CN111461228B - 图像推荐方法和装置及存储介质 - Google Patents
图像推荐方法和装置及存储介质 Download PDFInfo
- Publication number
- CN111461228B CN111461228B CN202010252349.XA CN202010252349A CN111461228B CN 111461228 B CN111461228 B CN 111461228B CN 202010252349 A CN202010252349 A CN 202010252349A CN 111461228 B CN111461228 B CN 111461228B
- Authority
- CN
- China
- Prior art keywords
- image
- memory
- landscape
- candidate
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012549 training Methods 0.000 claims description 86
- 238000000605 extraction Methods 0.000 claims description 74
- 230000006870 function Effects 0.000 claims description 28
- 230000010354 integration Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000004088 simulation Methods 0.000 abstract 2
- 238000011176 pooling Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- 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
- 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
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像推荐方法和装置及存储介质。其中,该方法包括:获取待推荐的候选图像,其中,图像推荐模型用于利用类别特征及记忆特征,获取与候选图像匹配的图像推荐系数;在图像推荐模型输出的与候选图像匹配的图像满足预设条件的情况下,确定候选图像为所要推荐的目标图像。本发明利用人工智能技术,采用机械模拟挑选用于推广的目标图像的方式,并通过机械学习,重新组织已有的网络结构使之不断改善自身的性能,进而提高上述机械模拟挑选的准确性,从而解决了在挑选推荐用于推广的目标图像的场景下,图像的推荐准确性较差的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种图像推荐方法和装置及存储介质。
背景技术
在挑选推荐用于推广的目标图像的场景下,相关技术所推荐的图像往往是根据经验推荐,用户观看后易遗忘,而无法明确记忆,从而无法达到通过图像推广的目的,推广范围受限。换言之现有技术中,在挑选推荐用于推广的目标图像的场景下,图像的推荐准确性较差的技术问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种图像推荐方法和装置及存储介质,以至少解决在挑选推荐用于推广的目标图像的场景下,图像的推荐准确性较差的技术问题。
根据本发明实施例的一个方面,提供了一种图像推荐方法,包括:获取待推荐的候选图像,其中,上述候选图像中包括景观元素;将上述候选图像输入图像推荐模型,其中,上述图像推荐模型中包括景观类别识别卷积层和记忆性特征提取层,上述景观类别识别卷积层用于提取候选图像中景观元素所属类别的类别特征,上述记忆性特征提取层用于提取候选图像中景观元素的记忆特征,上述图像推荐模型用于利用上述类别特征及上述记忆特征,获取与候选图像匹配的图像推荐系数;在上述图像推荐模型输出的与上述候选图像匹配的图像满足预设条件的情况下,确定上述候选图像为所要推荐的目标图像。
根据本发明实施例的另一方面,还提供了一种图像推荐装置,包括:获取单元,用于获取待推荐的候选图像,其中,上述候选图像中包括景观元素;输入单元,用于将上述候选图像输入图像推荐模型,其中,上述图像推荐模型中包括景观类别识别卷积层和记忆性特征提取层,上述景观类别识别卷积层用于提取候选图像中景观元素所属类别的类别特征,上述记忆性特征提取层用于提取候选图像中景观元素的记忆特征,上述图像推荐模型用于利用上述类别特征及上述记忆特征,获取与候选图像匹配的图像推荐系数;确定单元,用于在上述图像推荐模型输出的与上述候选图像匹配的图像满足预设条件的情况下,确定上述候选图像为所要推荐的目标图像。
根据本发明实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述图像推荐方法。
根据本发明实施例的又一方面,还提供了一种电子装置,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,其中,上述处理器通过计算机程序执行上述的图像推荐方法。
在本发明实施例中,获取待推荐的候选图像,其中,上述候选图像中包括景观元素;将上述候选图像输入图像推荐模型,其中,上述图像推荐模型中包括景观类别识别卷积层和记忆性特征提取层,上述景观类别识别卷积层用于提取候选图像中景观元素所属类别的类别特征,上述记忆性特征提取层用于提取候选图像中景观元素的记忆特征,上述图像推荐模型用于利用上述类别特征及上述记忆特征,获取与候选图像匹配的图像推荐系数;在上述图像推荐模型输出的与上述候选图像匹配的图像满足预设条件的情况下,确定上述候选图像为所要推荐的目标图像,通过计算图像推荐系数,并根据图像推荐系数在候选图像中确定所要推荐的目标图像,进而达到了提高输出的候选图像与所要推荐的目标图像的一致性的技术目的,从而实现了提高图像的推荐准确性的技术效果,进而解决了在挑选推荐用于推广的目标图像的场景下,图像的推荐准确性较差的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的图像推荐方法的应用环境的示意图;
图2是根据本发明实施例的一种可选的图像推荐方法的流程图的示意图;
图3是根据本发明实施例的一种可选的图像推荐方法的示意图;
图4是根据本发明实施例的另一种可选的图像推荐方法的示意图;
图5是根据本发明实施例的另一种可选的图像推荐方法的示意图;
图6是根据本发明实施例的另一种可选的图像推荐方法的示意图;
图7是根据本发明实施例的另一种可选的图像推荐方法的示意图;
图8是根据本发明实施例的另一种可选的图像推荐方法的示意图;
图9是根据本发明实施例的一种可选的图像推荐装置的示意图;
图10是根据本发明实施例的一种可选的电子装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
可选的,人工智能(Artificial Intelligence,简称AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
可选的,人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
可选的,机器学习(Machine Learning,简称ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
根据本发明实施例的一个方面,提供了一种图像推荐方法,可选地,作为一种可选的实施方式,上述图像推荐方法可以但不限于应用于如图1所示的环境中。其中,可以但不限于包括用户设备102、网络110及服务器112,其中,该用户设备102上可以但不限于包括显示器108、处理器106及存储器104,其中,用户设备102中可以但不限于为具备获取图像功能的设备,具体的,获取图像可以但不限于通过实时拍摄、网络下载、本地调用等。
具体过程可如下步骤:
步骤S102,获取待推荐的候选图像,其中,待推荐的候选图像中可以但不限于包括风景图像102,候选图像的获取可以但不限于通过实时拍摄、网络下载、本地调用等;
步骤S104-S106,用户设备102通过网络110将待推荐的候选图像发送给服务器112;
步骤S108,服务器112通过处理引擎116将待推荐的候选图像输入图像推荐模型,进而输出与候选图像匹配的图像推荐系数,并记录在数据库114中;
步骤S110,服务器112通过处理引擎116,将满足预设条件(例如图像推荐系数大于第一阈值)的图像,确定为所要推荐的目标图像;
步骤S112-S114,服务器112通过网络110将所要推荐的目标图像、以及对应的图像推荐系数发送给用户设备102,用户设备102中的处理器106将所要推荐的目标图像、以及对应的图像推荐系数显示在显示器108中,并将所要推荐的目标图像、以及对应的图像推荐系数相关信息存储在存储器104中。可选的,所要推荐的目标图像为风景图像102,以及对应的图像推荐系数为图像推荐系数104,具体的,图像推荐系数104为“0.638”。
可选地,作为一种可选的实施方式,如图2所示,图像推荐方法包括:
S202,获取待推荐的候选图像,其中,候选图像中包括景观元素;
S204,将候选图像输入图像推荐模型,其中,图像推荐模型中包括景观类别识别卷积层和记忆性特征提取层,景观类别识别卷积层用于提取候选图像中景观元素所属类别的类别特征,记忆性特征提取层用于提取候选图像中景观元素的记忆特征,图像推荐模型用于利用类别特征及记忆特征,获取与候选图像匹配的图像推荐系数;
S206,在图像推荐模型输出的与候选图像匹配的图像满足预设条件的情况下,确定候选图像为所要推荐的目标图像。
可选的,在本实施例中,图像推荐方法可以但不限于应用在挑选推荐用于推广的目标图像的场景下。可选的,图像推荐方法还可以但不限于应用在基于构建的神经网络模型计算风景图像的可记忆性分数的场景下。图像推荐方法可以但不限于应用在智能手机、平板电脑、摄像设备、智能电脑等设备上。待推荐的候选图像可以但不限于为包括景观元素的风景类图像。图像推荐模型可以但不限于为基于景观类别识别卷积层和记忆性特征提取层构建的神经网络模型。可选的,预设条件可以但不限于为匹配的图像的推荐系数大于或等于第一阈值,其中,推荐系数可以但不限于包括图像可记忆性分数,以及图像可记忆性可以但不限于为图像领域的一种固有属性,描述的是一张图像被用户看过一次后而能被记住的概率,其中,图像可记忆性分数可以但不限于用0-1之间的数表示,越接近于1,表示能被记住的概率越高。
需要说明的是,获取待推荐的候选图像,其中,候选图像中包括景观元素;将候选图像输入图像推荐模型,其中,图像推荐模型中包括景观类别识别卷积层和记忆性特征提取层,景观类别识别卷积层用于提取候选图像中景观元素所属类别的类别特征,记忆性特征提取层用于提取候选图像中景观元素的记忆特征,图像推荐模型用于利用类别特征及记忆特征,获取与候选图像匹配的图像推荐系数;在图像推荐模型输出的与候选图像匹配的图像满足预设条件的情况下,确定候选图像为所要推荐的目标图像。
进一步举例说明,可选的如图3所示,包括图像采集设备302、可记忆性分数预测器304、数据处理库306,具体如下步骤:
步骤S302,图像采集设备302将采集到的候选图像输入至可记忆性分数预测器304。其中,候选图像的采集可以但不限于包括光学镜头拍摄采集、网页上传采集、本地调用采集等;
步骤S304,可记忆性分数预测器304计算出输入的候选图像对应的可记忆性分数,并输出至数据处理库306;
步骤S306,数据处理库306接收可记忆性分数、以及与可记忆性分数相匹配的图像,并从中确定可记忆性分数大于第一阈值的候选图像,进而图像采集设备302显示上述满足条件的候选图像、以及对应的可记忆性分数。
进一步举例说明,可选的例如图4所示,图像采集设备(图中未示出)将获取待推荐的候选图像402,输入至图像推荐模型404,其中,图像推荐模型404中包括景观类别识别卷积层404-1和记忆性特征提取层404-2,进而图像推荐模型404输出带有图像推荐系数406的候选图像402,并将带有图像推荐系数406的候选图像402显示在图像采集设备(图中未示出)中。
通过本申请提供的实施例,获取待推荐的候选图像,其中,候选图像中包括景观元素;将候选图像输入图像推荐模型,其中,图像推荐模型中包括景观类别识别卷积层和记忆性特征提取层,景观类别识别卷积层用于提取候选图像中景观元素所属类别的类别特征,记忆性特征提取层用于提取候选图像中景观元素的记忆特征,图像推荐模型用于利用类别特征及记忆特征,获取与候选图像匹配的图像推荐系数;在图像推荐模型输出的与候选图像匹配的图像满足预设条件的情况下,确定候选图像为所要推荐的目标图像,通过计算图像推荐系数,并根据图像推荐系数在候选图像中确定所要推荐的目标图像,进而达到了提高输出的候选图像与所要推荐的目标图像的一致性的技术目的,从而实现了提高图像的推荐准确性的技术效果。
作为一种可选的方案,将候选图像输入图像推荐模型包括:
S1,在图像推荐模型中,通过景观类别识别卷积层提取候选图像中景观元素的候选类别特征,并通过记忆性特征提取层提取候选图像中景观元素的候选记忆特征;
S2,对候选类别特征及候选记忆特征进行整合,得到与候选图像匹配的图像整合特征;
S3,根据图像整合特征计算得到与候选图像匹配的图像推荐系数。
可选的,景观类别识别卷积层可以但不限于为具有自然风景类别自动识别功能的网络结构,可以但不限于基于残差网络(Residual Network,简称ResNet)构建,ResNet网络可以但不限于为单分类的卷积神经网络,损失函数可以但不限于为softmax loss。可选的,记忆性特征提取层可以但不限于为具有可记忆性相关特征的提取功能的网络结构,可以但不限于基于深度持续记忆网络结构(Deep Persistent Memory Network,简称MemNet),损失函数可以但不限于为欧式距离,可选的,欧式距离可以但不限于为m维空间中两个点之间的真实距离,或向量的自然长度(即点到原点的举例),而在二维和三维空间中,可以但不限于为两点之间的实际距离。
需要说明的是,在图像推荐模型中,通过景观类别识别卷积层提取候选图像中景观元素的候选类别特征,并通过记忆性特征提取层提取候选图像中景观元素的候选记忆特征;对候选类别特征及候选记忆特征进行整合,得到与候选图像匹配的图像整合特征;根据图像整合特征计算得到与候选图像匹配的图像推荐系数。
进一步举例说明,可选的例如图5所示,将候选图像502输入至图像推荐模型504中,其中,景观类别识别卷基层504-1用于提取候选图像502中景观元素的候选类别特征504-11,记忆性特征提取层用于提取候选图像502中景观元素的候选记忆特征504-21,通过将候选类别特征504-11、候选类别特征504-11整合处理,进而获得图像整合特征504-3,从而根据图像整合特征504-3计算并输出候选图像502的图像推荐系数506“0.67”。
通过本申请提供的实施例,选图像中景观元素的候选类别特征,并通过记忆性特征提取层提取候选图像中景观元素的候选记忆特征;对候选类别特征及候选记忆特征进行整合,得到与候选图像匹配的图像整合特征;根据图像整合特征计算得到与候选图像匹配的图像推荐系数,通过候选类别特征及候选记忆特征进行整合,进而达到了提高候选图像推荐系数计算的全面性的技术目的,从而实现了提高候选图像推荐系数计算的准确性的技术效果。
作为一种可选的方案,在获取待推荐的候选图像之前,还包括:
S1,构建景观类别识别子网络及记忆性预测子网络;
S2,利用第一样本图像集合对景观类别识别子网络进行训练,以得到图像推荐模型中的景观类别识别卷积层;
S3,利用第二样本图像集合对记忆性预测子网络进行训练,以得到图像推荐模型中的记忆性特征提取层。
需要说明的是,构建景观类别识别子网络及记忆性预测子网络;利用第一样本图像集合对景观类别识别子网络进行训练,以得到图像推荐模型中的景观类别识别卷积层;利用第二样本图像集合对记忆性预测子网络进行训练,以得到图像推荐模型中的记忆性特征提取层。可选的,景观类别识别子网络可以但不限于为ResNet网络,记忆性预测子网络可以但不限于为MemNet网络。
进一步举例说明,例如在使用图像推荐模型前,利用第一样本图像集合对景观类别识别子网络进行训练,以得到图像推荐模型中的景观类别识别卷积层,利用第二样本图像集合对记忆性预测子网络进行训练,以得到图像推荐模型中的记忆性特征提取层,再基于景观类别识别卷积层、记忆性特征提取层分别构建景观类别识别子网络及记忆性预测子网络图像推荐模型,从而根据景观类别识别子网络及记忆性预测子网络图像推荐模型构建图像推荐模型。
通过本申请提供的实施例,构建景观类别识别子网络及记忆性预测子网络;利用第一样本图像集合对景观类别识别子网络进行训练,以得到图像推荐模型中的景观类别识别卷积层;利用第二样本图像集合对记忆性预测子网络进行训练,以得到图像推荐模型中的记忆性特征提取层,通过分别训练景观类别识别子网络、记忆性预测子网络,达到了提高构建景观类别识别子网络及记忆性预测子网络的构建速度的技术目的,从而实现了提升图像推荐模型的整体构建效率的技术效果。
作为一种可选的方案,利用第一样本图像集合对景观类别识别子网络进行训练,以得到图像推荐模型中的景观类别识别卷积层包括:
S1,将第一样本图像集合中的样本图像依次输入景观类别识别子网络进行训练,其中,景观类别识别子网络为多分类的卷积神经网络,用于根据第一样本图像中提取出的景观元素进行学习,以识别出景观元素所属类别的类别特征;
S2,在景观类别识别子网络中的损失函数的第N次输出结果指示收敛的情况下,确定与第N次输出结果对应的景观类别识别卷积层,为图像推荐模型中的景观类别识别卷积层,其中,N为正整数。
需要说明的是,将第一样本图像集合中的样本图像依次输入景观类别识别子网络进行训练,其中,景观类别识别子网络为多分类的卷积神经网络,用于根据第一样本图像中提取出的景观元素进行学习,以识别出景观元素所属类别的类别特征;在景观类别识别子网络中的损失函数的第N次输出结果指示收敛的情况下,确定与第N次输出结果对应的景观类别识别卷积层,为图像推荐模型中的景观类别识别卷积层,其中,N为正整数。可选的,景观类别识别子网络中的损失函数可以但不限于为加权sigmoid交叉熵函数。
进一步举例说明,可选的如图6所示,将第一样本图像集合中的样本图像602输入景观类别识别子网络604,进而输出样本图像602中包含的景观类别特征606,其中可选的,样本图像602的维度为256*256,未最大池化或平均池化前的卷积核的数量为64个,步长(stride)为2,以及景观类别特征606所在的全连接层的节点参数为2048,可选的,最大池化(max pooling)与平均池化(average pooling)可以但不限于是在卷积层之后,卷积层得到的向量,其中,最大池化可以但不限于为卷积过程,其卷积计算为滑窗求和,此处的滑窗求最大,而平均池化可以但不限于是滑窗求平均值。可选的,池化的作用可以但不限于是降维、扩大感知野、实现不变性(平移、旋转和尺度不变性)。
通过本申请提供的实施例,将第一样本图像集合中的样本图像依次输入景观类别识别子网络进行训练,其中,景观类别识别子网络为多分类的卷积神经网络,用于根据样本图像中提取出的景观元素进行学习,以识别出景观元素所属类别的类别特征;在景观类别识别子网络中的损失函数的第N次输出结果指示收敛的情况下,确定与第N次输出结果对应的景观类别识别卷积层,为图像推荐模型中的景观类别识别卷积层,其中,N为正整数的,进而达到了提高景观类别识别子网络的计算准确性的技术目的,从而实现了提高景观元素所属类别的类别特征的识别准确性的技术效果。
作为一种可选的方案,利用第二样本图像集合对记忆性预测子网络进行训练,以得到图像推荐模型中的记忆性特征提取层包括:
S1,将第二样本图像集合中的样本图像依次输入记忆性预测子网络进行训练,其中,记忆性预测子网络用于根据第二样本图像中提取出的景观元素进行学习,以预测出景观元素的记忆特征对应的预测记忆系数,并通过记忆性预测子网络中的损失函数,获取预测记忆系数和第二样本图像中景观元素的参考记忆系数之间的欧式距离;
S2,在欧式距离收敛的情况下,确定与第M次输出的欧式距离对应的记忆性特征提取层,为图像推荐模型中的记忆性特征提取层,其中,M为正整数。
需要说明的是,将第二样本图像集合中的样本图像依次输入记忆性预测子网络进行训练,其中,记忆性预测子网络用于根据第二样本图像中提取出的景观元素进行学习,以预测出景观元素的记忆特征对应的预测记忆系数,并通过记忆性预测子网络中的损失函数,获取预测记忆系数和第二样本图像中景观元素的参考记忆系数之间的欧式距离;在欧式距离收敛的情况下,确定与第M次输出的欧式距离对应的记忆性特征提取层,为图像推荐模型中的记忆性特征提取层,其中,M为正整数。可选的,记忆性预测子网络中的损失函数可以但不限于为预测记忆系数和样本图像中景观元素的参考记忆系数之间的欧式距离。
进一步举例说明,可选的如图7所示,将第二样本图像集合中的样本图像702输入记忆性预测子网络704,进而输出样本图像702的预测记忆系数710;其中可选的,样本图像702的维度为256*256,未最大池化或平均池化前的卷积核的数量为96个,步长(stride)为2,以及截止706或记忆深度特征708所在的全连接层的节点参数为4096。
通过本申请提供的实施例,将第二样本图像集合中的样本图像依次输入记忆性预测子网络进行训练,其中,记忆性预测子网络用于根据第二样本图像中提取出的景观元素进行学习,以预测出景观元素的记忆特征对应的预测记忆系数,并通过记忆性预测子网络中的损失函数,获取预测记忆系数和第二样本图像中景观元素的参考记忆系数之间的欧式距离;在欧式距离收敛的情况下,确定与第M次输出的欧式距离对应的记忆性特征提取层,为图像推荐模型中的记忆性特征提取层,其中,M为正整数,进而达到了提高记忆性预测子网络的计算准确性的技术目的,从而实现了提高预测记忆系数的计算准确性的技术效果。
作为一种可选的方案,在构建景观类别识别子网络及记忆性预测子网络之后,还包括:
S1,基于景观类别识别卷积层与记忆性特征提取层构建联调训练网络;
S2,将第三样本图像集合中的样本图像依次输入联调训练网络进行训练,其中,联调训练网络用于根据第三样本图像中提取出的景观元素的类别特征、以及记忆特征进行学习,以预测出第三样本图像中景观元素对应的记忆系数,并将获取的记忆系数和第三样本图像中景观元素的参考记忆系数之间的欧式距离,作为联调训练网络中的损失函数;
S3,在联调训练网络中的损失函数的第K次输出结果指示收敛的情况下,确定与第K次输出结果对应的联调训练网络,为图像推荐模型,其中,K为正整数。
需要说明的是,基于景观类别识别卷积层与记忆性特征提取层构建联调训练网络;将第三样本图像集合中的样本图像依次输入联调训练网络进行训练,其中,联调训练网络用于根据第三样本图像中提取出的景观元素的类别特征、以及记忆特征进行学习,以预测出第三样本图像中景观元素对应的记忆系数,并将获取的记忆系数和第三样本图像中景观元素的参考记忆系数之间的欧式距离,作为联调训练网络中的损失函数;在联调训练网络中的损失函数的第K次输出结果指示收敛的情况下,确定与第K次输出结果对应的联调训练网络,为图像推荐模型,其中,K为正整数。
进一步举例说明,可选的例如,先对景观类别识别子网络和记忆性预测子网络单独进行迭代训练,具体的例如,初始学习率可以但不限于为5×10-7,而学习率随着迭代次数的增加会逐渐下降,进而学习率可以但不限于设置成每迭代20个训练循环时会下降至原来的10-1,而且训练均可以但不限于使用随机梯度下降法,以及训练网络使用到的批尺寸(batch size)参数可以但不限于为均设为64。
进一步,在景观类别识别子网络和记忆性预测子网络训练完成(达到收敛条件)的情况下,基于训练获取的景观类别识别卷积层与记忆性特征提取层构建联调训练网络,并进行新一轮的迭代训练,其中,将获取的记忆系数和样本图像的参考记忆系数之间的欧式距离,作为联调训练网络中的损失函数。
通过本实施例,利用先训练景观类别识别子网络和记忆性预测子网络,再基于训练好的景观类别识别卷积层与记忆性特征提取层构建联调训练网络,进而训练调训练网络的方式,通过多次的网络训练,进而达到了保证最终训练出的图像推荐模型更贴近于理想模型的技术目的,从而实现了提高图像推荐模型的图像输出精准性的技术效果。
作为一种可选的方案,在获取待推荐的候选图像之前,还包括:
对第二样本图像集合中每张样本图像进行测试,以得到与样本图像中景观元素的参考记忆系数。
需要说明的是,对第二样本图像集合中每张样本图像进行测试,以得到与样本图像中景观元素的参考记忆系数。
进一步举例说明,可选的如图8所示,目标图像802即为待测试的样本图像,其余图像为警示图像或填充图像,其中,警示图像可以但不限于为干扰性强、可记忆性高的图像,填充图像可以但不限于为干扰性一般、可记忆性一般的图像。预设目标图像802和警示图像和/或填充图像的图像总数,例如总数为七十,其中,目标图像802占据图像总数的百分比可以但不限于高于警示图像和/或填充图像,例如,目标图像802占据图像总数的百分比为百分之六十,警示图像为百分之十,填充图像为百分之三十;预设目标图像802的出现间隔,例如目标图像的间隔804为三十至五十张,并通过时间轴806记录测试中的时间数据;
进一步,测试中第i张图片的记忆性分数可以但不限于参考公式(1);
其中,m(i)为第i张图片的记忆性分数,n(i)为对于第i张图片,有n(i)个观测者,j和表示第j个测试者经过/>时间遇见重复出现的第i张图片;
进一步,观测者的识别结果记为其中xj=1表示重复出现的第i张图片被成功认出,而xj=0表示重复出现的第i张图片没被成功认出。可选的,考虑到目标图片802重复间隔时间(时间轴806)的因素,计算出的记忆性分数的对数值与重复出现间隔的时间呈线性相关,进而参考公式(2);
其中,表示第i张图片在重复时间间隔为T下的记忆性分数,c(i)表示该图片的某一基准记忆性分数,α表示可记忆性分数随时间间隔增加的衰减系数,同理,还可参考公式(3);
进一步,根据公式(2)以及公式(3),通过计算可得到公式(4);
此外,对于N幅图片,可以类似得到总的误差,并且要优化它到最小,可以但不限于参考公式(5):
其中,E为测试的误差值,即E越小,则表示测试最终获取的记忆性分数越准确,进而根据公式(5)可知,若想实现E最小,则需要优化调整和α。可选的,优化方法可以但不限于包括固定α的值,进而确定使得全局E最小的/>或,固定/>进而确定使得全局E最小的α;因此,寻找E全局最小值的过程,相当于交替迭代更新/>和α,具体可参考公式(6)、(7)所示;
此外,将忽略时间间隔的不同而计算出来的平均命中率作为/>的初始值,再设定T值,进而参考上述公式(6)、(7)迭代,直至达到收敛条件,从而计算获得目标图像802的可记忆性分数,并作为目标图像802的参考记忆系数。其中,将原始数据的图像重复时间间隔归一化到特定的T值,T值的经验值是选取显示例如一百张图片所需要的时间。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面,还提供了一种用于实施上述图像推荐方法的图像推荐装置。如图9所示,该装置包括:
获取单元902,用于获取待推荐的候选图像,其中,候选图像中包括景观元素;
输入单元904,用于将候选图像输入图像推荐模型,其中,图像推荐模型中包括景观类别识别卷积层和记忆性特征提取层,景观类别识别卷积层用于提取候选图像中景观元素所属类别的类别特征,记忆性特征提取层用于提取候选图像中景观元素的记忆特征,图像推荐模型用于利用类别特征及记忆特征,获取与候选图像匹配的图像推荐系数;
确定单元906,用于在图像推荐模型输出的与候选图像匹配的图像满足预设条件的情况下,确定候选图像为所要推荐的目标图像。
可选的,在本实施例中,图像推荐最终可以但不限于应用在挑选推荐用于推广的目标图像的场景下。可选的,图像推荐装置还可以但不限于应用在基于构建的神经网络模型计算风景图像的可记忆性分数的场景下。图像推荐装置可以但不限于应用在智能手机、平板电脑、摄像设备、智能电脑等设备上。待推荐的候选图像可以但不限于为包括景观元素的风景类图像。图像推荐模型可以但不限于为基于景观类别识别卷积层和记忆性特征提取层构建的神经网络模型。可选的,预设条件可以但不限于为匹配的图像的推荐系大于或等于第一阈值,其中,推荐系数可以但不限于包括图像可记忆性分数,以及,图像可记忆性可以但不限于为图像领域的一种固有属性,描述的是一张图像被用户看过一次后而能被记住的概率,其中,图像可记忆性分数可以但不限于用0-1之间的数表示,越接近于1,表示能被记住的概率越高。
需要说明的是,获取待推荐的候选图像,其中,候选图像中包括景观元素;将候选图像输入图像推荐模型,其中,图像推荐模型中包括景观类别识别卷积层和记忆性特征提取层,景观类别识别卷积层用于提取候选图像中景观元素所属类别的类别特征,记忆性特征提取层用于提取候选图像中景观元素的记忆特征,图像推荐模型用于利用类别特征及记忆特征,获取与候选图像匹配的图像推荐系数;在图像推荐模型输出的与候选图像匹配的图像满足预设条件的情况下,确定候选图像为所要推荐的目标图像。
具体实施例可以参考上述图像推荐方法中所示示例,本示例中在此不再赘述。
通过本申请提供的实施例,获取待推荐的候选图像,其中,候选图像中包括景观元素;将候选图像输入图像推荐模型,其中,图像推荐模型中包括景观类别识别卷积层和记忆性特征提取层,景观类别识别卷积层用于提取候选图像中景观元素所属类别的类别特征,记忆性特征提取层用于提取候选图像中景观元素的记忆特征,图像推荐模型用于利用类别特征及记忆特征,获取与候选图像匹配的图像推荐系数;在图像推荐模型输出的与候选图像匹配的图像满足预设条件的情况下,确定候选图像为所要推荐的目标图像,通过计算图像推荐系数,并根据图像推荐系数在候选图像中确定所要推荐的目标图像,进而达到了提高输出的候选图像与所要推荐的目标图像的一致性的技术目的,从而实现了提高图像的推荐准确性的技术效果。
作为一种可选的方案,输入单元904包括:
提取模块,用于在图像推荐模型中,通过景观类别识别卷积层提取候选图像中景观元素的候选类别特征,并通过记忆性特征提取层提取候选图像中景观元素的候选记忆特征;
整合模块,用于对候选类别特征及候选记忆特征进行整合,得到与候选图像匹配的图像整合特征;
计算模块,用于根据图像整合特征计算得到与候选图像匹配的图像推荐系数。
具体实施例可以参考上述图像推荐方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,还包括:
第一构建单元,用于在获取待推荐的候选图像之前,构建景观类别识别子网络及记忆性预测子网络;
第一训练单元,用于在获取待推荐的候选图像之前,利用第一样本图像集合对景观类别识别子网络进行训练,以得到图像推荐模型中的景观类别识别卷积层;
第二训练单元,用于在获取待推荐的候选图像之前,利用第二样本图像集合对记忆性预测子网络进行训练,以得到图像推荐模型中的记忆性特征提取层。
具体实施例可以参考上述图像推荐方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,第一训练单元包括:
第一输入模块,用于将第一样本图像集合中的样本图像依次输入景观类别识别子网络进行训练,其中,景观类别识别子网络为多分类的卷积神经网络,用于根据样本图像中提取出的景观元素进行学习,以识别出景观元素所属类别的类别特征;
第一确定模块,用于在景观类别识别子网络中的损失函数的第N次输出结果指示收敛的情况下,确定与第N次输出结果对应的景观类别识别卷积层,为图像推荐模型中的景观类别识别卷积层,其中,N为正整数。
具体实施例可以参考上述图像推荐方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,第二训练单元包括:
第二输入模块,用于将第二样本图像集合中的样本图像依次输入记忆性预测子网络进行训练,其中,记忆性预测子网络用于根据样本图像中提取出的景观元素进行学习,以预测出景观元素的记忆特征对应的预测记忆系数,并通过记忆性预测子网络中的损失函数,获取预测记忆系数和样本图像中景观元素的参考记忆系数之间的欧式距离;
第二确定模块,用于在欧式距离收敛的情况下,确定与第M次输出的欧式距离对应的记忆性特征提取层,为图像推荐模型中的记忆性特征提取层,其中,M为正整数。
具体实施例可以参考上述图像推荐方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,还包括:
第一构建单元,用于在构建景观类别识别子网络及记忆性预测子网络之后,基于景观类别识别卷积层与记忆性特征提取层构建联调训练网络;
第三训练单元,用于在构建景观类别识别子网络及记忆性预测子网络之后,将第三样本图像集合中的样本图像依次输入联调训练网络进行训练,其中,联调训练网络用于根据样本图像中提取出的景观元素的类别特征、以及记忆特征进行学习,以预测出样本图像中景观元素对应的记忆系数,并将获取的记忆系数和样本图像中景观元素的参考记忆系数之间的欧式距离,作为联调训练网络中的损失函数;
第二确定单元,用于在构建景观类别识别子网络及记忆性预测子网络之后,在联调训练网络中的损失函数的第K次输出结果指示收敛的情况下,确定与第K次输出结果对应的联调训练网络,为图像推荐模型,其中,K为正整数。
具体实施例可以参考上述图像推荐方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,还包括:
测试模块,用于在获取待推荐的候选图像之前,对第二样本图像集合中每张样本图像进行测试,以得到与样本图像中景观元素的参考记忆系数。
具体实施例可以参考上述图像推荐方法中所示示例,本示例中在此不再赘述。
根据本发明实施例的又一个方面,还提供了一种用于实施上述图像推荐方法的电子装置,如图10所示,该电子装置包括存储器1002和处理器1004,该存储器1002中存储有计算机程序,该处理器1004被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取待推荐的候选图像,其中,候选图像中包括景观元素;
S2,将候选图像输入图像推荐模型,其中,图像推荐模型中包括景观类别识别卷积层和记忆性特征提取层,景观类别识别卷积层用于提取候选图像中景观元素所属类别的类别特征,记忆性特征提取层用于提取候选图像中景观元素的记忆特征,图像推荐模型用于利用类别特征及记忆特征,获取与候选图像匹配的图像推荐系数;
S3,在图像推荐模型输出的与候选图像匹配的图像满足预设条件的情况下,确定候选图像为所要推荐的目标图像。
可选地,本领域普通技术人员可以理解,图10所示的结构仅为示意,电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图10其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图10中所示更多或者更少的组件(如网络接口等),或者具有与图10所示不同的配置。
其中,存储器1002可用于存储软件程序以及模块,如本发明实施例中的图像推荐方法和装置对应的程序指令/模块,处理器1004通过运行存储在存储器1002内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的图像推荐方法。存储器1002可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1002可进一步包括相对于处理器1004远程设置的存储器,这些远程存储器可以通过网络连接至终端。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。其中,存储器1002具体可以但不限于用于存储候选图像以及图像推荐系数等信息。作为一种示例,如图10所示,上述存储器1002中可以但不限于包括上述图像推荐装置中的获取单元902、输入单元904及确定单元906。此外,还可以包括但不限于上述图像推荐装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置1006用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置1006包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置1006为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子装置还包括:显示器1008,用于显示上述候选图像以及图像推荐系数等信息;和连接总线1010,用于连接上述电子装置中的各个模块部件。
根据本发明的实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取待推荐的候选图像,其中,候选图像中包括景观元素;
S2,将候选图像输入图像推荐模型,其中,图像推荐模型中包括景观类别识别卷积层和记忆性特征提取层,景观类别识别卷积层用于提取候选图像中景观元素所属类别的类别特征,记忆性特征提取层用于提取候选图像中景观元素的记忆特征,图像推荐模型用于利用类别特征及记忆特征,获取与候选图像匹配的图像推荐系数;
S3,在图像推荐模型输出的与候选图像匹配的图像满足预设条件的情况下,确定候选图像为所要推荐的目标图像。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上仅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技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种图像推荐方法,其特征在于,包括:
获取待推荐的候选图像,其中,所述候选图像为包括景观元素的风景类图像;
将所述候选图像输入图像推荐模型,通过所述图像推荐模型中的景观类别识别卷积层提取所述候选图像中景观元素的候选类别特征,并通过所述图像推荐模型中的记忆性特征提取层提取所述候选图像中景观元素的候选记忆特征,其中,所述景观类别识别卷积层的训练过程包括对所述景观类别识别卷积层单独进行的迭代训练,和对所述景观类别识别卷积层和所述记忆性特征提取层联调进行的迭代训练,所述记忆性特征提取层的训练过程包括对所述记忆性特征提取层单独进行的迭代训练,和对所述景观类别识别卷积层和所述记忆性特征提取层联调进行的迭代训练;对所述候选类别特征及所述候选记忆特征进行整合,得到与所述候选图像匹配的图像整合特征;根据所述图像整合特征计算得到与所述候选图像匹配的图像推荐系数,其中,所述景观类别识别卷积层用于提取候选图像中景观元素所属类别的类别特征,所述记忆性特征提取层用于提取候选图像中景观元素的记忆特征,所述图像推荐模型用于利用所述类别特征及所述记忆特征,获取与候选图像匹配的图像推荐系数;在所述图像推荐模型输出的与所述候选图像匹配的图像满足预设条件的情况下,确定所述候选图像为所要推荐的目标图像。
2.根据权利要求1所述的方法,其特征在于,在所述获取待推荐的候选图像之前,还包括:
构建景观类别识别子网络及记忆性预测子网络;
利用第一样本图像集合对所述景观类别识别子网络进行训练,以得到所述图像推荐模型中的所述景观类别识别卷积层;
利用第二样本图像集合对所述记忆性预测子网络进行训练,以得到所述图像推荐模型中的所述记忆性特征提取层。
3.根据权利要求2所述的方法,其特征在于,所述利用第一样本图像集合对所述景观类别识别子网络进行训练,以得到所述图像推荐模型中的所述景观类别识别卷积层包括:
将所述第一样本图像集合中的样本图像依次输入所述景观类别识别子网络进行训练,其中,所述景观类别识别子网络为多分类的卷积神经网络,用于根据第一样本图像中提取出的景观元素进行学习,以识别出所述景观元素所属类别的类别特征;
在所述景观类别识别子网络中的损失函数的第N次输出结果指示收敛的情况下,确定与所述第N次输出结果对应的景观类别识别卷积层,为所述图像推荐模型中的所述景观类别识别卷积层,其中,N为正整数。
4.根据权利要求2所述的方法,其特征在于,所述利用第二样本图像集合对所述记忆性预测子网络进行训练,以得到所述图像推荐模型中的所述记忆性特征提取层包括:
将所述第二样本图像集合中的样本图像依次输入所述记忆性预测子网络进行训练,其中,所述记忆性预测子网络用于根据第二样本图像中提取出的景观元素进行学习,以预测出所述景观元素的记忆特征对应的预测记忆系数,并将获取的所述预测记忆系数和所述第二样本图像中景观元素的参考记忆系数之间的欧式距离,作为所述记忆性预测子网络中的损失函数;
在所述欧式距离收敛的情况下,确定与第M次输出的所述欧式距离对应的记忆性特征提取层,为所述图像推荐模型中的所述记忆性特征提取层,其中,M为正整数。
5.根据权利要求2所述的方法,其特征在于,在所述构建景观类别识别子网络及记忆性预测子网络之后,还包括:
基于所述景观类别识别卷积层与所述记忆性特征提取层构建联调训练网络;
将第三样本图像集合中的样本图像依次输入所述联调训练网络进行训练,其中,所述联调训练网络用于根据第三样本图像中提取出的景观元素的类别特征、以及记忆特征进行学习,以预测出所述第三样本图像中景观元素对应的记忆系数,并将获取的所述记忆系数和所述第三样本图像中景观元素的参考记忆系数之间的欧式距离,作为所述联调训练网络中的损失函数;
在所述联调训练网络中的损失函数的第K次输出结果指示收敛的情况下,确定与所述第K次输出结果对应的联调训练网络,为所述图像推荐模型,其中,K为正整数。
6.根据权利要求4所述的方法,其特征在于,在所述获取待推荐的候选图像之前,还包括:
对所述第二样本图像集合中每张样本图像进行测试,以得到与所述样本图像中景观元素的所述参考记忆系数。
7.一种图像推荐装置,其特征在于,包括:
获取单元,用于获取待推荐的候选图像,其中,所述候选图像为包括景观元素的风景类图像;
输入单元,用于将所述候选图像输入图像推荐模型,其中,所述图像推荐模型中包括景观类别识别卷积层和记忆性特征提取层,所述景观类别识别卷积层用于提取候选图像中景观元素所属类别的类别特征,所述记忆性特征提取层用于提取候选图像中景观元素的记忆特征,所述图像推荐模型用于利用所述类别特征及所述记忆特征,获取与候选图像匹配的图像推荐系数,其中,所述景观类别识别卷积层的训练过程包括对所述景观类别识别卷积层单独进行的迭代训练,和对所述景观类别识别卷积层和所述记忆性特征提取层联调进行的迭代训练,所述记忆性特征提取层的训练过程包括对所述记忆性特征提取层单独进行的迭代训练,和对所述景观类别识别卷积层和所述记忆性特征提取层联调进行的迭代训练;
确定单元,用于在所述图像推荐模型输出的与所述候选图像匹配的图像满足预设条件的情况下,确定所述候选图像为所要推荐的目标图像;
所述输入单元,包括:
提取模块,用于在所述图像推荐模型中,通过所述景观类别识别卷积层提取所述候选图像中景观元素的候选类别特征,并通过所述记忆性特征提取层提取所述候选图像中景观元素的候选记忆特征;
整合模块,用于对所述候选类别特征及所述候选记忆特征进行整合,得到与所述候选图像匹配的图像整合特征;
计算模块,用于根据所述图像整合特征计算得到与所述候选图像匹配的图像推荐系数。
8.一种计算机可读的存储介质,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至6任一项中所述的方法。
9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至6任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010252349.XA CN111461228B (zh) | 2020-04-01 | 2020-04-01 | 图像推荐方法和装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010252349.XA CN111461228B (zh) | 2020-04-01 | 2020-04-01 | 图像推荐方法和装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461228A CN111461228A (zh) | 2020-07-28 |
CN111461228B true CN111461228B (zh) | 2024-03-15 |
Family
ID=71684407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010252349.XA Active CN111461228B (zh) | 2020-04-01 | 2020-04-01 | 图像推荐方法和装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461228B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749711B (zh) * | 2020-08-04 | 2023-08-25 | 腾讯科技(深圳)有限公司 | 视频获取方法和装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304847A (zh) * | 2017-11-30 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像分类方法及装置、个性化推荐方法及装置 |
CN109241318A (zh) * | 2018-09-21 | 2019-01-18 | 平安科技(深圳)有限公司 | 图片推荐方法、装置、计算机设备及存储介质 |
CN109447140A (zh) * | 2018-10-19 | 2019-03-08 | 广州四十五度科技有限公司 | 一种基于神经网络深度学习的图像识别并推荐认知的方法 |
CN109784415A (zh) * | 2019-01-25 | 2019-05-21 | 北京地平线机器人技术研发有限公司 | 图像识别方法及装置、训练卷积神经网络的方法及装置 |
EP3499509A1 (en) * | 2017-12-14 | 2019-06-19 | Siemens Healthcare GmbH | Method for memorable image generation for anonymized three-dimensional medical image workflows |
CN110209916A (zh) * | 2018-02-05 | 2019-09-06 | 高德软件有限公司 | 一种兴趣点图像推荐方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9639806B2 (en) * | 2014-04-15 | 2017-05-02 | Xerox Corporation | System and method for predicting iconicity of an image |
-
2020
- 2020-04-01 CN CN202010252349.XA patent/CN111461228B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304847A (zh) * | 2017-11-30 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像分类方法及装置、个性化推荐方法及装置 |
EP3499509A1 (en) * | 2017-12-14 | 2019-06-19 | Siemens Healthcare GmbH | Method for memorable image generation for anonymized three-dimensional medical image workflows |
CN110209916A (zh) * | 2018-02-05 | 2019-09-06 | 高德软件有限公司 | 一种兴趣点图像推荐方法及装置 |
CN109241318A (zh) * | 2018-09-21 | 2019-01-18 | 平安科技(深圳)有限公司 | 图片推荐方法、装置、计算机设备及存储介质 |
CN109447140A (zh) * | 2018-10-19 | 2019-03-08 | 广州四十五度科技有限公司 | 一种基于神经网络深度学习的图像识别并推荐认知的方法 |
CN109784415A (zh) * | 2019-01-25 | 2019-05-21 | 北京地平线机器人技术研发有限公司 | 图像识别方法及装置、训练卷积神经网络的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111461228A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401344B (zh) | 人脸识别方法和装置及人脸识别***的训练方法和装置 | |
EP3968179A1 (en) | Place recognition method and apparatus, model training method and apparatus for place recognition, and electronic device | |
CN111368943B (zh) | 图像中对象的识别方法和装置、存储介质及电子装置 | |
CN110765882B (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
US20220237917A1 (en) | Video comparison method and apparatus, computer device, and storage medium | |
CN111488815A (zh) | 基于图卷积网络和长短时记忆网络的篮球比赛进球事件预测方法 | |
CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN113628059A (zh) | 一种基于多层图注意力网络的关联用户识别方法及装置 | |
CN114722937B (zh) | 一种异常数据检测方法、装置、电子设备和存储介质 | |
CN113536970A (zh) | 一种视频分类模型的训练方法及相关装置 | |
CN111124902A (zh) | 对象操作方法和装置、计算机可读的存储介质及电子装置 | |
CN110163201B (zh) | 图像测试方法和装置、存储介质及电子装置 | |
CN113688814B (zh) | 图像识别方法及装置 | |
CN111461228B (zh) | 图像推荐方法和装置及存储介质 | |
CN111626212B (zh) | 图片中对象的识别方法和装置、存储介质及电子装置 | |
CN110866866B (zh) | 图像仿色处理方法、装置、电子设备及存储介质 | |
CN111191065B (zh) | 一种同源图像确定方法及装置 | |
CN113706550A (zh) | 图像场景识别和模型训练方法、装置和计算机设备 | |
CN110472537B (zh) | 一种自适应识别方法、装置、设备及介质 | |
CN110516153B (zh) | 视频的智能推送方法和装置、存储介质及电子装置 | |
CN112749711B (zh) | 视频获取方法和装置及存储介质 | |
CN108038496A (zh) | 基于大数据与深度学习的婚恋对象匹配数据处理方法、装置、计算机设备和存储介质 | |
CN113822291A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN115082873A (zh) | 基于通路融合的图像识别方法、装置及存储介质 | |
CN113569886A (zh) | 网络结构调整方法、装置和存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40026385 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |