CN110889377A - 广告物异常识别方法、装置、服务器设备及存储介质 - Google Patents
广告物异常识别方法、装置、服务器设备及存储介质 Download PDFInfo
- Publication number
- CN110889377A CN110889377A CN201911190949.1A CN201911190949A CN110889377A CN 110889377 A CN110889377 A CN 110889377A CN 201911190949 A CN201911190949 A CN 201911190949A CN 110889377 A CN110889377 A CN 110889377A
- Authority
- CN
- China
- Prior art keywords
- monitoring image
- scene
- image
- similarity
- scene type
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000005856 abnormality Effects 0.000 title claims description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 101
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims description 48
- 230000000694 effects Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 229910052754 neon Inorganic materials 0.000 description 1
- GKAOGPIIYCISHV-UHFFFAOYSA-N neon atom Chemical group [Ne] GKAOGPIIYCISHV-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06F18/22—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
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种广告物异常识别方法、装置、服务器设备及存储介质,该方法包括:获取采集的目标广告物的监控图像;将所述监控图像输入已训练的神经网络模型,以得到所述监控图像与已存储的各个场景类别标识对应的基准图像的相似度;根据得到的相似度结果确定所述监控图像对应的场景类别标识,并在所确定的场景类别标识对应有目标广告物异常时输出异常提示信息。解决了现有技术的广告物异常识别方法在应对新的广告物异常场景时不够灵活的问题,达到了灵活应对新的广告物异常场景的技术效果。
Description
技术领域
本发明实施例涉及监控领域,尤其涉及一种广告物异常识别方法、装置、服务器设备及存储介质。
背景技术
户外广告是在建筑物外表或街道、广场等室外公共场所设立的霓虹灯、广告牌、海报等。户外广告物长期在户外展示,会遇到各种“异常”情况。例如,户外广告物容易遭到人为破坏,包括涂鸦、撕毁,又或者广告物上粘贴覆盖其它非法广告,因此需要对广告设备进行监控。传统的人工监控方法是通过人工对户外广告物逐个进行监控检视,这需要大量的人力,而且效率通常比较低,异常情况发生后,较难及时发现。因此视频监控应运而生,但是视频监控若要人来识别,则容易错过很多广告物异常的情况,若要通过机器学习的方式来识别,则需要在新的场景出现时重新训练模型,该模型训练不仅常需要采集大量的训练样本,还需要专业人士来操作,成本较高。
综上,现有技术的广告物异常识别方法在应对新的广告物异常场景时不够灵活。
发明内容
本发明实施例提供了一种广告物异常识别方法、装置、服务器设备及存储介质,解决了现有技术的广告物异常识别方法在应对新的广告物异常场景时不够灵活的问题。
第一方面,本发明实施例提供了一种广告物异常识别方法,包括:
获取采集的目标广告物的监控图像;
将所述监控图像输入已训练的神经网络模型,以得到所述监控图像与已存储的各个场景类别标识对应的基准图像的相似度;
根据得到的相似度结果确定所述监控图像对应的场景类别标识,并在所确定的场景类别标识对应有目标广告物异常时输出异常提示信息。
进一步,所述已训练的神经网络模型用于根据所述监控图像的特征向量与已存储的各个场景类别标识对应的各个基准图像的特征向量的乘积,确定所述监控图像与已存储的各个场景类别标识对应的各个基准图像的相似度。
进一步,所述已训练的神经网络模型用于根据所述监控图像的特征向量与已存储的各个场景类别标识对应的所有基准图像的平均特征向量的乘积,确定所述监控图像与已存储的各个场景类别标识对应的基准图像的相似度。
进一步,所述根据得到的相似度结果确定所述监控图像对应的场景类别标识,包括:
通过softmax函数对得到的相似度结果转化为分类概率值以得到所述监控图像对应的场景类别标识;
或者将得到的相似度结果中的最大相似度对应的场景类别标识作为所述监控图像对应的场景类别标识。
第二方面,本发明实施例还提供了一种广告物异常识别装置,包括:
获取模块,用于获取采集的目标广告物的监控图像;
场景类别标识确定模块,用于将所述监控图像输入已训练的神经网络模型,以得到所述监控图像与已存储的各个场景类别标识对应的基准图像的相似度;
输出模块,用于根据得到的相似度结果确定所述监控图像对应的场景类别标识,并在所确定的场景类别标识对应有目标广告物异常时输出异常提示信息。
进一步,所述已训练的神经网络模型用于根据所述监控图像的特征向量与已存储的各个场景类别标识对应的各个基准图像的特征向量的乘积,确定所述监控图像与已存储的各个场景类别标识对应的各个基准图像的相似度。
进一步,所述已训练的神经网络模型用于根据所述监控图像的特征向量与已存储的各个场景类别标识对应的所有基准图像的平均特征向量的乘积,确定所述监控图像与已存储的各个场景类别标识对应的基准图像的相似度。
进一步,所述根据得到的相似度结果确定所述监控图像对应的场景类别标识,包括:
输出模块具体通过softmax函数对得到的相似度结果转化为分类概率值以得到所述监控图像对应的场景类别标识;或者将得到的相似度结果中的最大相似度对应的场景类别标识作为所述监控图像对应的场景类别标识。
第三方面,本发明实施例还提供了一种服务器设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,以及各个场景类别标识对应的基准图像,以及接收的监控图像;
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第一方面所述的广告物异常识别方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的广告物异常识别方法。
本发明实施例提供的广告物异常识别方法的技术方案,包括:获取采集的目标广告物的监控图像;将监控图像输入已训练的神经网络模型,以得到所述监控图像与已存储的各个场景类别标识对应的基准图像的相似度;根据得到的相似度结果确定监控图像对应的场景类别标识,并在所确定的场景类别标识对应有目标广告物异常时输出异常提示信息。在已存储的各个场景类别标识对应的基准图像中,确定与监控图像相似度最高的基准图像的场景类别标识,此时监控图像与该场景类别标识的监控图像最相似,属于该场景类别的可能性最大,因此监控图像划分为该场景类别,那么如果该场景类别标识对应广告物异常,则说明当前监控图像对应广告物异常,输出提示信息以提示用户。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明实施例一提供的广告物异常识别方法的流程图;
图2是本发明实施例一提供的相似度确定方法示意图;
图3是本发明实施例二提供的广告物异常识别装置的结构框图;
图4是本发明实施例三提供的服务器设备的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下将参照本发明实施例中的附图,通过实施方式清楚、完整地描述本发明的技术方案,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
图1是本发明实施例一提供的广告物异常识别方法的流程图。本实施例的技术方案适用于自动监控广告物是否出现异常的情况。该方法可以由本发明实施例提供的广告物异常识别装置来执行,该装置可以采用软件和/或硬件的方式实现,并配置在服务器中应用。该方法具体包括如下步骤:
S101、获取采集的目标广告物的监控图像。
通过设置于目标广告物上方或一侧的摄像头获取目标广告物的监控图像。可以理解的是,在目标广告物较大时,该目标广告物可能对应多个摄像头,此时优选获取多个摄像头的监控图像。
S102、将监控图像输入已训练的神经网络模型,以得到监控图像与已存储的各个场景类别标识对应的基准图像的相似度。
其中,场景类别标识用于表示当前目标广告物对应的场景,比如,被损坏、被涂鸦、被遮挡、内容缺失等。
其中,神经网络模型为基准可变的相似度评分模型,其相似度通过监控图像的特征向量与基准图像的特征向量的点积来表示。为此本实施例中的已训练的神经网络模型,用于根据监控图像的特征向量与已存储的各个场景类别标识对应的各个基准图像的特征向量的乘积,确定监控图像的特征向量与已存储的各个场景类别标识对应的各个基准图像的相似度。
具体地,如图2所示,图中CNN为神经网络,输入基准图像和监控图像之后,可以得到基准图像的特征向量:Sbk=(S1,S2,S3,…Sn),以及监控图像的特征向量:Xi=(X1,X2,X3,…Xn)。该神经网络在模型训练时采用L2正则化的策略,所以监控图像与基准图像的特征向量的点积即为二者的相似度,具有eik∈[0,1]。当eik=0时,表示两张图像完全不相似,当eik=1时,表示两张图像完全相似。其中,Sn为基准图像第n个特征向量;Xn为监控图像的第n个特征向量。
为了提高运算速度,本实施例优选在存储基准图像时,还存储每个基准图像的特征向量,这样在获取到监控图像时,只要提取监控图像的特征向量,即可确定监控图像与每个基准图像的相似度,省去了每次重复计算每个基准图像的特征向量的过程,从而可以降低监控图像与已存储的各个场景类别标识的基准图像的相似度的计算时间。
为了提高监控图像所属场景类别标识判定的准确性,本实施例优选为每个场景类别标识设置多幅基准图像,以涵盖每种场景类别可能会包含的情况。此种情况下,为了节省计算量和计算空间,防止重复计算,优选先确定同一场景类别标识对应的所有基准图像的特征向量的算术平均值,并将该所述平均值作为平均特征向量。例如某一场景类别标识对应m张基准图像,这m张基准图像对应的特征向量为(s11,s12,s13,…s1K),(s21,s22,s23,…s2K),(s31,s32,s33,…s3K)…,(sm1,sm2,sm3,…smK),按元素求算术平均值,可以得到该场景类别标识的平均特征向量为:其中,SiK为第i张基准图像的第K个特征向量元素。这样已训练的神经网络模型既可根据监控图像的特征向量与已存储的各个场景类别标识对应的所有基准图像的平均特征向量的乘积,确定监控图像与已存储的各个场景类别标识对应的基准图像的相似度。
S103、根据确定的相似度结果确定监控图像对应的场景类别标识,并在所确定的场景类别标识对应有目标广告物异常时输出异常提示信息。
相似度结果得到之后,将得到的相似度结果输入softmax函数,以由该函数对相似度结果转化为分类概率值,从而得到监控图像对应的场景类别标识。或者将确定的相似度结果中的最大相似度值对应的场景类别标识作为监控图像对应的场景类别标识。
监控图像对应的场景类别标识得到之后,将所得到的场景类别标识与已存储的广告物异常表内的场景类别标识进行比对,如果广告物异常表内没有该场景类别标识,则表示目标广告物当前没有异常,如果在广告物异常表内发现了该场景类别标识,则表示目标广告物目前有异常,此时需输出广告物异常的提示信息。该提示信息可以是语音提示信息或颜色提示信息等。
优选地,该提示信息还包括广告物异常表内该场景类别标识对应的广告物异常内容,以使用户及时了解广告物的当前状态。
当出现新的场景或者图像采集设备型号的变更,导致原基准图像库需要调整的时候,用户只要增加或删除基准图像即可。在增加基准图像时,如果该基准图像所对应的场景类别标识已经存在,则将该基准图像存储至该场景类别标识的目录下,而且在存储基准图像的同时,还存储基准图像的特征向量,或者根据基准图像的特征向量更新的对应场景类别标识的平均特征向量;如果该基准图像所对应的场景类别标识还没有建立,则为该基准图像增加新的场景类别标识,并将该场景类别标识以及该基准图像存储至预设存储位置,而且在存储基准图像的同时,还存储基准图像的特征向量,或者根据基准图像的特征向量计算该场景类别标识对应的平均特征向量。这样用户可以通过增加或改变基准图像的方式改变该已训练的神经网络模型所能识别的场景类别,无需用户重新训练神经网络模型。
本发明实施例提供的广告物异常识别方法的技术方案,包括:获取采集的目标广告物的监控图像;将监控图像输入已训练的神经网络模型,以得到所述监控图像与已存储的各个场景类别标识对应的基准图像的相似度;根据得到的相似度结果确定监控图像对应的场景类别标识,并在所确定的场景类别标识对应有目标广告物异常时输出异常提示信息。在已存储的各个场景类别标识对应的基准图像中,确定与监控图像相似度最高的基准图像的场景类别标识,此时监控图像与该场景类别标识的监控图像最相似,属于该场景类别的可能性最大,因此监控图像划分为该场景类别,那么如果该场景类别标识对应广告物异常,则说明当前监控图像对应广告物异常,输出提示信息以提示用户。
实施例二
图3是本发明实施例二提供的广告物异常识别装置的结构框图。该装置用于执行上述任意实施例所提供的广告物异常识别方法,该控制装置可选为软件或硬件实现。该装置包括:
获取模块11,用于获取采集的目标广告物的监控图像;
场景类别标识确定模块12,用于将监控图像输入已训练的神经网络模型,以得到监控图像与已存储的各个场景类别标识对应的基准图像的相似度;
输出模块13,用于根据得到的相似度结果确定所述监控图像对应的场景类别标识,并在所确定的场景类别标识对应有目标广告物异常时输出异常提示信息。
其中,所述已训练的神经网络模型用于根据所述监控图像的特征向量与已存储的各个场景类别标识对应的各个基准图像的特征向量的乘积,确定所述监控图像与已存储的各个场景类别标识对应的各个基准图像的相似度。
其中,所述已训练的神经网络模型用于根据所述监控图像的特征向量与已存储的各个场景类别标识对应的所有基准图像的平均特征向量的乘积,确定所述监控图像与已存储的各个场景类别标识对应的基准图像的相似度。
可选地,场景类别标识确定模块12具体可通过softmax函数对得到的相似度结果进行分类以得到所述监控图像对应的场景类别标识;或者将得到的相似度结果中的最大相似度对应的场景类别标识作为所述监控图像对应的场景类别标识。
本发明实施例提供的广告物异常识别装置的技术方案,通过获取模块获取采集的目标广告物的监控图像;通过场景类别标识确定模块将监控图像输入已训练的神经网络模型已得到确定监控图像与已存储的各个场景类别标识对应的基准图像的相似度;通过输出模块根据得到定的相似度结果确定监控图像对应的场景类别标识,并在所确定的场景类别标识对应有目标广告物异常时输出异常提示信息。通过已存储的所有场景类别标识对应的基准图像来确定已训练的神经网络模型区分监控图像的场景类别的能力,并可以通过增加或改变场景类别标识对应的基准图像来改变已训练的神经网络模型识别广告物所属场景类别的范围,无需重新训练神经网络模型。
本发明实施例所提供的广告物异常识别装置可执行本发明任意实施例所提供的广告物异常识别方法,具备执行方法相应的功能模块和有益效果。
实施例三
图4为本发明实施例三提供的服务器设备的结构示意图,如图4所示,该设备包括处理器201、存储器202、输入装置203以及输出装置204;设备中处理器201的数量可以是一个或多个,图4中以一个处理器201为例;设备中的处理器201、存储器202、输入装置203以及输出装置204可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器202作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的广告物异常识别方法对应的程序指令/模块(例如,获取模块11、场景类别标识确定模块12以及输出模块13)。处理器201通过运行存储在存储器202中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的广告物异常识别方法。
存储器202可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器202可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器202可进一步包括相对于处理器201远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器202还存储有每个基准图像的特征向量,或者还存储有每个场景类别标识所对应的平均特征向量。
输入装置203可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。
输出装置204可包括显示屏等显示设备,例如,用户终端的显示屏。
实施例四
本发明实施例四还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种广告物异常识别方法,该方法包括:
获取采集的目标广告物的监控图像;
将所述监控图像输入已训练的神经网络模型,以得到所述监控图像与已存储的各个场景类别标识对应的基准图像的相似度;
根据得到的相似度结果确定所述监控图像对应的场景类别标识,并在所确定的场景类别标识对应有目标广告物异常时输出异常提示信息。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的广告物异常识别方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(RandomAccess Memory,简称RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的广告物异常识别方法。
值得注意的是,上述广告物异常识别装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种广告物异常识别方法,其特征在于,包括:
获取采集的目标广告物的监控图像;
将所述监控图像输入已训练的神经网络模型,以得到所述监控图像与已存储的各个场景类别标识对应的基准图像的相似度;
根据得到的相似度结果确定所述监控图像对应的场景类别标识,并在所确定的场景类别标识对应有目标广告物异常时输出异常提示信息。
2.根据权利要求1所述的方法,其特征在于,所述已训练的神经网络模型用于根据所述监控图像的特征向量与已存储的各个场景类别标识对应的各个基准图像的特征向量的乘积,确定所述监控图像与已存储的各个场景类别标识对应的各个基准图像的相似度。
3.根据权利要求1所述的方法,其特征在于,所述已训练的神经网络模型用于根据所述监控图像的特征向量与已存储的各个场景类别标识对应的所有基准图像的平均特征向量的乘积,确定所述监控图像与已存储的各个场景类别标识对应的基准图像的相似度。
4.根据权利要求1所述的方法,其特征在于,所述根据得到的相似度结果确定所述监控图像对应的场景类别标识,包括:
通过softmax函数对得到的相似度结果转化为分类概率值以得到所述监控图像对应的场景类别标识;
或者将得到的相似度结果中的最大相似度对应的场景类别标识作为所述监控图像对应的场景类别标识。
5.一种广告物异常识别装置,其特征在于,包括:
获取模块,用于获取采集的目标广告物的监控图像;
场景类别标识确定模块,用于将所述监控图像输入已训练的神经网络模型,以得到所述监控图像与已存储的各个场景类别标识对应的基准图像的相似度;
输出模块,用于根据得到的相似度结果确定所述监控图像对应的场景类别标识,并在所确定的场景类别标识对应有目标广告物异常时输出异常提示信息。
6.根据权利要求5所述的装置,其特征在于,所述已训练的神经网络模型用于根据所述监控图像的特征向量与已存储的各个场景类别标识对应的各个基准图像的特征向量的乘积,确定所述监控图像与已存储的各个场景类别标识对应的各个基准图像的相似度。
7.根据权利要求5所述的装置,其特征在于,所述已训练的神经网络模型用于根据所述监控图像的特征向量与已存储的各个场景类别标识对应的所有基准图像的平均特征向量的乘积,确定所述监控图像与已存储的各个场景类别标识对应的基准图像的相似度。
8.根据权利要求5所述的装置,其特征在于,所述根据得到的相似度结果确定所述监控图像对应的场景类别标识,包括:
输出模块具体通过softmax函数对得到的相似度结果转化为分类概率值以得到所述监控图像对应的场景类别标识;或者将得到的相似度结果中的最大相似度对应的场景类别标识作为所述监控图像对应的场景类别标识。
9.一种服务器设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,以及各个场景类别标识对应的基准图像,以及接收的监控图像;
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1-4中任一所述的广告物异常识别方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-4中任一所述的广告物异常识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911190949.1A CN110889377A (zh) | 2019-11-28 | 2019-11-28 | 广告物异常识别方法、装置、服务器设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911190949.1A CN110889377A (zh) | 2019-11-28 | 2019-11-28 | 广告物异常识别方法、装置、服务器设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110889377A true CN110889377A (zh) | 2020-03-17 |
Family
ID=69749200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911190949.1A Pending CN110889377A (zh) | 2019-11-28 | 2019-11-28 | 广告物异常识别方法、装置、服务器设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889377A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462059A (zh) * | 2020-03-24 | 2020-07-28 | 湖南大学 | 胎儿超声图像智能目标检测的并行处理方法和装置 |
CN111914769A (zh) * | 2020-08-06 | 2020-11-10 | 腾讯科技(深圳)有限公司 | 用户合法性判定方法、装置、计算机可读存储介质及设备 |
CN112669316A (zh) * | 2021-01-29 | 2021-04-16 | 南方电网调峰调频发电有限公司 | 电力生产异常监控方法、装置、计算机设备和存储介质 |
CN113191293A (zh) * | 2021-05-11 | 2021-07-30 | 创新奇智(重庆)科技有限公司 | 广告检测方法、装置、电子设备、***及可读存储介质 |
CN116645530A (zh) * | 2023-04-23 | 2023-08-25 | 广东建瀚工程管理有限公司 | 基于图像比对的施工检测方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875767A (zh) * | 2017-12-07 | 2018-11-23 | 北京旷视科技有限公司 | 图像识别的方法、装置、***及计算机存储介质 |
CN109816447A (zh) * | 2019-01-25 | 2019-05-28 | 深圳市丰巢科技有限公司 | 柜机广告的智能监控方法、装置和存储介质 |
CN110458217A (zh) * | 2019-07-31 | 2019-11-15 | 腾讯医疗健康(深圳)有限公司 | 图像识别方法及装置、眼底图像识别方法和电子设备 |
-
2019
- 2019-11-28 CN CN201911190949.1A patent/CN110889377A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875767A (zh) * | 2017-12-07 | 2018-11-23 | 北京旷视科技有限公司 | 图像识别的方法、装置、***及计算机存储介质 |
CN109816447A (zh) * | 2019-01-25 | 2019-05-28 | 深圳市丰巢科技有限公司 | 柜机广告的智能监控方法、装置和存储介质 |
CN110458217A (zh) * | 2019-07-31 | 2019-11-15 | 腾讯医疗健康(深圳)有限公司 | 图像识别方法及装置、眼底图像识别方法和电子设备 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462059A (zh) * | 2020-03-24 | 2020-07-28 | 湖南大学 | 胎儿超声图像智能目标检测的并行处理方法和装置 |
CN111462059B (zh) * | 2020-03-24 | 2023-09-29 | 湖南大学 | 胎儿超声图像智能目标检测的并行处理方法和装置 |
CN111914769A (zh) * | 2020-08-06 | 2020-11-10 | 腾讯科技(深圳)有限公司 | 用户合法性判定方法、装置、计算机可读存储介质及设备 |
CN111914769B (zh) * | 2020-08-06 | 2024-01-26 | 腾讯科技(深圳)有限公司 | 用户合法性判定方法、装置、计算机可读存储介质及设备 |
CN112669316A (zh) * | 2021-01-29 | 2021-04-16 | 南方电网调峰调频发电有限公司 | 电力生产异常监控方法、装置、计算机设备和存储介质 |
CN112669316B (zh) * | 2021-01-29 | 2023-05-30 | 南方电网调峰调频发电有限公司 | 电力生产异常监控方法、装置、计算机设备和存储介质 |
CN113191293A (zh) * | 2021-05-11 | 2021-07-30 | 创新奇智(重庆)科技有限公司 | 广告检测方法、装置、电子设备、***及可读存储介质 |
CN116645530A (zh) * | 2023-04-23 | 2023-08-25 | 广东建瀚工程管理有限公司 | 基于图像比对的施工检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889377A (zh) | 广告物异常识别方法、装置、服务器设备及存储介质 | |
CN110781350B (zh) | 一种面向全画面监控场景的行人检索方法及*** | |
US20220172476A1 (en) | Video similarity detection method, apparatus, and device | |
CN110796098B (zh) | 内容审核模型的训练及审核方法、装置、设备和存储介质 | |
CN110210335B (zh) | 一种行人重识别学习模型的训练方法、***和装置 | |
CN110942456B (zh) | 篡改图像检测方法、装置、设备及存储介质 | |
CN111401239B (zh) | 一种视频分析方法、装置、***、设备及存储介质 | |
CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
CN111291887A (zh) | 神经网络的训练方法、图像识别方法、装置及电子设备 | |
CN111222450A (zh) | 模型的训练及其直播处理的方法、装置、设备和存储介质 | |
CN113297420A (zh) | 视频图像处理方法、装置、存储介质及电子设备 | |
CN115761529A (zh) | 图像处理方法和电子设备 | |
WO2024120245A1 (zh) | 视频信息摘要生成方法、装置、存储介质及计算机设备 | |
CN111709762B (zh) | 信息匹配度的评估方法、装置、设备及存储介质 | |
CN114283349A (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN115376054B (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN113808107B (zh) | 图像推荐方法、装置、电子设备和存储介质 | |
CN111488887A (zh) | 基于人工智能的图像处理方法、装置 | |
CN116543333A (zh) | 电力***的目标识别方法、训练方法、装置、设备和介质 | |
CN113469138A (zh) | 对象检测方法和装置、存储介质及电子设备 | |
CN110855467B (zh) | 一种基于计算机视觉技术的网络综合态势预测方法 | |
CN112733637A (zh) | 一种超市的全景视频监控方法 | |
CN117195860B (zh) | 智能巡检方法、***、电子设备和计算机可读存储介质 | |
WO2023281897A1 (ja) | 映像監視システム及び映像監視方法 | |
CN114979742B (zh) | 视频处理方法、装置、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200317 |
|
RJ01 | Rejection of invention patent application after publication |