CN110704650B - Ota图片标签的识别方法、电子设备和介质 - Google Patents

Ota图片标签的识别方法、电子设备和介质 Download PDF

Info

Publication number
CN110704650B
CN110704650B CN201910934233.1A CN201910934233A CN110704650B CN 110704650 B CN110704650 B CN 110704650B CN 201910934233 A CN201910934233 A CN 201910934233A CN 110704650 B CN110704650 B CN 110704650B
Authority
CN
China
Prior art keywords
ota
label
target
tag
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.)
Active
Application number
CN201910934233.1A
Other languages
English (en)
Other versions
CN110704650A (zh
Inventor
成丹妮
罗超
胡泓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ctrip Computer Technology Shanghai Co Ltd
Original Assignee
Ctrip Computer Technology Shanghai Co Ltd
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 Ctrip Computer Technology Shanghai Co Ltd filed Critical Ctrip Computer Technology Shanghai Co Ltd
Priority to CN201910934233.1A priority Critical patent/CN110704650B/zh
Publication of CN110704650A publication Critical patent/CN110704650A/zh
Application granted granted Critical
Publication of CN110704650B publication Critical patent/CN110704650B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • 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
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种OTA图片标签的识别方法、电子设备和介质，其中OTA图片标签的识别方法，包括以下步骤：根据OTA图片库构建OTA图像标签数据集，OTA图片库包括OTA图片和与OTA图片对应的标签；根据OTA图像标签数据集建立标签关系模型；根据标签关系模型建立图像特征提取模型，并提取图像特征；根据图像特征建立标签识别模型；采用标签识别模型识别待测OTA图片的标签。本发明基于OTA酒店下的海量图片信息和当前存在的标签，利用深度学习的方法对图片进行自动化标签识别。

Description

OTA图片标签的识别方法、电子设备和介质
技术领域
本发明属于OTA图片标签的识别技术领域，尤其涉及一种OTA图片标签的识别方法、电子设备和介质。
背景技术
图像可对信息提供直观表示与传达，因此在OTA(在线旅游)场景中得到大规模应用。有效准确地展示图像能极大地提升用户体验，从而提高用户的转化率。OTA图像中内容通常比较复杂，单幅图像往往含有多个语义，具有多个标签属性。而现有技术中，对图像标签的识别往往采用人工方式，耗时很长，效率低，成本高，准确率低。
发明内容
本发明要解决的技术问题是为了克服现有技术中的缺陷，提供一种OTA图片标签的识别方法、电子设备和介质。
本发明是通过下述技术方案来解决上述技术问题：
本发明提供一种OTA图片标签的识别方法，包括以下步骤：
根据OTA图片库构建OTA图像标签数据集，OTA图片库包括OTA图片和与OTA图片对应的标签；
根据OTA图像标签数据集建立标签关系模型；
根据标签关系模型建立图像特征提取模型，并提取图像特征；
根据图像特征建立标签识别模型；
采用标签识别模型识别待测OTA图片的标签。
较佳地，根据OTA图片库构建OTA图像标签数据集的步骤包括：
统计OTA图片库中的标签出现的次数；
获取目标标签，目标标签为出现的次数大于预设数值的标签；
构建OTA图像标签数据集，OTA图像标签数据集包括目标标签和目标图片，目标图片为OTA图片库中与目标标签对应的图片。
较佳地，根据OTA图像标签数据集建立标签关系模型的步骤包括：
通过one-hot(一种编码方式)的形式将目标标签转换为标签向量，并根据目标标签出现的次数构建标签关系有向图，在标签关系有向图中，第i个目标标签到第j个目标标签的变换系数zij满足以下公式：
zij＝qij/qi
其中，qi表示OTA图像标签数据集中包括第i个目标标签的目标图片的数量，qij表示OTA图像标签数据集中同时包括第i个目标标签和第j个目标标签的目标图片的数量，i∈[1,N]，j∈[1,N]，N为目标标签的类别的数量。目标标签包括图片中可识别的内容以及其属性和照片的拍摄环境，如山、大海、白天、夜晚、建筑局部、建筑全景等。
较佳地，根据OTA图像标签数据集建立标签关系模型的步骤还包括：
通过图卷积变换将目标标签转换为标签关系矩阵W，标签关系矩阵W用于表征标签关系模型，
Figure BDA0002221184300000021
D的维度与卷积神经网络的特征变换函数F(X)的输出特征维度一致。
Figure BDA0002221184300000022
用于表征实数域。
较佳地，图像特征提取模型的传输函数为：
L＝W·F(X)，
其中，F(X)为卷积神经网络的特征变换函数。
较佳地，标签识别模型的传输函数为：
Figure BDA0002221184300000023
较佳地，根据图像特征建立标签识别模型的步骤还包括：
根据目标损失函数训练卷积神经网络，目标损失函数为：
Figure BDA0002221184300000024
其中，当所述目标图片中包含第i个所述目标标签时，yi＝1，当所述目标图片中不包含第i个所述目标标签时，yi＝0，
Figure BDA0002221184300000031
表示根据标签识别模型得到的目标图片包括第i个目标标签的概率。
较佳地，采用标签识别模型识别待测OTA图片的标签的步骤包括：
采用标签识别模型获取待测OTA图片的目标概率
Figure BDA0002221184300000032
目标概率
Figure BDA0002221184300000033
为待测OTA图片中包括第k个目标标签的概率，如果
Figure BDA0002221184300000034
则为待测OTA图片设置对应的目标标签，τk为与第k个目标标签对应的目标阈值，k∈[1,N]。
较佳地，在构建标签识别模型之后，识别方法还包括以下步骤：
获取所述目标阈值τk，所述目标阈值τk为F1分数的最大值对应的阈值。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现本发明的OTA图片标签的识别方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本发明的OTA图片标签的识别方法的步骤。
本发明的积极进步效果在于：本发明基于OTA酒店下的海量图片信息和当前存在的标签，利用深度学习的方法对图片进行自动化标签识别，能够快速准确地挖掘图片的信息，高效地提取出图像的隐含标签，可大幅度节省运营维护成本，保证图片展示的准确性，能满足个性化的展示和检索需求，有效提升OTA场景下用户的服务体验。
附图说明
图1为本发明的实施例1的OTA图片标签的识别方法的流程图。
图2为本发明的实施例2的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供一种OTA图片标签的识别方法。参照图1，该OTA图片标签的识别方法包括以下步骤：
步骤S101、根据OTA图片库构建OTA图像标签数据集。OTA图片库包括OTA图片和与OTA图片对应的标签。
步骤S102、根据OTA图像标签数据集建立标签关系模型。
步骤S103、根据标签关系模型建立图像特征提取模型，并提取图像特征。
步骤S104、根据图像特征建立标签识别模型。
步骤S105、采用标签识别模型识别待测OTA图片的标签。
具体实施时，在步骤S101中，统计OTA图片库中的标签出现的次数；获取目标标签，目标标签为出现的次数大于预设数值的标签；构建OTA图像标签数据集，OTA图像标签数据集包括目标标签和目标图片，目标图片为OTA图片库中与目标标签对应的图片。作为一种较佳的实施方式，预设数值为500，也即，形成从OTA图像标签数据集中，目标标签出现的次数不少于500。
现有的标签种类繁多，标签包括图片中可识别的内容(尤其是出现频率较高的内容)以及其属性和照片的拍摄环境，如山、大海、白天、夜晚、建筑局部、建筑全景等。不同的标签之间存在着相关联性，因此，有效地挖掘出标签之间的依赖关系可以提高标签识别的准确率。所以，在步骤S102中，通过one-hot的形式将目标标签转换为标签向量，并根据目标标签出现的次数构建标签关系有向图，在标签关系有向图中，第i个目标标签到第j个目标标签的变换系数zij满足以下公式：
zij＝qij/qi
其中，qi表示OTA图像标签数据集中包括第i个目标标签的目标图片的数量，qij表示OTA图像标签数据集中同时包括第i个目标标签和第j个目标标签的目标图片的数量，i∈[1,N]，j∈[1,N]，N为目标标签的类别的数量。例如，表征图片包含“山”这一内容的标签与表征图片中包含“白天”这一内容的标签属于不同的类别。并且，通过图卷积变换将目标标签转换为标签关系矩阵W，标签关系矩阵W用于表征标签关系模型。
Figure BDA0002221184300000051
D的维度与卷积神经网络的特征变换函数F(X)的输出特征维度一致。
Figure BDA0002221184300000052
用于表征实数域。
图片(包含图像)是稠密的大尺寸数据，有效的提取图片中高层语义特征对准确识别标签有极大地帮助。所以，在步骤S103中，构建一个包含55个卷积层的深度神经网络作为图像特征提取的BaseNet(基本网络)。具体地，基于公开的大规模场景分类数据集上进行模型初步训练，划分训练集和验证集，模型在训练集上迭代至收敛并在划分的验证集上效果达到最优后固定卷积层的权重，提取输入全连接层前的特征用于后续多标签识别图像特征提取。即输入一张图片X，通过卷积层的特征变换F，输出一个特征向量，然后再点乘标签关系矩阵W，得到特征变化后的输出特征L，也即，图像特征提取模型的传输函数为：
L＝W·F(X)，
其中，F(X)为卷积神经网络的特征变换函数。
在步骤S104中，为了适应多标签学习任务，将图像特征向量输入全连接层，包含N个节点。基于步骤S101构建的OTA图像标签数据集划分出训练集训练全连接层的网络权重。最终，输出一个N维的特征向量，并接入sigmoid(一种神经网络的激活函数)作为最后一层输出的激活函数，输出模型预测标签的概率，也即，标签识别模型的传输函数为：
Figure BDA0002221184300000053
标签识别模型输出一个N维的特征向量
Figure BDA0002221184300000054
每一维度表示目标图片含有对应的目标标签的概率。
在训练过程中，定义了目标损失函数，根据目标损失函数训练卷积神经网络，目标损失函数为：
Figure BDA0002221184300000061
其中，当所述目标图片中包含第i个所述目标标签时，yi＝1，当所述目标图片中不包含第i个所述目标标签时，yi＝0。即，向量Y＝{y1,y2,y3,…yN}用于表征目标图片是否包含对应的目标标签。
Figure BDA0002221184300000062
表示根据标签识别模型识别得到的目标图片包括第i个目标标签的概率。
在构建标签识别模型之后，本实施例的识别方法还包括以下步骤：
获取所述目标阈值τk，所述目标阈值τk为F1分数的最大值对应的阈值。
其中，F1分数的表达式为：
Figure BDA0002221184300000063
其中，precision表示准确率，recall表示召回率。
对于第1个目标标签，分别采用不同的备选阈值τ′1，获取标签识别模型在不同的τ′1对一OTA测试图片库的准确率precision和召回率recall，进而得到不同的τ′1分别对应的F1分数。其中，F1分数的最大值对应的备选阈值τ′1作为第1个目标标签对应的目标阈值τ1。根据相似的方式，可以得到每一个目标标签对应的目标阈值τk，k∈[1,N]。
在步骤S105中，采用标签识别模型获取待测OTA图片的目标概率
Figure BDA0002221184300000064
目标概率
Figure BDA0002221184300000065
为待测OTA图片中包括第k个目标标签的概率，如果
Figure BDA0002221184300000066
则为待测OTA图片设置对应的目标标签。
本实施例的OTA图片标签的识别方法基于OTA下的海量图片信息和当前存在的标签，利用深度学***均准确率，且单张图片多标签识别耗时在120毫秒。本实施例的OTA图片标签的识别方法能够快速准确地挖掘图片的信息，高效地提取出图像的隐含标签，可大幅度节省运营维护成本，保证图片展示的准确性，能满足个性化的展示和检索需求，有效提升OTA场景下用户的服务体验。
实施例2
图2为本实施例提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例1的OTA图片标签的识别方法。图2显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图2所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同***组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1的OTA图片标签的识别方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)***、磁带驱动器以及数据备份存储***等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例3
本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，所述程序被处理器执行时实现实施例1的OTA图片标签的识别方法的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1的OTA图片标签的识别方法的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (8)

1.一种OTA图片标签的识别方法，其特征在于，包括以下步骤：
根据OTA图片库构建OTA图像标签数据集，所述OTA图片库包括OTA图片和与所述OTA图片对应的标签；
根据所述OTA图像标签数据集建立标签关系模型；
根据所述标签关系模型建立图像特征提取模型，并提取图像特征；
根据所述图像特征建立标签识别模型；
采用所述标签识别模型识别待测OTA图片的标签；
所述根据OTA图片库构建OTA图像标签数据集的步骤包括：
统计所述OTA图片库中的所述标签出现的次数；
获取目标标签，所述目标标签为出现的次数大于预设数值的所述标签；
构建所述OTA图像标签数据集，所述OTA图像标签数据集包括所述目标标签和目标图片，所述目标图片为所述OTA图片库中与所述目标标签对应的所述图片；
所述根据所述OTA图像标签数据集建立标签关系模型的步骤包括：
通过one-hot的形式将所述目标标签转换为标签向量，并根据所述目标标签出现的次数构建标签关系有向图，在所述标签关系有向图中，第i个所述目标标签到第j个所述目标标签的变换系数zij满足以下公式：
zij＝qij/qi
其中，qi表示所述OTA图像标签数据集中包括第i个所述目标标签的所述目标图片的数量，qij表示所述OTA图像标签数据集中同时包括第i个所述目标标签和第j个所述目标标签的所述目标图片的数量，i∈[1,N]，j∈[1,N]，N为所述目标标签的类别的数量；
所述根据所述OTA图像标签数据集建立标签关系模型的步骤还包括：
通过图卷积变换将所述目标标签转换为标签关系矩阵W，所述标签关系矩阵W用于表征所述标签关系模型，
Figure FDA0004104405000000011
D的维度与卷积神经网络的特征变换函数F(X)的输出特征维度一致，
Figure FDA0004104405000000012
用于表征实数域。
2.如权利要求1所述的OTA图片标签的识别方法，其特征在于，所述图像特征提取模型的传输函数为：
L＝W·F(X)。
3.如权利要求2所述的OTA图片标签的识别方法，其特征在于，所述标签识别模型的传输函数为：
Figure FDA0004104405000000021
4.如权利要求3所述的OTA图片标签的识别方法，其特征在于，所述根据所述图像特征建立标签识别模型的步骤还包括：
根据目标损失函数训练所述卷积神经网络，所述目标损失函数为：
Figure FDA0004104405000000022
其中，当所述目标图片中包含第i个所述目标标签时，yi＝1，当所述目标图片中不包含第i个所述目标标签时，yi＝0，yi∈(0,1)表示图中是否含第i个所述目标标签，
Figure FDA0004104405000000023
表示根据所述标签识别模型得到的所述目标图片包括第i个所述目标标签的概率。
5.如权利要求4所述的OTA图片标签的识别方法，其特征在于，所述采用所述标签识别模型识别待测OTA图片的标签的步骤包括：
采用所述标签识别模型获取所述待测OTA图片的目标概率
Figure FDA0004104405000000024
所述目标概率
Figure FDA0004104405000000025
为所述待测OTA图片中包括第k个所述目标标签的概率，如果
Figure FDA0004104405000000026
则为所述待测OTA图片设置对应的所述目标标签，τk为与第k个所述目标标签对应的目标阈值，k∈[1,N]。
6.如权利要求5所述的OTA图片标签的识别方法，其特征在于，在构建所述标签识别模型之后，所述识别方法还包括以下步骤：
获取所述目标阈值τk，所述目标阈值τk为F1分数的最大值对应的阈值。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述的OTA图片标签的识别方法。
8.一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权利要求1-6中任一项所述的OTA图片标签的识别方法的步骤。
CN201910934233.1A 2019-09-29 2019-09-29 Ota图片标签的识别方法、电子设备和介质 Active CN110704650B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910934233.1A CN110704650B (zh) 2019-09-29 2019-09-29 Ota图片标签的识别方法、电子设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910934233.1A CN110704650B (zh) 2019-09-29 2019-09-29 Ota图片标签的识别方法、电子设备和介质

Publications (2)

Publication Number Publication Date
CN110704650A CN110704650A (zh) 2020-01-17
CN110704650B true CN110704650B (zh) 2023-04-25

Family

ID=69198005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910934233.1A Active CN110704650B (zh) 2019-09-29 2019-09-29 Ota图片标签的识别方法、电子设备和介质

Country Status (1)

Country Link
CN (1) CN110704650B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011494B (zh) * 2021-03-18 2024-02-27 北京百度网讯科技有限公司 一种特征处理方法、装置、设备以及存储介质
CN113177525A (zh) * 2021-05-27 2021-07-27 杭州有赞科技有限公司 一种ai电子秤***和称量方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764208A (zh) * 2018-06-08 2018-11-06 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
CN109754015A (zh) * 2019-01-02 2019-05-14 京东方科技集团股份有限公司 用于画作多标签识别的神经网络及相关方法、介质和设备
CN109918513A (zh) * 2019-03-12 2019-06-21 北京百度网讯科技有限公司 图像处理方法、装置、服务器及存储介质
CN110084296A (zh) * 2019-04-22 2019-08-02 中山大学 一种基于特定语义的图表示学习框架及其多标签分类方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8873867B1 (en) * 2012-07-10 2014-10-28 Google Inc. Assigning labels to images
US9965704B2 (en) * 2014-10-31 2018-05-08 Paypal, Inc. Discovering visual concepts from weakly labeled image collections
CN105354307B (zh) * 2015-11-06 2021-01-15 腾讯科技（深圳）有限公司 一种图像内容识别方法及装置
CN107861971A (zh) * 2017-09-15 2018-03-30 广州唯品会研究院有限公司 一种商品搜索方法和装置
CN110110189A (zh) * 2018-02-01 2019-08-09 北京京东尚科信息技术有限公司 用于生成信息的方法和装置
CN109816009B (zh) * 2019-01-18 2021-08-10 南京旷云科技有限公司 基于图卷积的多标签图像分类方法、装置及设备
CN109871909B (zh) * 2019-04-16 2021-10-01 京东方科技集团股份有限公司 图像识别方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764208A (zh) * 2018-06-08 2018-11-06 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
CN109754015A (zh) * 2019-01-02 2019-05-14 京东方科技集团股份有限公司 用于画作多标签识别的神经网络及相关方法、介质和设备
CN109918513A (zh) * 2019-03-12 2019-06-21 北京百度网讯科技有限公司 图像处理方法、装置、服务器及存储介质
CN110084296A (zh) * 2019-04-22 2019-08-02 中山大学 一种基于特定语义的图表示学习框架及其多标签分类方法

Also Published As

Publication number Publication date
CN110704650A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
CN111062871B (zh) 一种图像处理方法、装置、计算机设备及可读存储介质
WO2021139191A1 (zh) 数据标注的方法以及数据标注的装置
CN110297935A (zh) 图像检索方法、装置、介质及电子设备
CN110851641B (zh) 跨模态检索方法、装置和可读存储介质
CN112069319B (zh) 文本抽取方法、装置、计算机设备和可读存储介质
CN110232340B (zh) 建立视频分类模型以及视频分类的方法、装置
CN112861575A (zh) 一种行人结构化方法、装置、设备和存储介质
CN113065013B (zh) 图像标注模型训练和图像标注方法、***、设备及介质
CN110866564B (zh) 多重半监督图像的季节分类方法、***、电子设备和介质
CN110851644A (zh) 图像检索方法及装置、计算机可读存储介质、电子设备
CN112528029A (zh) 文本分类模型处理方法、装置、计算机设备及存储介质
CN111783712A (zh) 一种视频处理方法、装置、设备及介质
CN114550053A (zh) 一种交通事故定责方法、装置、计算机设备及存储介质
CN110704650B (zh) Ota图片标签的识别方法、电子设备和介质
CN115577768A (zh) 半监督模型训练方法和装置
CN114943937A (zh) 行人重识别方法、装置、存储介质及电子设备
CN113762303B (zh) 图像分类方法、装置、电子设备及存储介质
CN107729944B (zh) 一种低俗图片的识别方法、装置、服务器及存储介质
CN112287144B (zh) 图片检索方法、设备及存储介质
CN113239883A (zh) 分类模型的训练方法、装置、电子设备以及存储介质
CN113705293A (zh) 图像场景的识别方法、装置、设备及可读存储介质
CN117115557A (zh) 图像自动标注方法、***、电子设备和存储介质
CN112633246A (zh) 开放场景中多场景识别方法、***、设备及存储介质
CN116630753A (zh) 一种基于对比学习的多尺度小样本目标检测方法
CN115482436B (zh) 图像筛选模型的训练方法、装置以及图像筛选方法

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