检测网络层级联的第二输出层;其中,在训练阶段,该输入层用于接收该训练图像,该第一输出层用于输出该分类网络层检测的背景图像所属指定场景类别的第一预测置信度;该第二输出层用于输出该目标检测网络层检测的每个预选的默认边界框所属相对于指定目标所对应的真实边界框的偏移量参数和所属指定目标类别的第二预测置信度。图4为一个实施例中神经网络的架构示意图。如图4所示,神经网络的输入层接收带有图像类别标签的训练图像,通过基础网络(如VGG网络)进行特征提取,并将提取的图像特征输出给特征层,由该特征层对图像进行类别检测得到第一损失函数,对前景目标根据图像特征进行目标检测得到第二损失函数,对前景目标根据前景目标进行位置检测得到位置损失函数,将第一损失函数、第二损失函数和位置损失函数进行加权求和得到目标损失函数。神经网络包括数据输入层、基础网络层、分类网络层、目标检测网络层和两个输出层。数据输入层用于接收原始图像数据。基础网络层对输入层输入的图像进行预处理以及特征提取。该预处理可包括去均值、归一化、降维和白化处理。去均值是指将输入数据各个维度都中心化为0,目的是将样本的中心拉回到坐标系原点上。归一化是将幅度归一化到同样的范围。白化是指对数据各个特征轴上的幅度归一化。图像数据进行特征提取,例如利用VGG16的前5层卷积层对原始图像进行特征提取,再将提取的特征输入到分类网络层和目标检测网络层。在分类网络层可采用如Mobilenet网络的深度卷积、点卷积对特征进行检测,然后输入到输出层得到图像场景分类所属指定图像类别的第一预测置信度,然后根据第一预测置信度与第一真实置信度求差得到第一损失函数;在目标检测网络层可采用如SSD网络,在VGG16的前5层的卷积层后级联卷积特征层,在卷积特征层使用一组卷积滤波器来预测指定目标类别所对应的预选默认边界框相对于真实边界框的偏移量参数和指定目标类别所对应的第二预测置信度。感兴趣区域为预选默认边界框的区域。根据偏移量参数构建位置损失函数,根据第二预测置信度与第二真实置信度的差异得到第二损失函数。将第一损失函数、第二损失函数和位置损失函数加权求和得到目标损失函数,根据目标损失函数采用反向传播算法调整神经网络的参数,对神经网络进行训练。
采用训练好的神经网络对图像进行识别时,神经网络输入层接收输入的图像,提取图像的特征,输入到分类网络层进行图像场景识别,在第一输出层通过softmax分类器输出背景图像所属各个指定场景类别的置信度,选取置信度最高且超过置信度阈值的图像场景作为该图像的背景图像所属的场景标签。将提取的图像的特征输入到目标检测网络层进行前景目标检测,在第二输出层通过softmax分类器输出前景目标所属指定目标类别的置信度及对应的位置,选取置信度最高且超过置信度阈值的目标类别作为该图像中前景目标所属的目标标签,并输出该目标标签对应的位置。将场景标签和目标标签作为图像的分类标签。
在一个实施例中,提供的信息处理方法中对图像进行检测,得到图像的分类标签的过程还可以包括:对图像进行目标检测,得到图像的分类标签。
可选地,电子设备采用SSD目标检测模型对图像进行目标检测。SSD目标检测模型采用VGG16作为基础模型,在训练过程中,SSD目标检测模型首先接收带有真实目标框的训练图像,通过CNN网络提取不同大小的特征图进行检测,根据特征图确定SSD目标检测模型中的先验框,将先验框中与真实目标框重叠度最高的先验框作为检测的正样本,在卷积特征层使用一组卷积滤波器来预测指定目标类别所对应的先选框的边界框相对于真实目标框的偏移量参数和指定目标类别所对应的预测置信度。根据偏移量参数构建位置损失函数,根据预测置信度与真实置信度的差异得到损失函数。将损失函数和位置损失函数加权求和得到目标损失函数,根据目标损失函数采用反向传播算法调整SSD目标检测模型的参数,对SSD目标检测模型进行训练。SSD目标检测模型还可以进行数据扩增方式提升模型的性能,具体地,采用图像水平翻转、随机裁剪、颜色扭曲等方式对模型进行补充训练。采用训练好的SSD目标检测模型对图像进行检测时,接收输入的图像,提取图像的特征并设置预测框,获取预测中置信度最大的类别及置信度,根据置信度阈值将置信度较低的预测框过滤,根据先验框获取预测框真实的位置参数,采用NMS(非极大值抑制)过滤重叠度较大的预测框,输出剩余的预测框的类别及对应的置信度作为图像的检测结果。
电子设备通过目标检测模型获取图像的检测结果后,可以根据实际需求将检测结果中置信度最大的类别作为图像的分类标签,也可以通过设置阈值,将置信度大于阈值的类别作为图像的分类标签,还可以根据预测框的大小选取预测框最大的类别作为图像的分类标签等,不限于此。
如图5所示,在一个实施例中,提供的信息处理方法还包括:
步骤502,获取图像中目标标签对应的目标区域。
图像中目标标签可以是1个或多个,电子设备可以获取图像中所有目标标签对应的目标区域。目标标签的目标区域是电子设备根据训练的目标检测模型对图像进行目标检测时,输出的目标标签对应的位置。目标检测模型可以是采用SSD算法、VGG深度网络、CNN神经网络等算法或者其结合训练得到的。
步骤504,当目标区域的面积与图像的面积的比值超过阈值时,将图像的目标标签作为图像的分类标签。
电子设备可以根据目标区域在图像中的位置检测目标区域的面积。图像的面积可以由图像的高度和宽度计算得到。具体地,电子设备可以直接读取电子设备存储的图像的高度和宽度,计算得到图像的面积。阈值可以根据实际需求来确定,例如可以是05、0.6、0.7等不限于此。
在日常生活中,人们对目标物体拍摄时,会拉近目标物体与摄像头之间的距离,提高目标物体在图像中的占比,突出图像中的目标物体。因此,当图像中目标区域的面积与图像的面积超过阈值时,电子设备可以判定图像的拍摄主体处于目标区域中,从而将目标区域对应的目标标签作为图像的分类标签;相对地,当目标标签的面积与图像的面积的比值小于阈值时,电子设备可以将图像的场景标签作为图像的分类标签,可以提高图像分类标签的准确性,从而电子设备根据图像分类标签的统计数确定第一用户标识所对应的第一用户标签,向第一用户标识推荐具有第一用户标签的第二用户标识,可以提高好友推荐的准确性。
在一个实施例中,提供的信息处理方法中统计各个图像的分类标签,根据分类标签的统计数确定第一标识所对应的第一用户标签的过程还包括:统计预设时间内各个图像的分类标签,根据预设时间内分类标签的统计数确定第一用户标识所对应的第一用户标签。
预设时间内的图像是指采集时间或获取时间在预设时间内的图像。具体地,预设时间可以是电子设备预先设置的时间,也可以是用户根据具体需要进行设定的。预设时间可以是1天、5天、10天等不限于此。电子设备可以统计预设时间内各个图像的分类标签,根据预设时间内分类标签的统计数确定第一用户标识所对应的第一用户标签。例如,电子设备可以统计24小时内各个图像的分类标签,根据24小时内分类标签的统计数确定第一用户标识所对应的第一用户标签,向第一用户标识推送具有第一用户标签的第二标识。
电子设备根据预设时间内的图像分类标签的统计数确定第一用户标识所对应的第一用户标签,可以避免过多预设时间外的图像的分类标签的统计数对第一用户标签的确定造成影响,定时更新第一用户标识所对应的第一用户标签,提高第一用户标签的准确度,从而提高好友推荐的准确性。
如图6所示,在一个实施例中,提供的信息处理方法还包括:
步骤602,将统计数最高的分类标签作为第一用户标识所对应的第一用户标签。
具体地,电子设备可以统计各个图像的分类标签,将统计数最高的分类标签作为第一用户标识所对应的第一用户标签,向第一用户标识推送具有第一用户标签的第二用户标识。例如,当电子设备中婴儿分类标签的统计数为25、人像分类标签的统计数为10,美食分类标签的统计数为5时,则可以将统计数最高的婴儿分类标签作为第一用户标识所对应的第一用户标签,从而,电子设备可以向第一用户标识推送具有第一用户标签即婴儿的第二用户标识。
步骤604,向第一用户标识推送具有第一用户标签的第二用户标识。
通过将统计数最高的分类标签作为第一用户标识所对应的第一用户标签,向第一用户标识推送具有第一用户标签的第二用户标识,可以准确地确定第一用户标识的第一用户标签,提高好友推荐的准确性。
在一个实施例中,提供的信息处理方法还包括:当第一用户标识的第一用户标签与第二用户标识的第二用户标签的匹配度超过阈值时,向第一用户标识推送第二用户标识。
具体地,阈值可根据需要设定,如可为70%、80%、90%等。匹配度可以直接根据用户标签来计算,也可以根据用户标签在图像中的占比来计算,具体的计算方式可以有多种,在此不做限定。例如,电子设备可以检测用户A上传到ins(Instagram,照片墙)上的图像,根据图像确定用户A的标签为风景、海滩、日落和美食,若用户B的标签为风景、海滩、日落和雪景,则用户A和用户B的标签匹配度可以为75%,当阈值为70%时,电子设备可以将用户A推送给用户B,或将用户B推送给用户A。电子设备可以将第一用户标识对应的第一用户标签与第二用户标识的第二用户标签进行匹配,当二者的匹配度超过阈值时,则确定第一用户标识与第二用户标识之间拥有较多相同的兴趣爱好,将第二用户标识推送给第一用户标识,从而可以根据用户的兴趣爱好向用户推荐好友,且提高了好友推荐的准确性。
在一个实施例中,提供的信息处理方法中向第一用户标识推送具有第一用户标签的第二用户标识的过程,还包括:展示第二用户标识对应的第二用户标签。
电子设备在向第一用户标识推送第二用户标识时,可以向第一用户标识展示第二用户标识对应的第二用户标签。具体地,电子设备可以展示第二用户标识对应的第二用户标签中与第一用户标签相同的标签,也可以展示第二用户标识对应的全部第二用户标签。通过向第一用户标识展示第二用户标识对应的对应标签,可以使第一用户标识根据标签确定是否添加第二用户标识作为第一用户标签的好友,可以提高好友推荐的准确性。电子设备还可以根据第一用户标识的操作结果调整好友推荐的规则,例如,当第一用户标识没有添加第二用户标识作为好友时,电子设备可以减少向第一用户标识推送具有第二用户标签的用户标识,从而提高好友推荐的准确性。
在一个实施例中,提供了一种信息处理方法,实现该方法的具体步骤如下所述:
首先,电子设备对图像进行检测,得到图像的分类标签。图像的场景可以是风景、海滩、蓝天、绿草、雪景、烟火、聚光灯、文本、人像、婴儿、猫、狗、美食等。图像的分类标签是指图像的场景分类标记。电子设备可以预先根据VGG、CNN、SSD、决策树等深度学习算法训练场景识别模型,根据场景识别模型对电子设备的图像进行场景识别,并根据场景识别结果确定图像的分类标签。
可选地,电子设备对图像进行场景检测,得到图像的场景标签,对图像进行目标检测,得到图像的目标标签,将场景标签和目标标签作为图像的分类标签。电子设备可预存有多个场景标签对应的图像特征信息,将需要进行场景识别的图像中的图像特征信息与预存的图像特征信息进行匹配,获取匹配成功的图像特征信息对应的场景标签作为图像的场景标签。电子设备对图像进行目标检测,可将图像中图像特征信息与预存的目标标签对应的特征信息进行匹配,获取匹配成功的特征信息对应的目标标签作为图像的目标标签。电子设备可以将场景标签和目标标签均作为图像的分类标签。
可选地,电子设备可以训练可同时实现场景分类和目标检测的神经网络,利用神经网络的基础网络层对图像进行特征提取,将提取的图像特征输入到分类网络和目标检测网络层,通过分类网络进行场景检测输出图像背景区域所属指定场景类别的置信度,通过目标检测网络层进行目标检测得到前景区域所属指定目标类别的置信度,选取置信度最高且超过置信度阈值的目标类别作为该图像中前景目标所属的目标标签,并输出该目标标签对应的位置。将场景标签和目标标签作为图像的分类标签。
可选地,电子设备获取图像中目标标签对应的目标区域,当目标区域的面积与图像的面积的比值超过阈值时,将图像的目标标签作为图像的分类标签。图像中目标标签可以是1个或多个,电子设备可以获取图像中所有目标标签对应的目标区域。当图像中目标区域的面积与图像的面积超过阈值时,电子设备可以判定图像的拍摄主体处于目标区域中,从而将目标区域对应的目标标签作为图像的分类标签;相对地,当目标标签的面积与图像的面积的比值小于阈值时,电子设备可以将图像的场景标签作为图像的分类标签,可以提高图像分类标签的准确性。
可选地,电子设备对图像进行目标检测,得到图像的分类标签。电子设备通过目标检测模型获取图像的检测结果后,可以根据实际需求将检测结果中置信度最大的类别作为图像的分类标签,也可以通过设置阈值,将置信度大于阈值的类别作为图像的分类标签,还可以根据预测框的大小选取预测框最大的类别作为图像的分类标签等,不限于此。
接着,电子设备统计各个图像的分类标签,根据分类标签的统计数确定第一用户标识所对应的第一用户标签。电子设备可以对各个图像的分类标签进行统计,获取不同分类标签的统计数,根据分类标签的统计数确定第一用户标识所对应的第一用户标签。具体地,电子设备可以将统计数较大的分类标签作为第一用户标识所对应的第一用户标签;电子设备也可以预先存储不同用户标签对应的分类标签,将统计数较大的分类标签对应的用户标签作为第一用户标识所对应的第一用户标签。
可选地,电子设备统计预设时间内各个图像的分类标签,根据预设时间内分类标签的统计数确定第一用户标识所对应的第一用户标签。预设时间内的图像是指采集时间或获取时间在预设时间内的图像。电子设备根据预设时间内的图像分类标签的统计数确定第一用户标识所对应的第一用户标签,可以避免过多预设时间外的图像的分类标签的统计数对第一用户标签的确定造成影响,定时更新第一用户标识所对应的第一用户标签,提高第一用户标签的准确度。
接着,电子设备向第一用户标识推送具有第一用户标签的第二用户标识。具体地,具有第一用户标签的第二用户标识可以是第二用户标识对应的第二用户标签中有一个或多个与第一用户标签相同,也可以是第二用户标签中包含第一用户标识中的所有用户标签。可选地,电子设备还可以将第一用户标识推送给具有第一用户标签的第二用户标识。
可选地,电子设备将统计数最高的分类标签作为第一用户标识所对应的第一用户标签,向第一用户标识推送具有第一用户标签的第二用户标识。通过将统计数最高的分类标签作为第一用户标识所对应的第一用户标签,向第一用户标识推送具有第一用户标签的第二用户标识,可以准确地确定第一用户标识的第一用户标签,提高好友推荐的准确性。
可选地,当第一用户标识的第一用户标签与第二用户标识的第二用户标签的匹配度超过阈值时,电子设备向第一用户标识推送第二用户标识。匹配度可以直接根据用户标签来计算,也可以根据用户标签在图像中的占比来计算,具体的计算方式可以有多种。电子设备可以将第一用户标识对应的第一用户标签与第二用户标识的第二用户标签进行匹配,当二者的匹配度超过阈值时,则确定第一用户标识与第二用户标识之间拥有较多相同的兴趣爱好,将第二用户标识推送给第一用户标识,从而可以根据用户的兴趣爱好向用户推荐好友,且提高了好友推荐的准确性。
可选地,电子设备展示第二用户标识对应的第二用户标签。电子设备在向第一用户标识推送第二用户标识时,可以向第一用户标识展示第二用户标识对应的第二用户标签。具体地,电子设备可以展示第二用户标识对应的第二用户标签中与第一用户标签相同的标签,也可以展示第二用户标识对应的全部第二用户标签。通过向第一用户标识展示第二用户标识对应的对应标签,可以使第一用户标识根据标签确定是否添加第二用户标识作为第一用户标签的好友。
应该理解的是,虽然图2、3、5、6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、3、5、6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图7为一个实施例的信息处理装置的结构框图。如图7所示,一种信息处理装置,包括:图像检测模块702,标签确定模块704,推送模块706。其中:
图像检测模块702,用于对图像进行检测,得到图像的分类标签。
标签确定模块704,用于统计各个图像的分类标签,根据分类标签的统计数确定第一用户标识所对应的第一用户标签。
推送模块706,用于向第一用户标识推送具有第一用户标签的第二用户标识。
在一个实施例中,图像检测模块702还可以用于对图像进行场景检测,得到图像的场景标签,对图像进行目标检测,得到图像的目标标签,将场景标签和目标标签作为图像的分类标签。
在一个实施例中,图像检测模块702还可以用于获取图像中目标标签对应的目标区域,当目标区域的面积与图像的面积的比值超过阈值时,将图像的目标标签作为图像的分类标签。
在一个实施例中,标签确定模块704还可以用于统计预设时间内各个图像的分类标签,根据预设时间内分类标签的统计数确定第一用户标识对应的第一用户标签。
在一个实施例中,标签确定模块704还可以用于将统计数最高的分类标签作为第一用户标识所对应的第一用户标签,推送模块706用于向第一用户标识推送具有第一用户标签的第二用户标识。
在一个实施例中,推送模块706还可以用于当第一用户标识的第一用户标签与第二用户标识的第二用户标签的匹配度超过阈值时,向第一用户标识推送所述第二用户标识。
在一个实施例中,上述信息处理装置还可以包括展示模块708,展示模块708用于展示第二用户标识对应的第二用户标签。
上述信息处理装置中各个模块的划分仅用于举例说明,在其他实施例中,可将信息处理装置按照需要划分为不同的模块,以完成上述信息处理装置的全部或部分功能。
关于信息处理装置的具体限定可以参见上文中对于信息处理方法的限定,在此不再赘述。上述信息处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本申请实施例中提供的信息处理装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在终端或服务器的存储器上。该计算机程序被处理器执行时,实现本申请实施例中所描述方法的步骤。
本申请实施例还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质,当所述计算机可执行指令被一个或多个处理器执行时,使得所述处理器执行信息处理方法的步骤。
一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行信息处理方法。
本申请实施例还提供一种电子设备。上述电子设备中包括图像处理电路,图像处理电路可以利用硬件和/或软件组件实现,可包括定义ISP(Image Signal Processing,图像信号处理)管线的各种处理单元。图8为一个实施例中图像处理电路的示意图。如图8所示,为便于说明,仅示出与本申请实施例相关的图像处理技术的各个方面。
如图8所示,图像处理电路包括ISP处理器840和控制逻辑器850。成像设备810捕捉的图像数据首先由ISP处理器840处理,ISP处理器840对图像数据进行分析以捕捉可用于确定和/或成像设备810的一个或多个控制参数的图像统计信息。成像设备810可包括具有一个或多个透镜812和图像传感器814的照相机。图像传感器814可包括色彩滤镜阵列(如Bayer滤镜),图像传感器814可获取用图像传感器814的每个成像像素捕捉的光强度和波长信息,并提供可由ISP处理器840处理的一组原始图像数据。传感器820(如陀螺仪)可基于传感器820接口类型把采集的图像处理的参数(如防抖参数)提供给ISP处理器840。传感器820接口可以利用SMIA(Standard Mobile Imaging Architecture,标准移动成像架构)接口、其它串行或并行照相机接口或上述接口的组合。
此外,图像传感器814也可将原始图像数据发送给传感器820,传感器820可基于传感器820接口类型把原始图像数据提供给ISP处理器840,或者传感器820将原始图像数据存储到图像存储器830中。
ISP处理器840按多种格式逐个像素地处理原始图像数据。例如,每个图像像素可具有8、10、12或14比特的位深度,ISP处理器840可对原始图像数据进行一个或多个图像处理操作、收集关于图像数据的统计信息。其中,图像处理操作可按相同或不同的位深度精度进行。
ISP处理器840还可从图像存储器830接收图像数据。例如,传感器820接口将原始图像数据发送给图像存储器830,图像存储器830中的原始图像数据再提供给ISP处理器840以供处理。图像存储器830可为存储器装置的一部分、存储设备、或电子设备内的独立的专用存储器,并可包括DMA(Direct Memory Access,直接直接存储器存取)特征。
当接收到来自图像传感器814接口或来自传感器820接口或来自图像存储器830的原始图像数据时,ISP处理器840可进行一个或多个图像处理操作,如时域滤波。处理后的图像数据可发送给图像存储器830,以便在被显示之前进行另外的处理。ISP处理器840从图像存储器830接收处理数据,并对所述处理数据进行原始域中以及RGB和YCbCr颜色空间中的图像数据处理。ISP处理器840处理后的图像数据可输出给显示器870,以供用户观看和/或由图形引擎或GPU(Graphics Processing Unit,图形处理器)进一步处理。此外,ISP处理器840的输出还可发送给图像存储器830,且显示器870可从图像存储器830读取图像数据。在一个实施例中,图像存储器830可被配置为实现一个或多个帧缓冲器。此外,ISP处理器840的输出可发送给编码器/解码器860,以便编码/解码图像数据。编码的图像数据可被保存,并在显示于显示器870设备上之前解压缩。编码器/解码器860可由CPU或GPU或协处理器实现。
ISP处理器840确定的统计数据可发送给控制逻辑器850单元。例如,统计数据可包括自动曝光、自动白平衡、自动聚焦、闪烁检测、黑电平补偿、透镜812阴影校正等图像传感器814统计信息。控制逻辑器850可包括执行一个或多个例程(如固件)的处理器和/或微控制器,一个或多个例程可根据接收的统计数据,确定成像设备810的控制参数及ISP处理器840的控制参数。例如,成像设备810的控制参数可包括传感器820控制参数(例如增益、曝光控制的积分时间、防抖参数等)、照相机闪光控制参数、透镜812控制参数(例如聚焦或变焦用焦距)、或这些参数的组合。ISP控制参数可包括用于自动白平衡和颜色调整(例如,在RGB处理期间)的增益水平和色彩校正矩阵,以及透镜812阴影校正参数。
电子设备根据上述图像处理技术可以实现本申请实施例中所描述的信息处理方法。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM),它用作外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种信息处理方法,其特征在于,包括:
对图像进行检测,得到所述图像的分类标签;
统计各个图像的分类标签,根据分类标签的统计数确定第一用户标识所对应的第一用户标签;
向所述第一用户标识推送具有所述第一用户标签的第二用户标识。
2.根据权利要求1所述的方法,其特征在于,所述对图像进行检测,得到所述图像的分类标签,包括:
对图像进行场景检测,得到所述图像的场景标签;
对图像进行目标检测,得到所述图像的目标标签;
将所述场景标签和目标标签作为所述图像的分类标签。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取所述图像中目标标签对应的目标区域;
当所述目标区域的面积与所述图像的面积的比值超过阈值时,将所述目标标签作为所述图像的分类标签。
4.根据权利要求1所述的方法,其特征在于,所述统计各个图像的分类标签,根据分类标签的统计数确定第一用户标识所对应的第一用户标签,包括:
统计预设时间内各个图像的分类标签,根据所述预设时间内分类标签的统计数确定所述第一用户标识所对应的第一用户标签。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将统计数最高的分类标签作为所述第一用户标识所对应的第一用户标签;
向所述第一用户标识推送具有所述第一用户标签的第二用户标识。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述第一用户标识的第一用户标签与第二用户标识的第二用户标签的匹配度超过阈值时,向所述第一用户标识推送所述第二用户标识。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
展示所述第二用户标识对应的第二用户标签。
8.一种信息处理装置,其特征在于,包括:
图像检测模块,用于对图像进行检测,得到所述图像的分类标签;
标签确定模块,用于统计各个图像的分类标签,根据分类标签的统计数确定第一用户标识所对应的第一用户标签;
推送模块,用于向所述第一用户标识推送具有所述第一用户标签的第二用户标识。
9.一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述的信息处理方法的步骤。
10.一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,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810588055.7A CN108898163B (zh) | 2018-06-08 | 2018-06-08 | 信息处理方法和装置、电子设备、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810588055.7A CN108898163B (zh) | 2018-06-08 | 2018-06-08 | 信息处理方法和装置、电子设备、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108898163A true CN108898163A (zh) | 2018-11-27 |
CN108898163B CN108898163B (zh) | 2022-05-13 |
Family
ID=64344547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810588055.7A Active CN108898163B (zh) | 2018-06-08 | 2018-06-08 | 信息处理方法和装置、电子设备、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898163B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399760A (zh) * | 2019-07-23 | 2019-11-01 | 广东工业大学 | 一种批量二维码定位方法、装置、电子设备及存储介质 |
CN111383054A (zh) * | 2020-03-10 | 2020-07-07 | 中国联合网络通信集团有限公司 | 广告检验方法和装置 |
CN112764700A (zh) * | 2020-12-31 | 2021-05-07 | 维沃移动通信有限公司 | 图像显示处理方法、装置、电子设备和存储介质 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207966A (zh) * | 2011-06-01 | 2011-10-05 | 华南理工大学 | 基于对象标签的视频内容快速检索方法 |
CN102831202A (zh) * | 2012-08-08 | 2012-12-19 | 中兴通讯股份有限公司 | 一种向社交网站用户推送推荐好友的方法和*** |
US8670649B1 (en) * | 2012-10-10 | 2014-03-11 | Hulu, LLC | Scene detection using weighting function |
CN104486680A (zh) * | 2014-12-19 | 2015-04-01 | 珠海全志科技股份有限公司 | 基于视频的广告推送方法及*** |
CN105677712A (zh) * | 2015-12-28 | 2016-06-15 | 北京金山安全软件有限公司 | 一种信息推送方法、装置及电子设备 |
CN106126582A (zh) * | 2016-06-20 | 2016-11-16 | 乐视控股(北京)有限公司 | 推荐方法及装置 |
CN106204165A (zh) * | 2016-08-11 | 2016-12-07 | 广州出益信息科技有限公司 | 一种广告投放方法及装置 |
CN106357517A (zh) * | 2016-09-27 | 2017-01-25 | 腾讯科技(北京)有限公司 | 定向标签生成方法及装置 |
CN106445479A (zh) * | 2015-08-12 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 信息推送方法及装置 |
CN107360222A (zh) * | 2017-06-30 | 2017-11-17 | 广东欧珀移动通信有限公司 | 商品信息推送方法、装置、存储介质以及服务器 |
US20180020243A1 (en) * | 2016-07-13 | 2018-01-18 | Yahoo Holdings, Inc. | Computerized system and method for automatic highlight detection from live streaming media and rendering within a specialized media player |
CN107609487A (zh) * | 2017-08-17 | 2018-01-19 | 北京三快在线科技有限公司 | 一种用户头像的生成方法和装置 |
CN107645559A (zh) * | 2017-09-30 | 2018-01-30 | 广东美的制冷设备有限公司 | 家电信息推送方法、服务器、移动终端及存储介质 |
CN107679552A (zh) * | 2017-09-11 | 2018-02-09 | 北京飞搜科技有限公司 | 一种基于多分支训练的场景分类方法以及*** |
CN107688637A (zh) * | 2017-08-23 | 2018-02-13 | 广东欧珀移动通信有限公司 | 信息推送方法、装置、存储介质及电子终端 |
CN107734142A (zh) * | 2017-09-15 | 2018-02-23 | 维沃移动通信有限公司 | 一种拍照方法、移动终端及服务器 |
CN107908343A (zh) * | 2017-11-07 | 2018-04-13 | 出门问问信息科技有限公司 | 一种信息展示方法及装置 |
CN107948618A (zh) * | 2017-12-11 | 2018-04-20 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
CN107948326A (zh) * | 2017-12-29 | 2018-04-20 | 暴风集团股份有限公司 | 内容推荐调试方法和装置、电子设备、存储介质、程序 |
-
2018
- 2018-06-08 CN CN201810588055.7A patent/CN108898163B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207966A (zh) * | 2011-06-01 | 2011-10-05 | 华南理工大学 | 基于对象标签的视频内容快速检索方法 |
CN102831202A (zh) * | 2012-08-08 | 2012-12-19 | 中兴通讯股份有限公司 | 一种向社交网站用户推送推荐好友的方法和*** |
US8670649B1 (en) * | 2012-10-10 | 2014-03-11 | Hulu, LLC | Scene detection using weighting function |
CN104486680A (zh) * | 2014-12-19 | 2015-04-01 | 珠海全志科技股份有限公司 | 基于视频的广告推送方法及*** |
CN106445479A (zh) * | 2015-08-12 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 信息推送方法及装置 |
CN105677712A (zh) * | 2015-12-28 | 2016-06-15 | 北京金山安全软件有限公司 | 一种信息推送方法、装置及电子设备 |
CN106126582A (zh) * | 2016-06-20 | 2016-11-16 | 乐视控股(北京)有限公司 | 推荐方法及装置 |
US20180020243A1 (en) * | 2016-07-13 | 2018-01-18 | Yahoo Holdings, Inc. | Computerized system and method for automatic highlight detection from live streaming media and rendering within a specialized media player |
CN106204165A (zh) * | 2016-08-11 | 2016-12-07 | 广州出益信息科技有限公司 | 一种广告投放方法及装置 |
CN106357517A (zh) * | 2016-09-27 | 2017-01-25 | 腾讯科技(北京)有限公司 | 定向标签生成方法及装置 |
CN107360222A (zh) * | 2017-06-30 | 2017-11-17 | 广东欧珀移动通信有限公司 | 商品信息推送方法、装置、存储介质以及服务器 |
CN107609487A (zh) * | 2017-08-17 | 2018-01-19 | 北京三快在线科技有限公司 | 一种用户头像的生成方法和装置 |
CN107688637A (zh) * | 2017-08-23 | 2018-02-13 | 广东欧珀移动通信有限公司 | 信息推送方法、装置、存储介质及电子终端 |
CN107679552A (zh) * | 2017-09-11 | 2018-02-09 | 北京飞搜科技有限公司 | 一种基于多分支训练的场景分类方法以及*** |
CN107734142A (zh) * | 2017-09-15 | 2018-02-23 | 维沃移动通信有限公司 | 一种拍照方法、移动终端及服务器 |
CN107645559A (zh) * | 2017-09-30 | 2018-01-30 | 广东美的制冷设备有限公司 | 家电信息推送方法、服务器、移动终端及存储介质 |
CN107908343A (zh) * | 2017-11-07 | 2018-04-13 | 出门问问信息科技有限公司 | 一种信息展示方法及装置 |
CN107948618A (zh) * | 2017-12-11 | 2018-04-20 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
CN107948326A (zh) * | 2017-12-29 | 2018-04-20 | 暴风集团股份有限公司 | 内容推荐调试方法和装置、电子设备、存储介质、程序 |
Non-Patent Citations (2)
Title |
---|
MARIAM ADEDOYIN-OLOWE 等: "A Survey of Data Mining Techniques for Social Network Analysis", 《SOCIAL AND INFORMATION NETWORKS》 * |
吴昊 等: "社交网络中的好友推荐方法研究", 《现代图书情报技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399760A (zh) * | 2019-07-23 | 2019-11-01 | 广东工业大学 | 一种批量二维码定位方法、装置、电子设备及存储介质 |
CN111383054A (zh) * | 2020-03-10 | 2020-07-07 | 中国联合网络通信集团有限公司 | 广告检验方法和装置 |
CN112764700A (zh) * | 2020-12-31 | 2021-05-07 | 维沃移动通信有限公司 | 图像显示处理方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108898163B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108777815B (zh) | 视频处理方法和装置、电子设备、计算机可读存储介质 | |
CN108805103A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN108764208B (zh) | 图像处理方法和装置、存储介质、电子设备 | |
CN108960290A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
EP3598736B1 (en) | Method and apparatus for processing image | |
CN108830208A (zh) | 视频处理方法和装置、电子设备、计算机可读存储介质 | |
CN108875619B (zh) | 视频处理方法和装置、电子设备、计算机可读存储介质 | |
CN108875820A (zh) | 信息处理方法和装置、电子设备、计算机可读存储介质 | |
CN108921040A (zh) | 图像处理方法和装置、存储介质、电子设备 | |
CN108810413A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN108805198A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
CN108959462A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN110580428A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN110334635A (zh) | 主体追踪方法、装置、电子设备和计算机可读存储介质 | |
CN108765033B (zh) | 广告信息推送方法和装置、存储介质、电子设备 | |
CN108846351A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
CN108897786A (zh) | 应用程序的推荐方法、装置、存储介质及移动终端 | |
CN108804658A (zh) | 图像处理方法和装置、存储介质、电子设备 | |
CN109002843A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN110298862A (zh) | 视频处理方法、装置、计算机可读存储介质和计算机设备 | |
CN108764321B (zh) | 图像识别方法和装置、电子设备、存储介质 | |
CN107911625A (zh) | 测光方法、装置、可读存储介质和计算机设备 | |
CN108717530A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN108848306B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |