CN110781939A - 一种相似图片的检测方法、装置及项目管理*** - Google Patents
一种相似图片的检测方法、装置及项目管理*** Download PDFInfo
- Publication number
- CN110781939A CN110781939A CN201910989869.6A CN201910989869A CN110781939A CN 110781939 A CN110781939 A CN 110781939A CN 201910989869 A CN201910989869 A CN 201910989869A CN 110781939 A CN110781939 A CN 110781939A
- Authority
- CN
- China
- Prior art keywords
- picture
- pictures
- detected
- item
- similar pictures
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种相似图片的检测方法、装置及项目管理***,方法包括:获取待检测项目图片集合中的每个图片的局部上下文信息和待检测项目图片集合中的每个图片的全局特征信息;并基于双向长短时记忆神经网络模型BLSTM和全连接神经网络模型,通过每个图片的局部上下文信息和每个图片的全局特征信息,检测获取待检测项目图片集合中的相似度在一预设范围内的相似图片,并获得相似图片的分类结果,检测结果表征项目图片的相似情况,可用于对项目施工图片进行管理,降低了人工成本,提升了管理效率,避免了用户利用其他项目或其他工序已有的图片来代替当前环节的图片的不符合规范的情况发生。
Description
技术领域
本发明涉及计算机信息管理技术领域,尤其涉及一种相似图片的检测方法、装置及项目管理***。
背景技术
随着信息化社会的蓬勃发展,科学技术日新月异,智能化技术逐渐广泛应用在各领域中,同时在企业***信息化建设上产生了深远影响。人工智能技术作为目前计算机领域的前沿技术,因可通过学习人脑思维而解决众多实际问题,发展势头十分强劲。其中,图像检测识别技术毫无疑问是人工智能下的重要分支。
目前,企业一般通过项目管理***(PMS)对项目全生命周期进行管理,在项目实施过程中,用户通过手机APP及电脑端实时上报项目实施进度情况,批量上传实施工序的进程图片。但是,在项目实施过程中,不仅每种产品类型要求不同的工艺工序,不同项目的工艺工序也不尽相同,而且***涉及在建项目数量庞大,这些因素可能会导致用户在上传项目的施工现场图片时,为了加快线上项目建设的进度,利用其他项目或其他工序已有的图片来代替当前环节的图片的不符合规范的情况发生,而在项目管理过程中,通过人工对此类不规范的图片进行筛选查验极为不便,人力成本较大,不便于管理。
发明内容
为了解决上述技术问题,本发明提供了一种相似图片的检测方法、装置及项目管理***,解决了项目管理过程中通过人工查验用户上传的项目的施工图片重复情况,人力成本较大、不便于管理的问题。
依据本发明的一个方面,提供了一种相似图片的检测方法,包括:
获取待检测项目图片集合中的每个图片的局部上下文信息;
获取待检测项目图片集合中的每个图片的全局特征信息;
基于双向长短时记忆神经网络模型(Bi-directional Long Short-term MemoryNetworks,简称BLSTM)和全连接神经网络模型,根据每个图片的局部上下文信息和每个图片的全局特征信息,检测待检测项目图片集合中的相似度在一预设范围内的相似图片,并获得相似图片的分类结果。
可选的,获取待检测图片集合中的每个图片的局部上下文信息,包括:
获取待检测项目图片集合中的每个图片对应的探测窗口集合;其中,所述探测窗口集合包括多个窗口,且每个窗口存储有窗口特征信息;
根据所述窗口特征信息,构建每个图片的对象关系图,并将所述对象关系图作为每个图片的局部上下文信息。
可选的,所述窗口特征信息包括以下至少一项:
窗口所属相似图片类别的标签信息;
所属相似图片类别对应的概率得分;
窗口中心的横坐标和纵坐标;
窗口的宽度和高度。
可选的,获取待检测项目图片集合中的每个图片的全局特征信息,包括:
通过Gabor滤波器对每个图片进行滤波,获得每个图片中对象的轮廓信息,将所述对象的轮廓信息作为每个图片的全局特征信息。
可选的,基于双向长短时记忆神经网络模型BLSTM和全连接神经网络模型,根据每个图片的局部上下文信息和每个图片的全局特征信息,检测待检测项目图片集合中的相似度在一预设范围内的相似图片,并获得相似图片的分类结果,包括:
将每个图片的局部上下文信息和每个图片的全局特征信息输入至所述BLSTM,输出每个图片的全局上下文特征;
将待检测项目图片集合中的所有图片的全局上下文特征联合输入至所述全连接神经网络模型,检测待检测项目图片集合中的相似度在一预设范围内的相似图片,并输出相似图片的分类结果。
可选的,基于双向长短时记忆神经网络模型BLSTM和全连接神经网络模型,根据每个图片的局部上下文信息和每个图片的全局特征信息,待检测项目图片集合中的相似度在一预设范围内的相似图片,并获得相似图片的分类结果之后,还包括:
根据所述相似图片的分类结果,获得待检测项目图片集合中的图片重复情况。
可选的,根据所述相似图片的分类结果,获得待检测项目图片集合中的图片重复情况,包括:
对所述相似图片的分类结果进行分析和计算,获取相似图片占待检测项目图片总数的比例,并获取完全重复图片数量和高度相似图片数量相似图片;
和/或,
对所述相似图片的分类结果进行分析和计算,获取跨项目使用相同图片的项目数量和图片数量。
依据本发明的另一个方面,提供了一种相似图片的检测装置,包括:
第一获取模块,用于获取待检测项目图片集合中的每个图片的局部上下文信息;以及
第二获取模块,用于获取待检测项目图片集合中的每个图片的全局特征信息;
检测模块,用于基于双向长短时记忆神经网络模型BLSTM和全连接神经网络模型,根据每个图片的局部上下文信息和每个图片的全局特征信息,检测待检测项目图片集合中的相似度在一预设范围内的相似图片,并获得相似图片的分类结果。
依据本发明的另一个方面,提供了一种项目管理***,所述***包括处理器,存储器,存储于所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的相似图片的检测方法的步骤。
依据本发明的另一个方面,提供了一种计算机可读存储介质,所述计算机可读存储介质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上所述的相似图片的检测方法的步骤。
本发明的实施例的有益效果是:
上述方案中,通过获取待检测项目图片集合中的每个图片的局部上下文信息和待检测项目图片集合中的每个图片的全局特征信息;并基于双向长短时记忆神经网络模型BLSTM和全连接神经网络模型,通过每个图片的局部上下文信息和每个图片的全局特征信息,检测获取待检测项目图片集合中的相似度在一预设范围内的相似图片,并获得相似图片的分类结果,检测结果表征项目图片的相似情况,降低了项目管理过程中检查用户上传的相似的项目的施工现场图片时的人力成本、提升了项目管理效率和规范性。
附图说明
图1表示本发明实施例的相似图片的检测方法的流程图之一;
图2表示本发明实施例的相似图片检测架构图;
图3表示本发明实施例的相似图片的检测方法的流程图之二;
图4表示本发明实施例的获取待检测项目图片集合中的图片重复情况流程图;
图5表示本发明实施例的相似图片的检测方法的流程图之三;
图6表示本发明实施例的相似图片的检测装置结构框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
如图1所示,本发明的实施例提供了一种相似图片的检测方法,包括:
步骤11,获取待检测项目图片集合中的每个图片的局部上下文信息。
这里,在步骤11之前还可以包括,获取待检测项目图片集合。具体的,如在应用项目管理***进行项目管理的应用场景中,为了检测某个地区中所有项目在项目实施过程中相关人员上传的项目图片的重复情况,首先可以在***中创建一个图片检测任务,检测任务记录展示任务创建时间、起始时间、结束时间和任务状态等信息。接着可以通过后台定时器,从新建的图片检测任务队列中依次读取未检测过的任务,每读取到一个新任务,获取该任务所属区域下所有项目工序包含的图片信息,将所述该任务所属区域下所有项目工序包含的图片信息作为所述待检测项目图片集合。
步骤12,获取待检测项目图片集合中的每个图片的全局特征信息。
该实施例中,全局特征信息指全局Gist特征。Gist特征是一种全局特征描述子,反映了对象与场景之间的相互作用,例如施工图片中铁塔与树、灯杆与电表箱等之间往往具有某种关联关系,相当于是图像的空间表示。结合每个图片的Gist特征有助于提高后续对相似图片的识别分类的准确度。
需要说明的是,可以通过Gabor滤波器对每个图片进行滤波,获得每个图片中对象的轮廓信息,将所述对象的轮廓信息作为每个图片的全局Gist特征。详细的,可以通过使用Gabor滤波器组对每个图片进行滤波操作后得到图片中对象的轮廓信息并抽取出来,作为每个图片的全局Gist特征。
步骤13,基于双向长短时记忆神经网络模型BLSTM和全连接神经网络模型,根据每个图片的局部上下文信息和每个图片的全局特征信息,检测待检测项目图片集合中的相似度在一预设范围内的相似图片,并获得相似图片的分类结果。
该实施例中,长短时记忆神经网络LSTM单元利用门控机制,有效的解决长距离依赖问题并更新存储状态,利用输入门、遗忘门、输出门控制和选择历史信息在下一个单元中被删除、保留或更新。双向长短时记忆神经网络模型BLSTM增加了一个隐藏层。如图2所示,为相似图片检测的架构图,图2中,输入层的输入包含两部分,一部分是项目施工图片的局部上下文信息(X1,X2,X3,X4),一部分是其全局特征信息(全局Gist特征),将两者拼接送入BLSTM层。
全连接层(fully connectedlayers,简称FC),即全连接神经网络,是一种最基本的神经网络结构,使用状态转移矩阵作为参数,根据计算损失函数和随机梯度下降的计算结果来优化更新参数。全连接神经网络模型的作用是为了根据BLSTM层的输出(y1,y2,y3,y4),对相似图片进行最终的分类,通过这一层可以有效地使用上下文窗口信息来预测当前的图片各窗口是否属于相似类别并进行输出。
在本发明一可选实施例中,步骤11,包括:
获取待检测项目图片集合中的每个图片对应的探测窗口集合;其中,所述探测窗口集合包括多个窗口,且每个窗口存储有窗口特征信息;
其中,所述窗口特征信息可以包括以下至少一项:窗口所属相似图片类别的标签信息;所属相似图片类别对应的概率得分;窗口中心的横坐标和纵坐标;窗口的宽度和高度。
根据所述窗口特征信息,构建每个图片的对象关系图,并将所述对象关系图作为每个图片的局部上下文信息。
该实施例中,对于每张图片,通过滑动窗口的方式,按照一定规律在该图片上横向或纵向检测,直至遍历整个图像,得到M个窗口集合,M为正整数。每个窗口存储的信息有:该窗口所属相似图片类别的标签信息Pm、对象分类器输出的属于该类别对应的概率得分Gm,以及该窗口中心的横坐标和纵坐标、该窗口的宽度和高度,结合每个窗口存储的以上信息,得到M个窗口的特征向量集合{X,X1,X2,...,XM},其中,M为正整数。进一步根据每个图片中的M个窗口之间的语义上下文、空间角度上下文等来构建每个图片的对象关系图,作为每个图片的局部上下文信息。
在本发明一可选实施例中,步骤13,包括:
将每个图片的局部上下文信息和每个图片的全局特征信息输入至所述BLSTM,输出每个图片的全局上下文特征。
在本发明一可选实施例中,步骤13,还包括:
将待检测项目图片集合中的所有图片的全局上下文特征联合输入至所述全连接神经网络模型,检测待检测项目图片集合中的相似度在一预设范围内的相似图片,并输出相似图片的分类结果。
该实施例中,使用全连接层(全连接神经网络模型)将每一个图片的全局上下文特征信息(BLSTM层的输出)联合输入并连接,通过Softmax回归函数获取最优解。全连接层使用状态转移矩阵作为参数,根据计算损失函数和随机梯度下降的计算结果来优化更新参数。通过这一层可以有效地使用上下文窗口信息来预测当前的图片各窗口是否属于相似类别并进行输出。
如图3所示,在本发明一可选实施例中,步骤13之后,还包括:
步骤14,根据所述相似图片的分类结果,获得待检测项目图片集合中的图片重复情况。
该实施例中,通过获得待检测项目图片集合中的图片重复情况,更直观的展现项目图片的重复情况,便于项目管理。
具体的,步骤14,可以包括:
对所述相似图片的分类结果进行分析和计算,获取相似图片占待检测项目图片总数的比例,并获取完全重复图片数量和高度相似图片数量相似图片;
和/或,
对所述相似图片的分类结果进行分析和计算,获取跨项目使用相同图片的项目数量和图片数量。
该实施例中,用户可以根据需要可选的从图片维度、或者项目维度,或者图片和项目两个维度,对项目图片重复情况进行获取详细信息,查验项目图片上传的规范性,便于自查和他查,提升了项目管理效率。
如图4所示,其示出的是项目图片重复情况获取流程。
图4中,在图片维度方面,根据相似图片的分类结果(图中的图片检测对比结果)易得到相似图片的数量,接着可以通过搜索附件图资源库(图片库)的方式得到图片总数,***再自行遍历和计算出相似图片在全部图片中的比例,并统计完全重复图片数量、高度相似图片数量;
图4中,在项目为维度方面,通过加载图片本身带有的项目信息流(如,监理单位、建设单位、项目名称、工序名称等),并结合***中有立项记录的项目总数,查看每一个相似图片分组(相似图片的分类)中,各图片是否分属不同项目,同时累计其个数,即可获取到跨项目使用相同图片的项目数量和图片数量。
进一步,可选的,可以将这些相似图片和项目数据信息按全国三级组织进行归集,实现从整体管理全国-省份-地市的项目图片上传质量,同时用户可以根据每个维度的结果,获取相似图片的详细信息,自查项目施工过程是否合乎规范,以便及时重新上传更换为正确且合格的各工序图片;检查人员也可根据检测结果对项目查验。
进一步,可以利用项目管理***等平台,对图片的重复情况进行展示。进一步的,展示内容可以包括:数据展示区和图片展示区。
下面结合图5,对相似图片检测的一种实现流程图进行介绍。如图5所示,主要包括以下步骤:
步骤51,为了检测某个省市下所有项目中在项目实施过程中监理人员上传附件图片的重复情况,创建一个图片检测任务,记录展示任务创建时间、起始时间、结束时间和任务状态。
步骤52,项目图片获取。后台定时器从新建任务队列中依次读取未检测过的任务,每读取到一个新任务,首先获取该任务所属地市下所有项目工序包含的图片集合,此图片集合为待检测的项目图片集合。
步骤53,对项目图片集合进行图像识别检测。通过输入每个项目图片局部上下文信息,并利用BLTSM神经网络模型进行全局上下文特征的提取,最后使用全连接网络层来完成对图片分类,相似度超过一定阈值的图片即为一类,作为相似图片检测结果(指相似图片的分类结果)。
步骤54,根据相似图片检测结果,对输出的图片结果集进行分析和计算,更直观的展现项目图片重复情况。
上述相似图片检测方法,应用场景包括但不限于项目管理过程中项目单位的自查和审计等检查机构对项目进行查验等。该实施例,节省了复核环节的人力和时间,提高了工程建设效率。
本发明还提供了一种用以实现上述方法的装置。
如图6所述,本发明提供了一种相似图片的检测装置,所述装置600,包括:
第一获取模块601,用于获取待检测项目图片集合中的每个图片的局部上下文信息;以及
第二获取模块602,用于获取待检测项目图片集合中的每个图片的全局特征信息;
检测模块603,用于基于双向长短时记忆神经网络模型BLSTM和全连接神经网络模型,根据每个图片的局部上下文信息和每个图片的全局特征信息,检测待检测项目图片集合中的相似度在一预设范围内的相似图片,并获得相似图片的分类结果。
在本发明一可选实施例中,第一获取模601,包括:
第一获取单元,用于获取待检测项目图片集合中的每个图片对应的探测窗口集合;其中,所述探测窗口集合包括多个窗口,且每个窗口存储有窗口特征信息;
第二获取单元,用于根据所述窗口特征信息,构建每个图片的对象关系图,并将所述对象关系图作为每个图片的局部上下文信息。
可选的,所述窗口特征信息包括以下至少一项:
窗口所属相似图片类别的标签信息;
所属相似图片类别对应的概率得分;
窗口中心的横坐标和纵坐标;
窗口的宽度和高度。
在本发明一可选实施例中,第二获取模块602,具体用于:
通过Gabor滤波器对每个图片进行滤波,获得每个图片中对象的轮廓信息,将所述对象的轮廓信息作为每个图片的全局特征信息。
在本发明一可选实施例中,检测模块603,包括:
第一检测单元,用于将每个图片的局部上下文信息和每个图片的全局特征信息输入至所述BLSTM,输出每个图片的全局上下文特征;
第二检测单元,用于将待检测项目图片集合中的所有图片的全局上下文特征联合输入至所述全连接神经网络模型,检测待检测项目图片集合中的相似度在一预设范围内的相似图片,并输出相似图片的分类结果。
在本发明一可选实施例中,所述装置600,还包括:
处理模块,用于根据所述相似图片的分类结果,获得待检测项目图片集合中的图片重复情况。
具体的,所述处理模块,可以包括:
第一处理单元,用于对所述相似图片的分类结果进行分析和计算,获取相似图片占待检测项目图片总数的比例,并获取完全重复图片数量和高度相似图片数量相似图片;
和/或,
第二处理单元,用于对所述相似图片的分类结果进行分析和计算,获取跨项目使用相同图片的项目数量和图片数量。
该装置是与上述方法实施例对应的装置,上述方法实施例中的所有实现方式均适用于该装置的实施例中,也能达到与方法实施例相同的技术效果。
本发明还提供了一种项目管理***,所述***包括处理器,存储器,存储于所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的相似图片的检测方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质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上所述的相似图片的检测方法的步骤。
上述方案,通过将项目施工过程图片的附件上传功能与图片识别技术相结合,利用BLTSM(双向长短期记忆神经网络)和全连接神经网络相结合的神经网络架构模型,将项目施工图片进行逐一识别并分类,结合了图片的局部上下文特征和全局上下文特征送入BLSTM层训练,使用全连接层进行分类映射,具有良好的识别效果。最终得到完全相同或高度相似的图片集合并在***展示,将信息化***、业务场景和先进技术充分有效的结合到一起,提高了***的可用性和便捷性,为创造项目管理的智能化平台打下坚实基础,有助于用户更加了解施工项目实施情况,及时进行自查或审查;同时通过程序自行比对图片,节省了复核环节的人力和时间,提高了工程建设效率。
以上所述的是本发明的优选实施方式,应当指出对于本技术领域的普通人员来说,在不脱离本发明所述的原理前提下还可以作出若干改进和润饰,这些改进和润饰也在本发明的保护范围内。
Claims (10)
1.一种相似图片的检测方法,其特征在于,包括:
获取待检测项目图片集合中的每个图片的局部上下文信息;
获取待检测项目图片集合中的每个图片的全局特征信息;
基于双向长短时记忆神经网络模型BLSTM和全连接神经网络模型,根据每个图片的局部上下文信息和每个图片的全局特征信息,检测待检测项目图片集合中的相似度在一预设范围内的相似图片,并获得相似图片的分类结果。
2.根据权利要求1所述的相似图片的检测方法,其特征在于,获取待检测图片集合中的每个图片的局部上下文信息,包括:
获取待检测项目图片集合中的每个图片对应的探测窗口集合;其中,所述探测窗口集合包括多个窗口,且每个窗口存储有窗口特征信息;
根据所述窗口特征信息,构建每个图片的对象关系图,并将所述对象关系图作为每个图片的局部上下文信息。
3.根据权利要求2所述的相似图片的检测方法,其特征在于,所述窗口特征信息包括以下至少一项:
窗口所属相似图片类别的标签信息;
所属相似图片类别对应的概率得分;
窗口中心的横坐标和纵坐标;
窗口的宽度和高度。
4.根据权利要求1所述的相似图片的检测方法,其特征在于,获取待检测项目图片集合中的每个图片的全局特征信息,包括:
通过Gabor滤波器对每个图片进行滤波,获得每个图片中对象的轮廓信息,将所述对象的轮廓信息作为每个图片的全局特征信息。
5.根据权利要求1所述的相似图片的检测方法,其特征在于,基于双向长短时记忆神经网络模型BLSTM和全连接神经网络模型,根据每个图片的局部上下文信息和每个图片的全局特征信息,检测待检测项目图片集合中的相似度在一预设范围内的相似图片,并获得相似图片的分类结果,包括:
将每个图片的局部上下文信息和每个图片的全局特征信息输入至所述BLSTM,输出每个图片的全局上下文特征;
将待检测项目图片集合中的所有图片的全局上下文特征联合输入至所述全连接神经网络模型,检测待检测项目图片集合中的相似度在一预设范围内的相似图片,并输出相似图片的分类结果。
6.根据权利要求1所述的相似图片的检测方法,其特征在于,基于双向长短时记忆神经网络模型BLSTM和全连接神经网络模型,根据每个图片的局部上下文信息和每个图片的全局特征信息,待检测项目图片集合中的相似度在一预设范围内的相似图片,并获得相似图片的分类结果之后,还包括:
根据所述相似图片的分类结果,获得待检测项目图片集合中的图片重复情况。
7.根据权利要求6所述的相似图片的检测方法,其特征在于,根据所述相似图片的分类结果,获得待检测项目图片集合中的图片重复情况,包括:
对所述相似图片的分类结果进行分析和计算,获取相似图片占待检测项目图片总数的比例,并获取完全重复图片数量和高度相似图片数量相似图片;
和/或,
对所述相似图片的分类结果进行分析和计算,获取跨项目使用相同图片的项目数量和图片数量。
8.一种相似图片的检测装置,其特征在于,包括:
第一获取模块,用于获取待检测项目图片集合中的每个图片的局部上下文信息;以及
第二获取模块,用于获取待检测项目图片集合中的每个图片的全局特征信息;
检测模块,用于基于双向长短时记忆神经网络模型BLSTM和全连接神经网络模型,根据每个图片的局部上下文信息和每个图片的全局特征信息,检测待检测项目图片集合中的相似度在一预设范围内的相似图片,并获得相似图片的分类结果。
9.一种项目管理***,其特征在于,所述***包括处理器,存储器,存储于所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的相似图片的检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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权利要求1至7任一项所述的相似图片的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910989869.6A CN110781939A (zh) | 2019-10-17 | 2019-10-17 | 一种相似图片的检测方法、装置及项目管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910989869.6A CN110781939A (zh) | 2019-10-17 | 2019-10-17 | 一种相似图片的检测方法、装置及项目管理*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110781939A true CN110781939A (zh) | 2020-02-11 |
Family
ID=69385870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910989869.6A Pending CN110781939A (zh) | 2019-10-17 | 2019-10-17 | 一种相似图片的检测方法、装置及项目管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781939A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169035A (zh) * | 2017-04-19 | 2017-09-15 | 华南理工大学 | 一种混合长短期记忆网络和卷积神经网络的文本分类方法 |
CN108960127A (zh) * | 2018-06-29 | 2018-12-07 | 厦门大学 | 基于自适应深度度量学习的遮挡行人重识别方法 |
CN109446897A (zh) * | 2018-09-19 | 2019-03-08 | 清华大学 | 基于图像上下文信息的场景识别方法及装置 |
US20190122103A1 (en) * | 2017-10-24 | 2019-04-25 | International Business Machines Corporation | Attention based sequential image processing |
CN110196906A (zh) * | 2019-01-04 | 2019-09-03 | 华南理工大学 | 面向金融行业的基于深度学习文本相似性检测方法 |
-
2019
- 2019-10-17 CN CN201910989869.6A patent/CN110781939A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169035A (zh) * | 2017-04-19 | 2017-09-15 | 华南理工大学 | 一种混合长短期记忆网络和卷积神经网络的文本分类方法 |
US20190122103A1 (en) * | 2017-10-24 | 2019-04-25 | International Business Machines Corporation | Attention based sequential image processing |
CN108960127A (zh) * | 2018-06-29 | 2018-12-07 | 厦门大学 | 基于自适应深度度量学习的遮挡行人重识别方法 |
CN109446897A (zh) * | 2018-09-19 | 2019-03-08 | 清华大学 | 基于图像上下文信息的场景识别方法及装置 |
CN110196906A (zh) * | 2019-01-04 | 2019-09-03 | 华南理工大学 | 面向金融行业的基于深度学习文本相似性检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112861975B (zh) | 分类模型的生成方法、分类方法、装置、电子设备与介质 | |
CN112632385A (zh) | 课程推荐方法、装置、计算机设备及介质 | |
CN112863683B (zh) | 基于人工智能的病历质控方法、装置、计算机设备及存储介质 | |
CN112070135A (zh) | 电力设备图像检测方法、装置、电力设备及存储介质 | |
CN112613569A (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN115713715B (zh) | 一种基于深度学习的人体行为识别方法及识别*** | |
CN109857878B (zh) | 物品标注方法及装置、电子设备及存储介质 | |
CN107229731A (zh) | 用于分类数据的方法和装置 | |
CN112597238A (zh) | 基于人员信息的知识图谱构建方法、***、设备及介质 | |
CN111126629B (zh) | 模型的生成方法、刷单行为识别方法、***、设备和介质 | |
CN114550051A (zh) | 一种车损检测方法、装置、计算机设备及存储介质 | |
CN115576834A (zh) | 支撑故障还原的软件测试复用方法、***、终端及介质 | |
Wang et al. | Automatic identification and location of tunnel lining cracks | |
CN114419631A (zh) | 一种基于rpa的网管虚拟*** | |
Bhargava et al. | A study on potential of big visual data analytics in construction Arena | |
CN111797258B (zh) | 基于美感评价的图像推送方法、***、设备及存储介质 | |
CN113139452A (zh) | 基于目标检测的使用手机行为的检测方法 | |
CN116205726B (zh) | 一种贷款风险预测方法、装置、电子设备及存储介质 | |
CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
CN116578925A (zh) | 基于特征画像的行为预测方法、装置及存储介质 | |
CN110781939A (zh) | 一种相似图片的检测方法、装置及项目管理*** | |
CN115719428A (zh) | 基于分类模型的人脸图像聚类方法、装置、设备及介质 | |
CN114693435A (zh) | 催收名单的智能回访的方法、装置、电子设备及存储介质 | |
Patil et al. | Automated Alarm System for Student Anomalous Action Detection in Examination Based on Video Surveillance Using ML Techniques | |
CN112347889A (zh) | 一种变电站作业行为辨识方法及装置 |
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 | ||
CB02 | Change of applicant information |
Address after: Room 101, floors 1-3, building 14, North District, yard 9, dongran North Street, Haidian District, Beijing 100029 Applicant after: CHINA TOWER Co.,Ltd. Address before: 100142 19th floor, 73 Fucheng Road, Haidian District, Beijing Applicant before: CHINA TOWER Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200211 |
|
RJ01 | Rejection of invention patent application after publication |