CN110413869B - 用于推送信息的方法和装置 - Google Patents
用于推送信息的方法和装置 Download PDFInfo
- Publication number
- CN110413869B CN110413869B CN201811477459.5A CN201811477459A CN110413869B CN 110413869 B CN110413869 B CN 110413869B CN 201811477459 A CN201811477459 A CN 201811477459A CN 110413869 B CN110413869 B CN 110413869B
- Authority
- CN
- China
- Prior art keywords
- image
- information
- target object
- target
- mark
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于推送信息的方法和装置。该方法的一具体实施方式包括:获取目标终端发送的待搜索图像;将待搜索图像输入预先构建的图像检测模型,得到目标物区域图和标志区域图,其中,图像检测模型用于表征图像与目标物区域图、标志区域图的对应关系;响应于确定目标物区域图和标志区域图的并集与目标物区域图相匹配,根据目标物区域图和标志区域图,确定目标物区域图的目标物特征向量;根据目标物特征向量,从预先构建的图像组中确定与目标物区域图相匹配的图像,以及将所确定的图像推送给目标终端。该实施方式提升了用户体验。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于推送信息的方法和装置。
背景技术
以图搜图技术,通常是利用计算机视觉技术,从数据索引库中所保存的图像中识别出与测试图像相似的图像。以图搜图技术通常被应用于电子商务的拍照购物***、人工智能***、个性推荐***、工业分拣、智能机器人、智能交通等领域。
发明内容
本申请实施例提出了用于推送信息的方法和装置。
第一方面,本申请实施例提供了一种用于推送信息的方法,该方法包括:获取目标终端发送的待搜索图像;将待搜索图像输入预先构建的图像检测模型,得到目标物区域图和标志区域图,其中,图像检测模型用于表征图像与目标物区域图、标志区域图的对应关系;响应于确定目标物区域图和标志区域图的并集与目标物区域图相匹配,根据目标物区域图和标志区域图,确定目标物区域图的目标物特征向量;根据目标物特征向量,从预先构建的图像组中确定与目标物区域图相匹配的图像,以及将所确定的图像推送给目标终端。
在一些实施例中,图像检测模型包括目标检测模型和标志检测模型;以及将待搜索图像输入预先构建的图像检测模型,得到目标物区域图和标志区域图,包括:将待搜索图像输入目标检测模型,得到目标物区域图,以及将待搜索图像输入标志检测模型,得到标志区域图,其中,目标检测模型用于表征图像与目标物区域图的对应关系,标志检测模型用于表征图像与标志区域图的对应关系。
在一些实施例中,根据目标物区域图和标志区域图,确定目标物区域图的目标物特征向量,包括:将目标物区域图输入预先构建的目标物分类模型,得到目标物类别信息,其中,目标物分类模型用于表征区域图与目标物类别信息的对应关系;确定标志区域图中的标志信息,从预先构建的信息列表中查找到与标志信息相匹配的产品类别信息集合,其中,信息列表中包括标志信息和与标志信息关联的产品类别信息集合;响应于确定目标物类别信息属于产品类别信息集合,将目标物区域图输入预先构建的特征提取模型,得到目标物特征向量,其中,特征提取模型用于表征区域图与目标物特征向量的对应关系。
在一些实施例中,信息列表通过如下步骤构建:获取标志信息;确定目标网站中包含标志信息的至少一个网页;对于至少一个网页中的网页,提取该网页中的具有标志信息的产品信息,以生成产品信息集合;对于产品信息集合中的产品信息,确定该产品信息的产品类别信息,响应于确定产品类别信息集合中不存在与所确定的产品类别信息相匹配的产品类别信息,将所确定的产品类别信息存入产品类别信息集合;将所得到的产品类别信息集合与标志信息关联,存入信息列表。
在一些实施例中,根据目标物特征向量,从预先构建的图像组中确定与目标物区域图相匹配的图像,包括:对于图像组中的图像,确定该图像的图像特征向量,确定所确定的图像特征向量与目标物特征向量的相似度,响应于所确定的相似度满足预先设定的相似度条件,将该图像确定为与目标物区域图相匹配的图像。
第二方面,本申请实施例提供了一种用于推送信息的装置,该装置包括:图像获取单元,被配置成获取目标终端发送的待搜索图像;图像检测单元,被配置成将待搜索图像输入预先构建的图像检测模型,得到目标物区域图和标志区域图,其中,图像检测模型用于表征图像与目标物区域图、标志区域图的对应关系;特征提取单元,被配置成响应于确定目标物区域图和标志区域图的并集与目标物区域图相匹配,根据目标物区域图和标志区域图,确定目标物区域图的目标物特征向量;图像推送单元,被配置成根据目标物特征向量,从预先构建的图像组中确定与目标物区域图相匹配的图像,以及将所确定的图像推送给目标终端。
在一些实施例中,图像检测模型包括目标检测模型和标志检测模型;以及图像检测单元进一步被配置成:将待搜索图像输入目标检测模型,得到目标物区域图,以及将待搜索图像输入标志检测模型,得到标志区域图,其中,目标检测模型用于表征图像与目标物区域图的对应关系,标志检测模型用于表征图像与标志区域图的对应关系。
在一些实施例中,根据目标物区域图和标志区域图,确定目标物区域图的目标物特征向量,包括:将目标物区域图输入预先构建的目标物分类模型,得到目标物类别信息,其中,目标物分类模型用于表征区域图与目标物类别信息的对应关系;确定标志区域图中的标志信息,从预先构建的信息列表中查找到与标志信息相匹配的产品类别信息集合,其中,信息列表中包括标志信息和与标志信息关联的产品类别信息集合;响应于确定目标物类别信息属于产品类别信息集合,将目标物区域图输入预先构建的特征提取模型,得到目标物特征向量,其中,特征提取模型用于表征区域图与目标物特征向量的对应关系。
在一些实施例中,信息列表通过如下步骤构建:获取标志信息;确定目标网站中包含标志信息的至少一个网页;对于至少一个网页中的网页,提取该网页中的具有标志信息的产品信息,以生成产品信息集合;对于产品信息集合中的产品信息,确定该产品信息的产品类别信息,响应于确定产品类别信息集合中不存在与所确定的产品类别信息相匹配的产品类别信息,将所确定的产品类别信息存入产品类别信息集合;将所得到的产品类别信息集合与标志信息关联,存入信息列表。
在一些实施例中,根据目标物特征向量,从预先构建的图像组中确定与目标物区域图相匹配的图像,包括:对于图像组中的图像,确定该图像的图像特征向量,确定所确定的图像特征向量与目标物特征向量的相似度,响应于所确定的相似度满足预先设定的相似度条件,将该图像确定为与目标物区域图相匹配的图像。
第三方面,本申请实施例提供了一种服务器,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如用于推送信息的方法中任一实施例的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如用于推送信息的方法中任一实施例的方法。
本申请实施例提供的用于推送信息的方法和装置,可以获取目标用户输入的包括目标物图像的待搜索图像。然后,将待搜索图像输入预先构建的图像检测模型,得到目标物区域图和标志区域图。之后,响应于确定目标物区域图和标志区域图的并集与目标物区域图相匹配,根据目标物区域图和标志区域图,确定目标物图像的目标物特征向量。最后,根据目标物特征向量,从预先构建的图像组中确定与目标物特征向量相匹配的图像,将所确定的图像推送给目标用户的终端。本实施例的方法和装置,由于融合了待搜索图像中的局部信息(标志区域图)和整体信息(目标物区域图),可以实现将更加准确的图像推送给目标终端,提升了用户体验。
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是本申请的一个实施例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推送信息的方法的一个实施例的流程图;
图3是根据本申请实施例的用于推送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推送信息的方法的又一个实施例的流程图;
图5是根据本申请的用于推送信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的服务器的计算机***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实施例的用于推送信息的方法或用于推送信息的装置的示例性***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。
终端设备101、102、103可以通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种应用,例如,图像采集类应用,搜索类应用、图像处理类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持图像输入的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器。上述服务,例如对终端设备101、102、103上传的待搜索图像进行分析处理,确定目标物区域图和标志区域图,确定目标物区域图和标志区域图的并集是否与目标物区域图相匹配,以及确定目标物区域图的目标物特征向量,并将图像组中与目标物区域图相匹配的图像推送给终端设备101、102、103。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于推送信息的方法一般由服务器105执行,相应地,用于推送信息的装置一般设置于服务器105中。
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,示出了根据本申请的用于推送信息的方法的一个实施例的流程200。该用于推送信息的方法,包括以下步骤:
步骤201,获取目标终端发送的待搜索图像。
在本实施例中,用于推送信息的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或无线连接方式获取到目标终端发送的待搜索图像。其中,上述目标终端可以是进行图像搜索操作的用户所使用的终端。目标终端可以将本地存储的待搜索图像,通过有线连接方式或无线连接方式,发送给上述执行主体。目标终端还可以将即时拍摄的待搜索图像,通过有线连接方式或无线连接方式,发送给上述执行主体。上述待搜索图像可以是包括目标物区域和标志区域的图像。其中,上述目标物区域中显示的目标物可以是任意物品。其中,上述物品可以为商品。作为示例,上述目标物可以是上衣、箱包、洗衣机等。上述标志区域中显示的标志可以是物品的物品标志。其中,上述物品标志可以是文字、图形、字母、数字、三维标志和颜色中的至少一项的组合。作为示例,上述物品的物品标志可以是商品的商标。
步骤202,将待搜索图像输入预先构建的图像检测模型,得到目标物区域图和标志区域图。
在本实施例中,上述目标物区域图为步骤201中提及的待搜索图像中的目标物区域。上述标志区域图为步骤201中提及的待搜索图像中的标志区域。其中,图像检测模型用于表征图像与目标物区域图、标志区域图的对应关系。作为示例,图像检测模型可以是技术人员基于对大量的图像与目标物区域图、标志区域图的统计而预先制定的、存储有多个图像与目标物区域图、标志区域图的对应关系的对应关系表。也可以是基于训练样本,利用机器学习方法,对初始模型(例如卷积神经网络(Convolutional Neural Network,CNN)、残差网络(ResNet)等)进行训练后得到的模型。
在本实施例的一些可选的实现方式中,上述图像检测模型可以通过如下步骤训练得到:首先,获取训练样本集。其中,训练样本可以包括样本图像和针对样本图像预先标注的目标物区域图和标志区域图。然后,利用机器学习方法,将训练样本集中的样本图像作为输入,将所输入的样本图像所对应的目标物区域图和标志区域图作为期望输出,训练得到图像检测模型。
在本实施例的一些可选的实现方式中,上述图像检测模型包括目标检测模型和标志检测模型;以及将待搜索图像输入预先构建的图像检测模型,得到目标物区域图和标志区域图,包括:将待搜索图像输入目标检测模型,得到目标物区域图,以及将待搜索图像输入标志检测模型,得到标志区域图。
在本实施例中,目标检测模型用于表征图像与目标物区域图的对应关系。作为示例,目标检测模型可以是技术人员基于对大量的图像与目标物区域图的统计而预先制定的、存储有多个图像与目标物区域图的对应关系的对应关系表。也可以是基于训练样本,利用机器学习方法,对初始模型(例如卷积神经网络(Convolutional Neural Network,CNN)、残差网络(ResNet)等)进行训练后得到的模型。
可选地,上述目标检测模型可以通过如下步骤训练得到:首先,获取训练样本集。其中,训练样本可以包括样本图像和针对样本图像预先标注的目标物区域图。然后,利用机器学习方法,将训练样本集中的样本图像作为输入,将所输入的样本图像所对应的目标物区域图作为期望输出,训练得到目标检测模型。
在本实施例中,标志检测模型用于表征图像与标志区域图的对应关系。作为示例,标志检测模型可以是技术人员基于对大量的图像与标志区域图的统计而预先制定的、存储有多个图像与标志区域图的对应关系的对应关系表。也可以是基于训练样本,利用机器学习方法,对初始模型(例如卷积神经网络(Convolutional Neural Network,CNN)、残差网络(ResNet)等)进行训练后得到的模型。
可选地,上述标志检测模型可以通过如下步骤训练得到:首先,获取训练样本集。其中,训练样本可以包括样本图像和针对样本图像预先标注的标志区域图。然后,利用机器学习方法,将训练样本集中的样本图像作为输入,将所输入的样本图像所对应的标志区域图作为期望输出,训练得到标志检测模型。
步骤203,响应于确定目标物区域图和标志区域图的并集与目标物区域图相匹配,根据目标物区域图和标志区域图,确定目标物区域图的目标物特征向量。
在本实施例中,上述执行主体可以在确定目标物区域图和标志区域图的并集与目标物区域图相匹配后,执行后续步骤。
在本实施例的一些可选的实现方式中,上述执行主体可以通过以下至少一种方式,确定目标物区域图和标志区域图的并集与目标物区域图相匹配:通过目标物区域图的各像素点的坐标和标志区域图的各像素点的坐标间的关系,确定目标物区域图和标志区域图的并集与目标物区域图相匹配;通过计算标志区域图与目标物区域图的相似概率,确定目标物区域图和标志区域图的并集与目标物区域图相匹配;通过计算标志区域图与目标物区域图的总差值,确定目标物区域图和标志区域图的并集与目标物区域图相匹配。其中,需要说明的是,由于上述目标物区域图和上述标志区域图,均是针对同一待搜索图像进行处理所获得的图像,故,上述目标物区域图和上述标志区域图处于同一坐标系。
在本实施例的一些可选的实现方式中,上述执行主体可以通过目标物区域图的各像素点的坐标和标志区域图的各像素点的坐标间的关系,确定目标物区域图和标志区域图的并集与目标物区域图相匹配。其中,可以通过如下步骤实现:首先,将标志区域图中各像素点的坐标组成的集合确定为第一坐标集合。然后,将目标物区域图中各像素点的坐标组成的集合确定为第二坐标集合。最后,响应于第一集合属于第二集合,确定目标物区域图和标志区域图的并集与目标物区域图相匹配。举例来说,若标志区域图中各像素点的坐标组成的集合为第一坐标集合M,且M为{A,B}。目标物区域图中各像素点的坐标组成的集合为第二坐标集合N,且N为{A,B,C,D}。此时,M中的每一个元素都可以在N中找到,M属于N。确定目标物区域图和标志区域图的并集与目标物区域图相匹配。
在本实施例的一些可选的实现方式中,上述执行主体可以通过计算标志区域图与目标物区域图的相似概率,确定目标物区域图和标志区域图的并集与目标物区域图相匹配。其中,可以通过如下步骤实现:首先,将标志区域图中各像素点的坐标组成的集合确定为第一坐标集合。然后,对于第一坐标集合中的坐标,确定标志区域图在该坐标处的像素值与目标物区域图在该坐标处的像素值的差值,响应于所确定的差值的绝对值小于第一设定差距阈值,将该坐标确定为匹配坐标,存入匹配坐标集合。最后,响应于匹配坐标集合中的坐标的数目与第一坐标集合中坐标的数目的比值超过设定概率阈值,确定目标物区域图和标志区域图的并集与目标物区域图相匹配。
在本实施例的一些可选的实现方式中,上述执行主体可以通过计算标志区域图与目标物区域图的总差值,确定目标物区域图和标志区域图的并集与目标物区域图相匹配。其中,可以通过如下步骤实现:首先,将标志区域图中各像素点的坐标组成的集合确定为第一坐标集合。然后,对于第一坐标集合中的坐标,确定标志区域图在该坐标处的像素值与目标物区域图在该坐标处的像素值的差值,将所确定的差值存入差值集合。最后,响应于差值集合中的各差值的和小于第二设定差距阈值,确定目标物区域图和标志区域图的并集与目标物区域图相匹配。
在本实施例中,上述第一设定差距阈值、上述第二设定差距阈值和上述设定概率阈值,可以为根据多次试验确定的值。
在本实施例中,在确定了目标物区域图和标志区域图的并集与目标物区域图相匹配之后,执行主体可以通过将目标物区域图的各像素点的像素值组成的第一矩阵、标志区域图的各像素点的像素值组成的第二矩阵,输入预先构建的计算公式,以得到目标物区域图的目标物特征向量。其中,计算公式可以是技术人员基于对大量数据的统计而预先设置并存储至上述执行主体中的、对第一矩阵和第二矩阵进行矩阵计算,以得到用于表征目标物区域图的目标物特征向量的计算公式。例如,该计算公式可以是计算第一矩阵与第二矩阵求和后得到的和矩阵的特征向量的公式,得到的特征向量可以用于表征目标物区域图的目标物特征向量。执行主体还可以通过查找预先构建的图-向量对应关系表获得对应于标志区域图条件下的目标物区域图的目标物特征向量。其中,图-向量对应关系表可以是技术人员基于对大量的目标物区域图、标志区域图和目标物特征向量的统计而预先制定的、存储有多个目标物区域图、标志区域图和目标物特征向量的对应关系的对应关系表。
在本实施例的一些可选的实现方式中,上述执行主体根据目标物区域图和标志区域图,确定目标物区域图的目标物特征向量,可以通过如下步骤实现:
第一步,将目标物区域图输入预先构建的目标物分类模型,得到目标物类别信息。
在本实施例中,目标物类别信息可以是用于表征待搜索图像中的目标物区域所显示的目标物的类别的信息。作为示例,上述目标物类别信息可以表征待搜索图像中的目标物区域所显示的目标物的类别为上衣,箱包,配饰等。目标物分类模型用于表征区域图与目标物类别信息的对应关系。作为示例,目标物分类模型可以是技术人员基于对大量的区域图与目标物类别信息的统计而预先制定的、存储有多个区域图与目标物类别信息的对应关系的对应关系表。也可以是基于训练样本,利用机器学习方法,对初始模型(例如卷积神经网络(Convolutional Neural Network,CNN)、残差网络(ResNet)等)进行训练后得到的模型。
可选地,上述目标物分类模型可以通过如下步骤训练得到:首先,获取训练样本集。其中,训练样本可以包括样本区域图和针对样本区域图预先标注的目标物类别信息。然后,利用机器学习方法,将训练样本集中的样本区域图作为输入,将所输入的样本区域图所对应的目标物类别信息作为期望输出,训练得到目标物分类模型。
第二步,确定标志区域图中的标志信息,从预先构建的信息列表中查找到与标志信息相匹配的产品类别信息集合。
在本实施例中,上述标志信息可以是用于表征待搜索图像中的标志区域所显示的标志的类别的信息。作为示例,上述标志信息可以表征待搜索图像中的标志区域所显示的标志为甲商标、乙商标、丙商标等。
可选地,上述执行主体可以通过如下步骤确定标志区域图中的标志信息:首先,采用预先设定的分割阈值对标志区域图进行分割,得到承载标志信息的实体。然后,从执行主体中预先存储的实体库中,匹配出与所得到的承载标志信息的实体相匹配的实体,将匹配出的实体所对应的标志信息确定为标志区域图中的标志信息。其中,执行主体中预先存储的实体库中的实体,包括关联存储的实体和实体所承载的标志信息。其中,上述分割阈值可以为根据多次试验确定的值。
可选地,上述执行主体还可以通过查找预先构建的标志区域图-标志信息对应关系表获得该标志区域图对应的标志信息。其中,标志区域图-标志信息对应关系表可以是技术人员基于对大量的标志区域图和标志信息的统计而预先制定的、存储有多个标志区域图和标志信息的对应关系的对应关系表。
在本实施例中,执行主体在得到标志区域图的标志信息后,可以采用所得到的标志信息,从预先构建的信息列表中查找与上述标志信息相匹配的标志信息,查找到相匹配的标志信息时,获取信息列表中的与所查找到的标志信息关联的产品类别信息集合。其中,信息列表中包括标志信息和与标志信息关联的产品类别信息集合。
在本实施例的一些可选的实现方式中,上述信息列表可以通过如下步骤构建:首先,获取标志信息。然后,确定目标网站中包含标志信息的至少一个网页。其中,目标网站可以为预先指定的网站。例如,上述目标网站可以为购物网站、搜索网站等。之后,对于至少一个网页中的网页,提取该网页中的具有标志信息的产品信息,以生成产品信息集合;对于产品信息集合中的产品信息,确定该产品信息的产品类别信息,响应于确定产品类别信息集合中不存在与所确定的产品类别信息相匹配的产品类别信息,将所确定的产品类别信息存入产品类别信息集合。其中,上述产品信息可以为用于描述产品的信息。例如,产品信息可以为“红色的衬衫”。上述产品类别信息可以为用于表征产品类别的信息。例如,产品类别信息可以为“1”,用于表征产品类别为上衣。最后,将所得到的产品类别信息集合与标志信息关联,存入信息列表。
第三步,响应于确定目标物类别信息属于产品类别信息集合,将目标物区域图输入预先构建的特征提取模型,得到目标物特征向量。
在本实施例中,在目标物类别信息属于产品类别信息集合时,执行主体可以将目标物区域图输入预先构建的特征提取模型,以得到目标物特征向量。其中,特征提取模型用于表征区域图与目标物特征向量的对应关系。作为示例,特征提取模型可以是技术人员基于对大量的区域图与目标物特征向量的统计而预先制定的、存储有多个区域图与目标物特征向量的对应关系的对应关系表。也可以是基于训练样本,利用机器学习方法,对初始模型(例如卷积神经网络(Convolutional Neural Network,CNN)、残差网络(ResNet)等)进行训练后得到的模型。
可选地,上述特征提取模型可以通过如下步骤训练得到:首先,获取训练样本集。其中,训练样本可以包括样本区域图和针对样本区域图预先标注的目标物特征向量。然后,利用机器学习方法,将训练样本集中的样本区域图作为输入,将所输入的样本区域图所对应的目标物特征向量作为期望输出,训练得到特征提取模型。
步骤204,根据目标物特征向量,从预先构建的图像组中确定与目标物区域图相匹配的图像,以及将所确定的图像推送给目标终端。
可选地,执行主体可以通过如下步骤确定与目标物区域图相匹配的图像:首先,对于图像组中的图像,提取该图像的预先设定坐标处的像素值组成图像向量。然后,计算图像向量与目标物特征向量的相似度。最后,响应于相似度大于预先设定的相似度阈值,将该图像确定为与目标物区域图相匹配的图像。
可选地,上述执行主体还可以通过查找预先构建的目标物特征向量-图像对应关系表获得对应于目标物特征向量的图像。其中,目标物特征向量-图像对应关系表可以是技术人员基于对大量的目标物特征向量与图像的统计而预先制定的、存储有多个目标物特征向量与图像的对应关系的对应关系表。这里,需要说明的是,上述图像组为上述对应关系表中的图像的集合。
在本实施例的一些可选的实现方式中,上述执行主体还可以通过如下步骤,实现根据目标物特征向量,从预先构建的图像组中确定与目标物区域图相匹配的图像:对于图像组中的图像,确定该图像的图像特征向量,确定所确定的图像特征向量与目标物特征向量的相似度,响应于所确定的相似度满足预先设定的相似度条件,将该图像确定为与目标物区域图相匹配的图像。
在本实施例中,上述执行主体可以通过查找预先构建的图像-图像特征向量对应关系表获得图像的图像特征向量。其中,图像-图像特征向量对应关系表可以是技术人员基于对大量的图像和图像特征向量的统计而预先制定的、存储有多个图像和图像特征向量的对应关系的对应关系表。
可选地,上述执行主体可以通过以下至少一种方式,确定所确定的图像特征向量与目标物特征向量的相似度:确定所确定的图像特征向量与目标物特征向量的欧式距离;或确定所确定的图像特征向量与目标物特征向量的余弦相似度。
可选地,上述相似度条件包括以下至少一项:所确定的欧式距离小于设定距离阈值;所确定的余弦相似度大于设定相似度阈值。
本申请实施例提供的用于推送信息的方法,由于融合了待搜索图像中的局部信息(标志区域图)和整体信息(目标物区域图),可以实现将更加准确的图像推送给目标终端,提升了用户体验。
继续参见图3,图3是根据本实施例的用于推送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,用户301采用手机302拍摄一张包括有甲商标的上衣图像P。手机302得到图像P,将图像P上传至给服务器303。服务器303获取到图像P之后,首先,将图像P输入预先构建的图像检测模型,得到上衣区域图F1和甲商标区域图F2。然后,响应于甲商标区域图F2和上衣区域图F1的并集与上衣区域图F2相匹配,根据甲商标区域图F2和上衣区域图F1,确定上衣区域图F2的目标物特征向量V。最后,根据目标物特征向量V,从预先构建的图像组中确定与上衣区域图F1相匹配的图像,以及将所确定的图像推送给手机302。
本申请实施例提供的用于推送信息的方法,通过获取目标用户输入的包括目标物图像的待搜索图像。然后,将待搜索图像输入预先构建的图像检测模型,得到目标物区域图和标志区域图。之后,响应于确定目标物区域图和标志区域图的并集与目标物区域图相匹配,根据目标物区域图和标志区域图,确定目标物图像的目标物特征向量。最后,根据目标物特征向量,从预先构建的图像组中确定与目标物特征向量相匹配的图像,将所确定的图像推送给目标用户的终端。由于融合了待搜索图像中的局部信息(标志区域图)和整体信息(目标物区域图),可以实现将更加准确的图像推送给目标终端,提升了用户体验。
进一步参考图4,其示出了用于推送信息的方法的又一个实施例的流程400。该用于推送信息的方法的流程400,包括以下步骤:
步骤401,获取目标终端发送的待搜索图像。
步骤402,将待搜索图像输入预先构建的图像检测模型,得到目标物区域图和标志区域图,其中,图像检测模型用于表征图像与目标物区域图、标志区域图的对应关系。
在本实施例中,步骤401-402的具体操作与图2所示的实施例中步骤201-202的操作基本相同,在此不再赘述。
步骤403,响应于确定目标物区域图和标志区域图的并集与目标物区域图不匹配,将预先设定的提示信息发送给目标终端。
在本实施例中,目标物区域图和标志区域图的并集与目标物区域图不匹配,表明标志区域图并未处于目标物区域图内部。此时,执行主体可以将预先设定的提示信息发送给目标终端,如此,以提醒用户重新上传有效的图像。作为示例,上述提示信息可以为“当前上传的照片中不具有商标信息,请您重新拍摄”。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于推送信息的方法的流程400体现了在确定目标物区域图和标志区域图的并集与目标物区域图不匹配后的提醒步骤。由此,本实施例描述的方案可以自动针对不符合规定的待搜索图像进行提醒,可以提升用户体验。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于推送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5所示,本实施例的用于推送信息的装置500包括:图像获取单元501,被配置成获取目标终端发送的待搜索图像;图像检测单元502,被配置成将待搜索图像输入预先构建的图像检测模型,得到目标物区域图和标志区域图,其中,图像检测模型用于表征图像与目标物区域图、标志区域图的对应关系;特征提取单元503,被配置成响应于确定目标物区域图和标志区域图的并集与目标物区域图相匹配,根据目标物区域图和标志区域图,确定目标物区域图的目标物特征向量;图像推送单元504,被配置成根据目标物特征向量,从预先构建的图像组中确定与目标物区域图相匹配的图像,以及将所确定的图像推送给目标终端。
在本实施例的一些可选的实现方式中,图像检测模型可以包括目标检测模型和标志检测模型。以及图像检测单元可以进一步被配置成:将待搜索图像输入目标检测模型,得到目标物区域图,以及将待搜索图像输入标志检测模型,得到标志区域图,其中,目标检测模型用于表征图像与目标物区域图的对应关系,标志检测模型用于表征图像与标志区域图的对应关系。
在本实施例的一些可选的实现方式中,根据目标物区域图和标志区域图,确定目标物区域图的目标物特征向量,包括:将目标物区域图输入预先构建的目标物分类模型,得到目标物类别信息,其中,目标物分类模型用于表征区域图与目标物类别信息的对应关系。确定标志区域图中的标志信息,从预先构建的信息列表中查找到与标志信息相匹配的产品类别信息集合,其中,信息列表中包括标志信息和与标志信息关联的产品类别信息集合。响应于确定目标物类别信息属于产品类别信息集合,将目标物区域图输入预先构建的特征提取模型,得到目标物特征向量,其中,特征提取模型用于表征区域图与目标物特征向量的对应关系。
在本实施例的一些可选的实现方式中,信息列表通过如下步骤构建:获取标志信息。确定目标网站中包含标志信息的至少一个网页。对于至少一个网页中的网页,提取该网页中的具有标志信息的产品信息,以生成产品信息集合。对于产品信息集合中的产品信息,确定该产品信息的产品类别信息,响应于确定产品类别信息集合中不存在与所确定的产品类别信息相匹配的产品类别信息,将所确定的产品类别信息存入产品类别信息集合。将所得到的产品类别信息集合与标志信息关联,存入信息列表。
在本实施例的一些可选的实现方式中,根据目标物特征向量,从预先构建的图像组中确定与目标物区域图相匹配的图像,包括:对于图像组中的图像,确定该图像的图像特征向量,确定所确定的图像特征向量与目标物特征向量的相似度,响应于所确定的相似度满足预先设定的相似度条件,将该图像确定为与目标物区域图相匹配的图像。
在本实施例的一些可选的实现方式中,确定所确定的图像特征向量与目标物特征向量的相似度,包括:确定所确定的图像特征向量与目标物特征向量的欧式距离。或确定所确定的图像特征向量与目标物特征向量的余弦相似度。
在本实施例的一些可选的实现方式中,相似度条件包括以下至少一项:所确定的欧式距离小于设定距离阈值。所确定的余弦相似度大于设定相似度阈值。
本申请的上述实施例提供的装置,图像获取单元501获取目标用户输入的包括目标物图像的待搜索图像。然后,图像检测单元502将待搜索图像输入预先构建的图像检测模型,得到目标物区域图和标志区域图。之后,特征提取单元503响应于确定目标物区域图和标志区域图的并集与目标物区域图相匹配,根据目标物区域图和标志区域图,确定目标物图像的目标物特征向量。最后,图像推送单元504根据目标物特征向量,从预先构建的图像组中确定与目标物特征向量相匹配的图像,将所确定的图像推送给目标用户的终端。由于融合了待搜索图像中的局部信息(标志区域图)和整体信息(目标物区域图),可以实现将更加准确的图像推送给目标终端,提升了用户体验。
下面参考图6,其示出了适于用来实现本申请实施例的服务器的计算机***600的结构示意图。图6示出的服务器仅仅是一个示例,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6所示,计算机***600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
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信息,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609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601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信息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:一种处理器包括图像获取单元、图像检测单元、特征提取单元和图像推送单元。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,图像获取单元还可以被描述为“获取目标终端发送的待搜索图像的单元”。
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:获取目标终端发送的待搜索图像;将待搜索图像输入预先构建的图像检测模型,得到目标物区域图和标志区域图;响应于确定目标物区域图和标志区域图的并集与目标物区域图相匹配,根据目标物区域图和标志区域图,确定目标物区域图的目标物特征向量;根据目标物特征向量,从预先构建的图像组中确定与目标物区域图相匹配的图像,以及将所确定的图像推送给目标终端。
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)
1.一种用于推送信息的方法,包括:
获取目标终端发送的待搜索图像;
将所述待搜索图像输入预先构建的图像检测模型,得到目标物区域图和标志区域图,其中,所述图像检测模型用于表征图像与目标物区域图、标志区域图的对应关系;
响应于确定所述目标物区域图和所述标志区域图的并集与所述目标物区域图相匹配,根据所述目标物区域图和所述标志区域图,确定所述目标物区域图的目标物特征向量;
其中,所述响应于确定所述目标物区域图和所述标志区域图的并集与所述目标物区域图相匹配包括:将所述标志区域图中各像素点的坐标组成的集合确定为第一坐标集合,将所述目标物区域图中各像素点的坐标组成的集合确定为第二坐标集合,响应于第一集合属于第二集合,确定所述目标物区域图和所述标志区域图的并集与目标物区域图相匹配;
根据所述目标物特征向量,从预先构建的图像组中确定与所述目标物区域图相匹配的图像,以及将所确定的图像推送给所述目标终端。
2.根据权利要求1所述的方法,其中,所述图像检测模型包括目标检测模型和标志检测模型;以及
所述将所述待搜索图像输入预先构建的图像检测模型,得到目标物区域图和标志区域图,包括:
将所述待搜索图像输入所述目标检测模型,得到目标物区域图,以及将所述待搜索图像输入所述标志检测模型,得到标志区域图,其中,所述目标检测模型用于表征图像与目标物区域图的对应关系,所述标志检测模型用于表征图像与标志区域图的对应关系。
3.根据权利要求1所述的方法,其中,所述根据所述目标物区域图和所述标志区域图,确定所述目标物区域图的目标物特征向量,包括:
将所述目标物区域图输入预先构建的目标物分类模型,得到目标物类别信息,其中,所述目标物分类模型用于表征区域图与目标物类别信息的对应关系;
确定所述标志区域图中的标志信息,从预先构建的信息列表中查找到与所述标志信息相匹配的产品类别信息集合,其中,所述信息列表中包括标志信息和与标志信息关联的产品类别信息集合;
响应于确定所述目标物类别信息属于所述产品类别信息集合,将所述目标物区域图输入预先构建的特征提取模型,得到目标物特征向量,其中,所述特征提取模型用于表征区域图与目标物特征向量的对应关系。
4.根据权利要求3所述的方法,其中,所述信息列表通过如下步骤构建:
获取标志信息;
确定目标网站中包含所述标志信息的至少一个网页;
对于所述至少一个网页中的网页,提取该网页中的具有所述标志信息的产品信息,以生成产品信息集合;对于产品信息集合中的产品信息,确定该产品信息的产品类别信息,响应于确定产品类别信息集合中不存在与所确定的产品类别信息相匹配的产品类别信息,将所确定的产品类别信息存入产品类别信息集合;
将所得到的产品类别信息集合与所述标志信息关联,存入信息列表。
5.根据权利要求1-4之一所述的方法,其中,所述根据所述目标物特征向量,从预先构建的图像组中确定与所述目标物区域图相匹配的图像,包括:
对于所述图像组中的图像,确定该图像的图像特征向量,确定所确定的图像特征向量与所述目标物特征向量的相似度,响应于所确定的相似度满足预先设定的相似度条件,将该图像确定为与所述目标物区域图相匹配的图像。
6.一种用于推送信息的装置,包括:
图像获取单元,被配置成获取目标终端发送的待搜索图像;
图像检测单元,被配置成将所述待搜索图像输入预先构建的图像检测模型,得到目标物区域图和标志区域图,其中,所述图像检测模型用于表征图像与目标物区域图、标志区域图的对应关系;
特征提取单元,被配置成响应于确定所述目标物区域图和所述标志区域图的并集与所述目标物区域图相匹配,根据所述目标物区域图和所述标志区域图,确定所述目标物区域图的目标物特征向量;
其中,所述特征提取单元,还被配置成将所述标志区域图中各像素点的坐标组成的集合确定为第一坐标集合,将所述目标物区域图中各像素点的坐标组成的集合确定为第二坐标集合,响应于第一集合属于第二集合,确定所述目标物区域图和所述标志区域图的并集与目标物区域图相匹配;
图像推送单元,被配置成根据所述目标物特征向量,从预先构建的图像组中确定与所述目标物区域图相匹配的图像,以及将所确定的图像推送给所述目标终端。
7.根据权利要求6所述的装置,其中,所述图像检测模型包括目标检测模型和标志检测模型;以及
所述图像检测单元进一步被配置成:
将所述待搜索图像输入所述目标检测模型,得到目标物区域图,以及将所述待搜索图像输入所述标志检测模型,得到标志区域图,其中,所述目标检测模型用于表征图像与目标物区域图的对应关系,所述标志检测模型用于表征图像与标志区域图的对应关系。
8.根据权利要求6所述的装置,其中,所述根据所述目标物区域图和所述标志区域图,确定所述目标物区域图的目标物特征向量,包括:
将所述目标物区域图输入预先构建的目标物分类模型,得到目标物类别信息,其中,所述目标物分类模型用于表征区域图与目标物类别信息的对应关系;
确定所述标志区域图中的标志信息,从预先构建的信息列表中查找到与所述标志信息相匹配的产品类别信息集合,其中,所述信息列表中包括标志信息和与标志信息关联的产品类别信息集合;
响应于确定所述目标物类别信息属于所述产品类别信息集合,将所述目标物区域图输入预先构建的特征提取模型,得到目标物特征向量,其中,所述特征提取模型用于表征区域图与目标物特征向量的对应关系。
9.根据权利要求8所述的装置,其中,所述信息列表通过如下步骤构建:
获取标志信息;
确定目标网站中包含所述标志信息的至少一个网页;
对于所述至少一个网页中的网页,提取该网页中的具有所述标志信息的产品信息,以生成产品信息集合;对于产品信息集合中的产品信息,确定该产品信息的产品类别信息,响应于确定产品类别信息集合中不存在与所确定的产品类别信息相匹配的产品类别信息,将所确定的产品类别信息存入产品类别信息集合;
将所得到的产品类别信息集合与所述标志信息关联,存入信息列表。
10.根据权利要求6-9之一所述的装置,其中,所述根据所述目标物特征向量,从预先构建的图像组中确定与所述目标物区域图相匹配的图像,包括:
对于所述图像组中的图像,确定该图像的图像特征向量,确定所确定的图像特征向量与所述目标物特征向量的相似度,响应于所确定的相似度满足预先设定的相似度条件,将该图像确定为与所述目标物区域图相匹配的图像。
11.一种服务器,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,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。
12.一种计算机可读介质,其上存储有计算机程序,其中,该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 |
---|---|---|---|
CN201811477459.5A CN110413869B (zh) | 2018-12-05 | 2018-12-05 | 用于推送信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811477459.5A CN110413869B (zh) | 2018-12-05 | 2018-12-05 | 用于推送信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110413869A CN110413869A (zh) | 2019-11-05 |
CN110413869B true CN110413869B (zh) | 2022-04-26 |
Family
ID=68357428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811477459.5A Active CN110413869B (zh) | 2018-12-05 | 2018-12-05 | 用于推送信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110413869B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076942A (zh) * | 2020-01-03 | 2021-07-06 | 上海依图网络科技有限公司 | 预设标志检测方法、装置、芯片及计算机可读存储介质 |
CN114265948A (zh) * | 2021-12-27 | 2022-04-01 | 北京沃东天骏信息技术有限公司 | 图像推送方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016009459A (ja) * | 2014-06-26 | 2016-01-18 | 株式会社リアライズ | 情報提供システム、情報提供方法及びプログラム |
CN107292642A (zh) * | 2016-03-31 | 2017-10-24 | 苏宁云商集团股份有限公司 | 一种基于图像的商品推荐方法及*** |
CN107861972A (zh) * | 2017-09-15 | 2018-03-30 | 广州唯品会研究院有限公司 | 一种用户录入商品信息后显示商品全结果的方法及设备 |
CN107862239A (zh) * | 2017-09-15 | 2018-03-30 | 广州唯品会研究院有限公司 | 一种结合文本与图片进行图片识别的方法及其装置 |
-
2018
- 2018-12-05 CN CN201811477459.5A patent/CN110413869B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016009459A (ja) * | 2014-06-26 | 2016-01-18 | 株式会社リアライズ | 情報提供システム、情報提供方法及びプログラム |
CN107292642A (zh) * | 2016-03-31 | 2017-10-24 | 苏宁云商集团股份有限公司 | 一种基于图像的商品推荐方法及*** |
CN107861972A (zh) * | 2017-09-15 | 2018-03-30 | 广州唯品会研究院有限公司 | 一种用户录入商品信息后显示商品全结果的方法及设备 |
CN107862239A (zh) * | 2017-09-15 | 2018-03-30 | 广州唯品会研究院有限公司 | 一种结合文本与图片进行图片识别的方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110413869A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10762387B2 (en) | Method and apparatus for processing image | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
CN108830235B (zh) | 用于生成信息的方法和装置 | |
CN111598164B (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
US20210200971A1 (en) | Image processing method and apparatus | |
CN109583389B (zh) | 绘本识别方法及装置 | |
CN109492122A (zh) | 商家信息的获取方法、装置、终端及计算机可读存储介质 | |
US11210563B2 (en) | Method and apparatus for processing image | |
CN111639970A (zh) | 基于图像识别的物品价格确定方法及相关设备 | |
US20230123879A1 (en) | Method and apparatus for positioning express parcel | |
CN108597034B (zh) | 用于生成信息的方法和装置 | |
CN110413869B (zh) | 用于推送信息的方法和装置 | |
CN111340015B (zh) | 定位方法和装置 | |
CN112766284A (zh) | 图像识别方法和装置、存储介质和电子设备 | |
CN110673717A (zh) | 用于控制输出设备的方法和装置 | |
CN109377284B (zh) | 用于推送信息的方法和电子设备 | |
CN108921138B (zh) | 用于生成信息的方法和装置 | |
CN111753766A (zh) | 一种图像处理方法、装置、设备及介质 | |
CN112651942B (zh) | 布局检测方法和装置 | |
CN111968030B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN113837986A (zh) | 用于识别舌象的方法、装置、电子设备和介质 | |
JP5975484B2 (ja) | 画像処理装置 | |
CN112634469A (zh) | 用于处理图像的方法和装置 | |
CN112884538A (zh) | 物品推荐的方法和装置 | |
CN112115740A (zh) | 用于处理图像的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |