CN113191378A - 图像搜索的预测方法、装置和*** - Google Patents
图像搜索的预测方法、装置和*** Download PDFInfo
- Publication number
- CN113191378A CN113191378A CN202010036600.9A CN202010036600A CN113191378A CN 113191378 A CN113191378 A CN 113191378A CN 202010036600 A CN202010036600 A CN 202010036600A CN 113191378 A CN113191378 A CN 113191378A
- Authority
- CN
- China
- Prior art keywords
- model
- image
- searched
- machine learning
- domain model
- 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
- G06F18/24—Classification techniques
-
- 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
- G06F16/53—Querying
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种图像搜索的预测方法、装置和***。其中,该方法包括:利用源域模型进行领域自适应学习,训练得到目标域模型,其中,源域模型包括:至少两个网络模型,网络模型分别对应不同的商品类别;将待搜索图像和多个类别商品的样本集设置为目标域模型的输入参数,得到与待搜索图像对应的预测结果。本申请解决了现有技术采用类目预测的方式对图像进行预测的过程中存在预测不准确的技术问题。
Description
技术领域
本申请涉及图像检索领域,具体而言,涉及一种图像搜索的预测方法、装置和***。
背景技术
电子商务平台是建立在互联网上进行商务活动的电子平台,目前,电子商务平台不仅可以应用在企业的商务洽谈方面,还可应用在普通的商品交易方面。以商品交易为例,电子商务平台具有规模巨大、品类繁多的商品库,电子商务平台需要对商品库中的商品进行管理,通常,电子商务平台通过图像检索的方式对商品库中的商品进行管理。而图像特征提取(即图像向量化)是图像检索的第一步,通过高效的特征向量索引即可向电子商务平台返回同款商品,因此图像特征向量化的质量决定了整个检索***是否能够检索成功。
为了提高检索准确率,现有技术通常针对不同的商品类别采用不同的网络模型来提取特征,而这些网络模型结构通常相同,但采用不同类别的数据针对性训练,因此模型参数不同。例如,图1示出了现有技术的一种图像搜索的示意图,由图1可知,在现有技术中,在输入待搜索的图像之后,对待搜索的图像先进行CNN(Convolutional Neural Networks,卷积神经网络)模型的类目预测,以确定对待搜索的图像进行特征提取的网络模型,如在图1中,对待搜索的图像进行特征提取的网络模型包括衣服模型、鞋模型、包模型以及其他模型。在确定了网络模型之后,通过确定的网络模型对待搜索的图像进行特征提取,最后基于提取到的特征得到待搜索的图像对应的搜索结果。
然而,上述方案最终检索结果依赖于类目预测,如果类目预测的结果出现错误,例如,输入的待搜索的图像为衣服,但类目预测对应的网络模型为鞋模型,则在对衣服的待搜索的图像进行特征提取时,使用鞋模型进行特征提取,得到的特征可能存在不准确的问题,使得对待搜索的图像的搜索结果存在误差。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种图像搜索的预测方法、装置和***,以至少解决现有技术采用类目预测的方式对图像进行预测的过程中存在预测不准确的技术问题。
根据本申请实施例的一个方面,提供了一种图像搜索的预测方法,包括:利用源域模型进行领域自适应学习,训练得到目标域模型,其中,源域模型包括:至少两个网络模型,网络模型分别对应不同的商品类别;将待搜索图像和多个类别商品的样本集设置为目标域模型的输入参数,得到与待搜索图像对应的预测结果。
根据本申请实施例的一个方面,提供了一种图像搜索的预测方法,包括:获取待搜索图像和多个类别商品的样本集;利用目标域模型对待搜索图像和多个类别商品的样本集进行类目预测处理,得到多个备选结果;从多个备选结果中选取待输出的预测结果;其中,目标域模型是利用源域模型进行领域自适应学习所训练得到的网络模型,源域模型包括:至少两个网络模型,网络模型分别对应不同的商品类别。
根据本申请实施例的另一方面,还提供了一种图像搜索的预测装置,包括:训练模块,用于利用源域模型进行领域自适应学习,训练得到目标域模型,其中,源域模型包括:至少两个网络模型,网络模型分别对应不同的商品类别;处理模块,用于将待搜索图像和多个类别商品的样本集设置为目标域模型的输入参数,得到与待搜索图像对应的预测结果。
根据本申请实施例的一个方面,提供了一种图像搜索方法,包括:获取待搜索图像;将待搜索图像输入目标域机器学习模型,其中,目标域机器学习模型至少基于源域机器学习模型训练生成;通过目标域机器学习模型,获取待搜索图像的特征;基于特征,反馈与待搜索图像对应的图像搜索结果。
根据本申请实施例的一个方面,提供了一种图像处理方法,包括:获取待搜索图像;将待搜索图像输入第一粒度机器学习模型,其中,第一粒度机器学习模型至少基于第二粒度机器学习模型训练生成,第二粒度机器学习模型包括:多个机器学习子模型,机器学习子模型分别对应不同的商品类别;通过第一粒度机器学习模型,获取待搜索图像的待搜索特征;基于待搜索特征,得到与待搜索图像对应的图像搜索结果。
根据本申请实施例的一个方面,提供了一种网络模型融合方法,包括:获取初始粒度机器学习模型,其中,初始粒度机器学习模型包括:多个机器学习子模型,机器学习子模型分别对应不同的商品类别;对多个机器学习子模型中的至少部分机器学习子模型进行融合处理,生成目标粒度机器学习模型,其中,目标粒度机器学习模型用于根据待搜索图像中的待搜索特征得到与待搜索图像对应的图像搜索结果。
根据本申请实施例的另一方面,还提供了一种存储介质,该存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述的图像搜索的预测方法。
根据本申请实施例的另一方面,还提供了一种处理器,该处理器用于运行程序,其中,程序运行时执行上述的图像搜索的预测方法。
根据本申请实施例的另一方面,还提供了一种图像搜索的预测***,包括:输入设备,用于将待搜索图像输入至目标域模型中,其中,目标域模型为利用源域模型进行领域自适应学习训练得到的模型,源域模型包括:至少两个网络模型,网络模型分别对应不同的商品类别;处理设备,用于基于目标域模型对待搜索图像进行统一特征提取,得到多个备选结果,并对多个备选结果进行投票处理,选取投票最多的类别作为与待搜索图像对应的预测结果;显示设备,用于显示预测结果。
在本申请实施例中,采用基于领域自适应学习的方式,通过源域模型进行领域自适应学习,训练得到目标域模型,并将待搜索图像和多个类别商品的样本集设置为目标域模型的输入参数,得到与待搜索图像对应的预测结果。
由上述内容可知,本申请针对不同的商品类目使用统一的模型,即使用目标域模型来对待搜索图像进行预测,与现有技术相比,本申请不仅可以节省***的存储效率,还提高了目标域模型的泛化能力。另外,由于本申请并不是通过类目预测来确定对待搜索图像进行预测的模型,而是通过领域自学习方式通过使用多个类别商品的样本集的方式来对待搜索图像进行预测的,因此,本申请还可避免现有技术采用类目预测的方式对图像进行预测所导致的预测不准确的问题,提高了预测的准确性。
由此可见,本申请所提供的方案达到了对待搜索图像进行准确预测的目的,从而实现了提高待搜索图像预测的准确性的技术效果,进而解决了现有技术采用类目预测的方式对图像进行预测的过程中存在预测不准确的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据现有技术的一种图像搜索的示意图;
图2是根据本申请实施例的一种可选的用于实现图像搜索的预测方法的计算设备的硬件结构框图;
图3是根据本申请实施例的一种图像搜索的预测方法的流程图;
图4是根据本申请实施例的一种可选的图像搜索的预测方法的示意图;
图5是根据本申请实施例的一种可选的基于图像搜索的预测方法的场景示意图;
图6是根据本申请实施例的一种可选的训练目标域模型的示意图;
图7是根据本申请实施例的一种可选的神经网络模型的训练方法的示意图;
图8是根据本申请实施例的一种图像搜索的预测装置的示意图;
图9是根据本申请实施例的一种图像搜索的预测***的示意图;
图10是根据本申请实施例的一种种计算设备的结构框图;
图11是根据本申请实施例的一种图像搜索的预测方法的流程图;
图12是根据本申请实施例的一种图像搜索方法的流程图;
图13是根据本申请实施例的一种图像处理方法的流程图;以及
图14是根据本申请实施例的一种可选的基于图像处理方法的场景示意图;
图15是根据本申请实施例的一种网络模型融合方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请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,以便这里描述的本申请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。
首先,在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释:
CNN,Convolutional Neural Networks,卷积神经网络,一种用于图像识别的深度学习方法。
领域自适应(Domain Adaptation),指将分布不同的源域和目标域的数据映射到一个特征空间中,使其在该特征空间中的距离尽可能近,从而实现在特征空间中对源域训练的目标函数迁移到目标域中,以提高目标域预测的准确率。
领域自适应学习(Domain Adaptation Learning)是迁移学习(TransferLearning)中的一种代表性方法,其是指利用信息丰富的源域样本来提升目标域模型的性能。
实施例1
根据本申请实施例,还提供了一种图像搜索的预测方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算设备或者类似的运算装置中执行。图2示出了一种用于实现图像搜索的预测方法的计算设备(或移动设备)的硬件结构框图。如图2所示,计算设备10(或移动设备10)可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(BUS)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图2所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算设备10还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算设备10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的()方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104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,即实现上述的图像搜索的预测方法。存储器104可包括高速随机存储器,还可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104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算设备10。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。
传输装置106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计算设备10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算设备10(或移动设备)的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图2所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图2仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
在上述运行环境下,本申请提供了如图3所示的图像搜索的预测方法,其中,服务器可以作为本实施例的执行主体,在一种可选的场景中,终端设备(例如,PC机、智能手机等)也可作为本实施例的执行主体。需要说明的是,本实施例以服务器为执行主体进行解释说明。可选的,图3是根据本申请实施例一的图像搜索的预测方法的流程图,由图3可知,该方法包括如下步骤:
步骤S302,利用源域模型进行领域自适应学习,训练得到目标域模型,其中,源域模型包括:至少两个网络模型,网络模型分别对应不同的商品类别。
在一种可选的实施例中,图4示出了一种可选的图像搜索的预测方法的示意图,由图4可知,源域模型包括衣服模型、鞋模型、包模型、其他模型共四个网络模型。在本申请中,服务器通过领域自适应学习的方式将上述四个网络模型学习到一个统一的模型中,即目标域模型。
需要说明的是,多个网络模型还可对应相同的商品类别,例如,网络模型1和网络模型2对应的商品类别均为衣服;另外,多个商品类别还可对应相同的网络模型,例如,衣服、鞋以及包等商品类别对应的网络模型可以为服饰网络模型,手机、手表、相机、电脑等商品类别对应的网络模型可以为数码电子网络模型。
此外,还需要说明的是,领域自适应学习是迁移学习的一种,其可将不同领域的数据特征映射在同一个特征空间中,如图4中,将衣服模型、鞋模型、包模型、其他模型四个网络模型映射在目标域模型中,从而可以有效解决领域间数据分布的变化,减小了领域间的分布差异。
由此可见,在本申请中,由于采用领域自适应学习将源域模型的多个网络模型映射在目标域模型,无需再对待搜索图像进行类目预测,从而避免了类目预测出现错误时所导致的预测结果出错的问题。
步骤S304,将待搜索图像和多个类别商品的样本集设置为目标域模型的输入参数,得到与待搜索图像对应的预测结果。
在一种可选的实施例中,图5示出了一种可选的基于图像搜索的预测方法的场景示意图,其中,在图5中,51、52、53、54表示不同类别商品的样本集,可选的,50为鞋样本集,51为衣服样本集,52为包样本集,53为其他样本集。另外,在图5可知,待搜索图像和多个类别商品的样本集可以通过终端设备输入至服务器的目标域模型中,然后服务器的目标域模型对待搜索图像和多个类别商品的样本集进行特征提取,得到对待搜索图像进行预测的预测结果。例如,在图5中,对待搜索图像进行预测,得到的预测结果指示待搜索图像为鞋,此时,服务器可获取预测结果并将预测结果推送给终端设备,用户可通过终端设备的显示屏来获取与待搜索图像对应的预测结果,例如,在图5中的终端设备中显示与预测结果对应的文本信息“鞋”。进一步地,在确定待搜索图像对应的预测结果之后,用户可根据预测结果对待搜索图像进行管理,例如,在商品分类管理场景中,可将待搜索图像分类至鞋样本集中,当买家通过电子商务平台搜索鞋时,可展示该待搜索图像。
基于上述步骤S302至步骤S304所限定的方案,可以获知,采用基于领域自适应学习的方式,通过源域模型进行领域自适应学习,训练得到目标域模型,并将待搜索图像和多个类别商品的样本集设置为目标域模型的输入参数,得到与待搜索图像对应的预测结果。
容易注意到的是,本申请针对不同的商品类目使用统一的模型,即使用目标域模型来对待搜索图像进行预测,与现有技术相比,本申请不仅可以节省***的存储效率,还提高了目标域模型的泛化能力。另外,由于本申请并不是通过类目预测来确定对待搜索图像进行预测的模型,而是通过领域自学习方式通过使用多个类别商品的样本集的方式来对待搜索图像进行预测的,因此,本申请还可避免现有技术采用类目预测的方式对图像进行预测所导致的预测不准确的问题,提高了预测的准确性。
由此可见,本申请所提供的方案达到了对待搜索图像进行准确预测的目的,从而实现了提高待搜索图像预测的准确性的技术效果,进而解决了现有技术采用类目预测的方式对图像进行预测的过程中存在预测不准确的技术问题。
在一种可选的实施例中,服务器在对待搜索图像进行预测之前,需要获取目标域模型。具体的,服务器采用由图像数据集预训练成的模型对目标域模型进行初始化,得到初始模型参数,然后分别向源域模型和目标域模型输入样本图像数据,获取源域模型与目标域模型之间的损失函数的计算结果,最后基于计算结果对初始模型参数进行调整,得到目标模型参数。其中,损失函数用于控制源域模型与目标域模型在相同特征空间中的距离。
可选的,目标域模型的初始模型参数可以为现有的CNN结构的参数,只是参数值不同,其中,目标域模型的初始模型参数可以包括但不限于batch参数、学习率参数、卷积核尺寸、卷积层数量等。
需要说明的是,当损失函数最小时,表明源域模型与目标域模型在相同特征空间中的距离最近,此时,将损失函数最小时的目标域模型所对应的参数模型作为目标模型参数。
在一种可选的实施例中,图6示出了一种可选的训练目标域模型的示意图,由图6可知,服务器将样本图像数据分别输入至源域模型和目标域模型中,并获取源域模型与目标域模型之间的损失函数的计算结果。由图6可知,损失函数的计算结果与两个损失函数相关。
具体的,服务器首先计算第一特征向量与第二特征向量之间的距离,得到第一中间结果,并计算第一协方差矩阵与第二协方差矩阵之间的距离,得到第二中间结果,最后基于第一中间结果和第二中间结果获取计算结果。其中,第一特征向量是将样本图像数据输入至源域模型中对应类别的网络模型后生成的特征向量,第二特征向量是将样本图像数据输入至目标域模型后生成的特征向量,第一协方差矩阵为源域模型中指定中间层特征的协方差矩阵,第二协方差矩阵为目标域模型中指定中间层特征的协方差矩阵。
在上述过程中,将对源域模型中的多个网络模型进行特征提取所得到的特征作为第一特征向量vecsource,将对目标域模型进行特征提取所得到的特征作为第二目标向量vectarget,并将第一特征向量和第二特征向量作为L2损失函数的参数进行计算,得到第一中间结果L2,即L2满足下式:
L2=E[||vecsourec-vectarget||2]
需要说明的是,源域模型与目标域模型生成的特征向量通过L2损失函数可以保证目标域模型提取的特征与源域模型提取的尽可能一致。
另外,服务器通过计算第一协方差矩阵与第二协方差矩阵之间的距离,得到第二中间结果。具体的,服务器从与样本图像数据对应类别的网络模型的指定中间层获取第一协方差矩阵,以及从目标域模型的指定中间层获取第二协方差矩阵,并采用第一协方差矩阵、第二协方差矩阵以及指定中间层特征维度计算得到第二中间结果。
可选的,如图6所示,指定中间层为卷积层,在类别网络模型的指定中间层与目标域模型的指定中间层中设置CORAL损失函数,通过在二阶统计量进行对齐来限制源域模型和目标域模型在相同特征空间中的距离,使得目标域模型更好收敛。其中,第二中间结果满足下式:
在上式中,Lcoral为第二中间结果,Csource,Ctarget分别表示第一协方差矩阵和第二协方差矩阵,d为指定中间层特征维度,其中,中间卷积层特征可经过池化操作,再经过全连接层映射到100维。
需要说明的是,指定中间层可以为不同的层,也可以使用多层。
进一步地,在得到第一中间结果和第二中间结果之后,服务器可基于第一中间结果和第二中间结果获取计算结果。具体的,服务器计算预设比例系数与第二中间结果的乘积结果,然后计算第一中间结果与乘积结果的和值,得到计算结果,即计算结果满足下式:
L=L2+γLcoral
在上式中,L为计算结果,γ为用于L2损失函数和CORAL损失函数之间的参数。
通过上述方法服务器可得到计算结果,并基于计算结果对初始模型参数进行调整,得到目标模型参数,从而实现了目标域模型的训练。在得到目标域模型之后,服务器基于目标域模型对待搜索图像进行预测。具体的,服务器将待搜索图像和多个类别商品的样本集设置为输入参数,进行统一特征提取处理,得到多个备选结果,然后再对多个备选结果进行投票处理,选取投票最多的类别作为预测结果。
可选的,图7示出了一种可选的神经网络模型的训练方法的示意图,由图7可知,服务器在获取待搜索图像之后,将待搜索图像和多个类别商品的样本集输入至目标域模型中,然后通过目标域模型对待搜索图像和多个类别商品的样本集进行统一特征提取,得到多个备选结果,例如,在图7中搜索到了20个备选结果,然后基于KNN(K-Nearest Neighbor,K最近邻)算法对多个备选结果进行投票处理,得到投票最多的类别作为预测结果。
由上述内容可知,本申请所提供的方案可在不牺牲准确率的前提下,针对不同的商品类目,学习到统一的目标域模型,该过程仅需存储一个模型来提取特征,不仅节省了***的存储效率,还提高了模型的泛化能力。另外,本申请通过KNN搜索的方式对训练得到的目标域模型进行类目预测,由于KNN算法主要通过周围有限的邻近的样本,而不是通过判别类域的方法来确定所属类别,因此对于类域的交叉或重叠较多的待分样本集来说,KNN算法较其他方法更为适合,可以很好的与CNN模型进行互补。
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,本申请并不受所描述的动作顺序的限制,因为依据本申请,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申请所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的图像搜索的预测方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
实施例2
根据本申请实施例,还提供了一种图像搜索的预测方法,需要说明的是,在本实施例中,服务器可作为本实施例的执行主体。如图11所示,该方法包括如下步骤:
步骤S1102,获取待搜索图像和多个类别商品的样本集。
在一种可选的实施例中,用户可通过终端设备(例如,电脑)将待搜索图像和多个类别商品的样本集同时输入中服务器中,从而服务器可得到待搜索图像和多个类别商品的样本集。
在另一种可选的实施例中,用户可通过终端设备(例如,电脑)将待搜索图像输入中服务器中,同时服务器可通过大数据技术获取多个类别商品的样本集。另外,多个类别商品的样本集还可存储在预设的存储服务器中,当服务器需要对待搜索图像进行预测时,直接从预设的存储服务器中获取多个类别商品的样本集。
步骤S1104,利用目标域模型对待搜索图像和多个类别商品的样本集进行类目预测处理,得到多个备选结果。
在步骤S1104中,目标域模型是利用源域模型进行领域自适应学习所训练得到的网络模型,其中,源域模型包括:至少两个网络模型,网络模型分别对应不同的商品类别。例如,在图4中,源域模型包括衣服模型、鞋模型、包模型、其他模型共四个网络模型。在本申请中,服务器通过领域自适应学习的方式将上述四个网络模型学习到一个统一的模型中,即目标域模型。
需要说明的是,多个网络模型还可对应相同的商品类别,例如,网络模型1和网络模型2对应的商品类别均为衣服;另外,多个商品类别还可对应相同的网络模型,例如,衣服、鞋以及包等商品类别对应的网络模型可以为服饰网络模型,手机、手表、相机、电脑等商品类别对应的网络模型可以为数码电子网络模型。
在一种可选的实施例中,服务器在获取到待搜索图像以及多个类别商品的样本集之后,将待搜索图像以及多个类别商品的样本集作为目标域模型的输入参数,通过目标域模型对待搜索图像以及多个类别商品的样本集进行统一特征提取,得到多个备选结果。其中,多个备选结果可以为特征相似度大于预设相似度的类别商品,也可以为按照特征相似度的大小进行排序,所选出的前N个类别商品。
步骤S1106,从多个备选结果中选取待输出的预测结果。
在步骤S106中,在得到多个备选结果之后,服务器可对多个备选结果进行投票处理,选取投票最多的类别作为预测结果,并将预测结果输出至终端设备,用户可通过终端设备的显示屏直观地获取与待搜索图像对应的预测结果。
可选的,服务器可基于KNN算法对多个备选结果进行投票处理,得到投票最多的类别作为预测结果。其中,在KNN算法中,如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。容易注意到的是,由于KNN算法主要通过周围有限的邻近的样本,而不是通过判别类域的方法来确定所属类别,因此对于类域的交叉或重叠较多的待分样本集来说,KNN算法较其他方法更为适合,可以很好的与CNN模型进行互补。
由上述内容可知,本申请针对不同的商品类目使用统一的模型,即使用目标域模型来对待搜索图像进行预测,与现有技术相比,本申请不仅可以节省***的存储效率,还提高了目标域模型的泛化能力。另外,由于本申请并不是通过类目预测来确定对待搜索图像进行预测的模型,而是通过领域自学习方式通过使用多个类别商品的样本集的方式来对待搜索图像进行预测的,因此,本申请还可避免现有技术采用类目预测的方式对图像进行预测所导致的预测不准确的问题,提高了预测的准确性。
由此可见,本申请所提供的方案达到了对待搜索图像进行准确预测的目的,从而实现了提高待搜索图像预测的准确性的技术效果,进而解决了现有技术采用类目预测的方式对图像进行预测的过程中存在预测不准确的技术问题。
在一种可选的实施例中,服务器在对待搜索图像进行预测之前,需要获取目标域模型。具体的,服务器采用由图像数据集预训练成的模型对目标域模型进行初始化,得到初始模型参数,然后分别向源域模型和目标域模型输入样本图像数据,获取源域模型与目标域模型之间的损失函数的计算结果,最后基于计算结果对初始模型参数进行调整,得到目标模型参数。其中,损失函数用于控制源域模型与目标域模型在相同特征空间中的距离。
需要说明的是,在上述过程中,计算结果可满足下式:
L=L2+γLcoral
其中,L为计算结果,γ为用于L2损失函数和CORAL损失函数之间的参数,L2为L2损失函数(即第一中间结果),Lcoral为CORAL损失函数(即第二中间结果)。
可选的,L2满足下式:
L2=E[||vecsource-vectarget||2]
其中,vecsource为对源域模型中的多个网络模型进行特征提取所得到的第一特征向量,vectarget为对目标域模型进行特征提取所得到的第二目标向量。
可选的,Lcoral满足下式:
其中,Csource,Ctarget分别表示与样本图像数据对应类别的网络模型的指定中间层获取的第一协方差矩阵和从目标域模型的指定中间层获取的第二协方差矩阵,d为指定中间层特征维度。
需要说明的是,在本实施例中,对目标域模型训练的过程与实施例1中所涉及的训练过程相同,相关内容已在实施例1中进行说明,在此不再赘述。
实施例3
根据本申请实施例,还提供了一种图像搜索方法,需要说明的是,在本实施例中,服务器可作为本实施例的执行主体。如图12所示,该方法包括如下步骤:
步骤S1202,获取待搜索图像。
在一种可选的实施例中,用户可通过终端设备(例如,电脑)将待搜索图像输入中服务器中,从而服务器可得到待搜索图像。
在另一种可选的实施例中,用户还可通过终端设备将待搜索图像的地址发送至服务器,服务器从该地址处获取待搜索图像。
步骤S1204,将待搜索图像输入目标域机器学习模型,其中,目标域机器学习模型至少基于源域机器学习模型训练生成。
在步骤S1204中,目标域机器学习模型可利用源域机器学习模型进行领域自适应学习得到,其中,源域机器学习模型包括:至少两个网络模型,网络模型分别对应不同的商品类别。例如,源域机器学习模型可以包括衣服模型、鞋模型、包模型、其他模型等学习模型。
需要说明的是,多个网络模型还可对应相同的商品类别,例如,网络模型1和网络模型2对应的商品类别均为衣服;另外,多个商品类别还可对应相同的网络模型,例如,衣服、鞋以及包等商品类别对应的网络模型可以为服饰网络模型,手机、手表、相机、电脑等商品类别对应的网络模型可以为数码电子网络模型。
步骤S1206,通过目标域机器学习模型,获取待搜索图像的特征。
在步骤S1206中,服务器在将待搜索图像输入至目标域机器学习模型之后,目标域机器学习模型对待搜索图像进行特征提取,得到待搜索图像的特征。
步骤S1208,基于特征,反馈与待搜索图像对应的图像搜索结果。
在步骤S1208中,在得到待搜索图像的特征之后,服务器对待搜索图像的特征进行识别处理,从而得到图像搜索结果。
在一种可选的实施例中,服务器对待搜索图像的特征进行识别处理,可以得到多个图像搜索结果,然后服务器再对多个图像搜索结果进行投票处理,将投票最多的图像搜索结果作为待搜索图像对应的目标搜索结果。其中,多个图像搜索结果可以为特征相似度大于预设相似度的类别商品,也可以为按照特征相似度的大小进行排序,所选出的前N个类别商品。
可选的,服务器可基于KNN算法对多个图像搜索结果进行投票处理,得到投票最多的类别作为预测结果。其中,在KNN算法中,如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。容易注意到的是,由于KNN算法主要通过周围有限的邻近的样本,而不是通过判别类域的方法来确定所属类别,因此对于类域的交叉或重叠较多的待分样本集来说,KNN算法较其他方法更为适合,可以很好的与CNN模型进行互补。
由上述内容可知,本申请针对不同的商品类目使用统一的模型,即使用目标域机器学习模型来对待搜索图像进行预测,与现有技术相比,本申请不仅可以节省***的存储效率,还提高了目标域机器学习模型的泛化能力。另外,由于本申请并不是通过类目预测来确定对待搜索图像进行预测的模型,而是通过领域自学习方式对待搜索图像进行预测的,因此,本申请还可避免现有技术采用类目预测的方式对图像进行预测所导致的预测不准确的问题,提高了预测的准确性。
由此可见,本申请所提供的方案达到了对待搜索图像进行准确预测的目的,从而实现了提高待搜索图像预测的准确性的技术效果,进而解决了现有技术采用类目预测的方式对图像进行预测的过程中存在预测不准确的技术问题。
需要说明的是,在本实施例中,训练目标域机器学习模型的过程与实施例1中所提供的方法相同,在此不再赘述。
实施例4
根据本申请实施例,还提供了一种图像处理方法,需要说明的是,在本实施例中,计算设备可作为本实施例的执行主体。如图13所示,该方法包括如下步骤:
步骤S1302,获取待搜索图像。
在一种可选的实施例中,本实施例的执行主体计算设备可以为终端设备(例如,电脑),用户可通过计算设备的输入部件向计算设备输入待搜索图像,从而计算设备可得到待搜索图像。如图14所示的一种可选的基于图像处理方法的场景示意图,用户将待搜索图像输入至计算设备中,计算设备即可得到待搜索图像,并对待搜索图像进行处理,然后输出处理后的结果。
在另一种可选的实施例中,用户还可通过计算设备将待搜索图像的地址发送至服务器,服务器从该地址处获取待搜索图像,然后再将待搜索图像发送至计算设备,从而使得计算设备能够获取到待搜索图像。
步骤S1304,将待搜索图像输入第一粒度机器学习模型,其中,第一粒度机器学习模型至少基于第二粒度机器学习模型训练生成,第二粒度机器学习模型包括:多个机器学习子模型,机器学习子模型分别对应不同的商品类别。
在步骤S1304中,第一粒度机器学习模型可以为但不限于目标域模型,第二粒度机器学习模型可以为但不限于源域模型。
另外,第一粒度机器学习模型可利用第二粒度机器学习模型进行领域自适应学习得到,其中,第二粒度机器学习模型包括:至少两个网络模型,网络模型分别对应不同的商品类别。例如,第二粒度机器学习模型可以包括衣服模型、鞋模型、包模型、其他模型等学习模型。
需要说明的是,多个网络模型还可对应相同的商品类别,例如,网络模型1和网络模型2对应的商品类别均为衣服;另外,多个商品类别还可对应相同的网络模型,例如,衣服、鞋以及包等商品类别对应的网络模型可以为服饰网络模型,手机、手表、相机、电脑等商品类别对应的网络模型可以为数码电子网络模型。
步骤S1306,通过第一粒度机器学习模型,获取待搜索图像的待搜索特征。
可选的,如图14所示,计算设备在得到待搜索图像之后,将待搜索图像输入至第一粒度机器学习模型,然后第一粒度机器学习模型对待搜索图像进行特征提取,得到待搜索图像的特征。由图14可知,第一粒度机器学习模型由第二粒度机器学习模型训练生成,其中,第二粒度机器学习模型包括多个机器学习子模型,例如,图14中的第二粒度机器学习模型1、第二粒度机器学习模型N。
步骤S1308,基于待搜索特征,得到与待搜索图像对应的图像搜索结果。
可选的,如图14所示,在得到待搜索图像的待搜索特征之后,计算设备将待搜索特征输入至搜索模块中,以使搜索模块对待搜索图像的待搜索特征进行识别处理,从而得到图像搜索结果。
在一种可选的实施例中,计算设备对待搜索图像的特征进行识别处理,可以得到多个图像搜索结果,然后计算设备再对多个图像搜索结果进行投票处理,将投票最多的图像搜索结果作为待搜索图像对应的目标搜索结果。其中,多个图像搜索结果可以为特征相似度大于预设相似度的类别商品,也可以为按照特征相似度的大小进行排序,所选出的前N个类别商品。
可选的,计算设备可基于KNN算法对多个图像搜索结果进行投票处理,得到投票最多的类别作为预测结果。其中,在KNN算法中,如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。容易注意到的是,由于KNN算法主要通过周围有限的邻近的样本,而不是通过判别类域的方法来确定所属类别,因此对于类域的交叉或重叠较多的待分样本集来说,KNN算法较其他方法更为适合,可以很好的与CNN模型进行互补。
进一步地,如图14所示,在待搜索模块基于待搜索特征,得到与待搜索图像对应的图像搜索结果之后,计算设备输出图像搜索结果,以使用户能够直观的查看图像搜索结果,如在图14中,计算设备显示出待搜索图像对应的图像搜索结果为鞋。
由上述内容可知,本申请针对不同的商品类目使用统一的模型,即使用第一粒度机器学习模型来对待搜索图像进行预测,与现有技术相比,本申请不仅可以节省***的存储效率,还提高了第一粒度机器学习模型的泛化能力。另外,由于本申请并不是通过类目预测来确定对待搜索图像进行预测的模型,而是通过领域自学习方式对待搜索图像进行预测的,因此,本申请还可避免现有技术采用类目预测的方式对图像进行预测所导致的预测不准确的问题,提高了预测的准确性。
由此可见,本申请所提供的方案达到了对待搜索图像进行准确预测的目的,从而实现了提高待搜索图像预测的准确性的技术效果,进而解决了现有技术采用类目预测的方式对图像进行预测的过程中存在预测不准确的技术问题。
需要说明的是,在本实施例中,训练第一粒度机器学习模型的过程与实施例1中训练目标域模型的方法相同,在此不再赘述。
实施例5
根据本申请实施例,还提供了一种网络模型融合方法,需要说明的是,在本实施例中,服务器可作为本实施例的执行主体。如图15所示,该方法包括如下步骤:
步骤S1502,获取初始粒度机器学习模型。
在步骤S1502中,初始粒度机器学习模型包括:多个机器学习子模型,机器学习子模型分别对应不同的商品类别,例如,初始粒度机器学习模型可以包括衣服模型、鞋模型、包模型、其他模型等机器学习子模型。可选的,初始粒度机器学习模型可以为但不限于源域模型。
需要说明的是,多个机器学习子模型还可对应相同的商品类别,例如,子模型1和子模型2对应的商品类别均为衣服;另外,多个商品类别还可对应相同的机器学习子模型,例如,衣服、鞋以及包等商品类别对应的机器学习子模型可以为服饰模型,手机、手表、相机、电脑等商品类别对应的子模型可以为数码电子模型。
步骤S1504,对多个机器学习子模型中的至少部分机器学习子模型进行融合处理,生成目标粒度机器学习模型,其中,目标粒度机器学习模型用于根据待搜索图像中的待搜索特征得到与待搜索图像对应的图像搜索结果。
在步骤S1504中,目标粒度机器学习模型可以为但不限于目标域模型。可选的,目标粒度机器学习模型可利用初始粒度机器学习模型进行领域自适应学习得到。
需要说明的是,领域自适应学习是迁移学习的一种,其可将不同领域的数据特征映射在同一个特征空间中,例如,可将衣服模型、鞋模型、包模型、其他模型四个子模型映射在目标粒度机器学习模型中,从而可以有效解决领域间数据分布的变化,减小了领域间的分布差异。
进一步地,在得到目标粒度机器学习模型之后,计算设备可将待搜索图像输入至目标粒度机器学习模型中,然后通过目标粒度机器学习模型获取待搜索图像的待搜索特征,最后基于待搜索特征,得到与待搜索图像对应的图像搜索结果。
可选的,计算设备对待搜索图像的特征进行识别处理,可以得到多个图像搜索结果,然后计算设备再对多个图像搜索结果进行投票处理,将投票最多的图像搜索结果作为待搜索图像对应的目标搜索结果。其中,多个图像搜索结果可以为特征相似度大于预设相似度的类别商品,也可以为按照特征相似度的大小进行排序,所选出的前N个类别商品。
由此可见,在本申请中,由于采用领域自适应学习将初始粒度机器学习模型的多个机器学习子模型映射在目标粒度机器学习模型,无需再对待搜索图像进行类目预测,从而避免了类目预测出现错误时所导致的预测结果出错的问题。
由上述内容可知,本申请针对不同的商品类目使用统一的模型,即使用目标粒度机器学习模型来对待搜索图像进行预测,与现有技术相比,本申请不仅可以节省***的存储效率,还提高了目标粒度机器学习模型的泛化能力。另外,由于本申请并不是通过类目预测来确定对待搜索图像进行预测的模型,而是通过领域自学习方式对待搜索图像进行预测的,因此,本申请还可避免现有技术采用类目预测的方式对图像进行预测所导致的预测不准确的问题,提高了预测的准确性。
由此可见,本申请所提供的方案达到了对待搜索图像进行准确预测的目的,从而实现了提高待搜索图像预测的准确性的技术效果,进而解决了现有技术采用类目预测的方式对图像进行预测的过程中存在预测不准确的技术问题。
在一种可选的实施例中,对多个机器学习子模型中的至少部分机器学习子模型进行融合处理,生成的目标粒度机器学习模型可能为多个,此时,需要从多个目标粒度机器学习模型中进行选择。具体的,服务器首先对多个机器学习子模型中的至少部分机器学习子模型进行融合处理,生成多个备选粒度机器学习模型,然后通过可视化界面展示多个备选粒度机器学习模型,最后,响应于可视化界面接收到的控制操作,从多个备选粒度机器学习模型中选取目标粒度机器学习模型。
可选的,如果机器学习子模型的数量为8个,则服务器可对8个机器学习子模型进行任意组合,从而得到多个备选粒度机器学习模型,例如,服务器可将8个机器学习子模型进行融合处理,得到一个备选粒度机器学习模型;服务器还可从8个机器学习子模型中任意选取一个或多个,然后将选取到的机器学习子模型进行融合处理,得到其他的备选粒度机器学习模型。
进一步的,在得到多个备选粒度学习模型之后,服务器可将多个备选粒度学习模型推送至计算设备,计算设备具有显示屏,该显示屏可显示可视化界面,该可视化界面可显示多个备选粒度机器学习模型,由此,用户可通过对可视化界面中的多个备选粒度机器学习模型进行选择,从而得到目标粒度机器学习模型。可选的,用户可根据经验或者使用需求来从多个备选粒度机器学习模型中选择目标粒度机器学习模型。
需要说明的是,通过对可视化界面进行操控,用户可选取适合需求的目标粒度机器学习模型进行图像搜索,相比于现有技术仅能采用单一的、固定的机器学习模型,本申请所提供的方案更具有灵活性。
实施例6
根据本申请实施例,还提供了一种用于实施上述图像搜索的预测方法的图像搜索的预测装置,如图8所示,该装置80包括:训练模块801以及处理模块803。
其中,训练模块801,用于利用源域模型进行领域自适应学习,训练得到目标域模型,其中,源域模型包括:至少两个网络模型,网络模型分别对应不同的商品类别;处理模块803,用于将待搜索图像和多个类别商品的样本集设置为目标域模型的输入参数,得到与待搜索图像对应的预测结果。
此处需要说明的是,上述训练模块801以及处理模块803对应于实施例1中的步骤S302至步骤S304,两个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例一提供的计算设备10中。
可选的,多个网络模型对应相同的商品类别,或者,多个商品类别对应相同的网络模型。
在一种可选的实施例中,训练模块包括:第一处理模块、第一获取模块以及调整模块。其中,第一处理模块,用于采用由图像数据集预训练成的模型对目标域模型进行初始化,得到初始模型参数;第一获取模块,用于分别向源域模型和目标域模型输入样本图像数据,获取源域模型与目标域模型之间的损失函数的计算结果,其中,损失函数用于控制源域模型与目标域模型在相同特征空间中的距离;调整模块,用于基于计算结果对初始模型参数进行调整,得到目标模型参数。
在一种可选的实施例中,第一获取模块包括:第一计算模块、第二计算模块以及第二获取模块。其中,第一计算模块,用于计算第一特征向量与第二特征向量之间的距离,得到第一中间结果,其中,第一特征向量是将样本图像数据输入至源域模型中对应类别的网络模型后生成的特征向量,第二特征向量是将样本图像数据输入至目标域模型后生成的特征向量;第二计算模块,用于计算第一协方差矩阵与第二协方差矩阵之间的距离,得到第二中间结果,其中,第一协方差矩阵为源域模型中指定中间层特征的协方差矩阵,第二协方差矩阵为目标域模型中指定中间层特征的协方差矩阵;第二获取模块,用于基于第一中间结果和第二中间结果获取计算结果。
在一种可选的实施例中,第二计算模块包括:第三获取模块以及第三计算模块。其中,第三获取模块,用于从与样本图像数据对应类别的网络模型的指定中间层获取第一协方差矩阵,以及从目标域模型的指定中间层获取第二协方差矩阵;第三计算模块,用于采用第一协方差矩阵、第二协方差矩阵以及指定中间层特征维度计算得到第二中间结果。
在一种可选的实施例中,第二获取模块包括:第四计算模块以及第五计算模块。其中,第四计算模块,用于计算预设比例系数与第二中间结果的乘积结果;第五计算模块,用于计算第一中间结果与乘积结果的和值,得到计算结果。
在一种可选的实施例中,处理模块包括:第二处理模块以及第三处理模块。其中,第二处理模块,用于将待搜索图像和多个类别商品的样本集设置为输入参数,进行统一特征提取处理,得到多个备选结果;第三处理模块,用于对多个备选结果进行投票处理,选取投票最多的类别作为预测结果。
实施例7
根据本申请实施例,还提供了一种用于实施上述图像搜索的预测方法的图像搜索的预测***,如图9所示,该***包括:输入设备901、处理设备903以及显示设备905。
其中,输入设备,用于将待搜索图像输入至目标域模型中,其中,目标域模型为利用源域模型进行领域自适应学习训练得到的模型,源域模型包括:至少两个网络模型,网络模型分别对应不同的商品类别;处理设备,用于基于目标域模型对待搜索图像进行统一特征提取,得到多个备选结果,并对多个备选结果进行投票处理,选取投票最多的类别作为与待搜索图像对应的预测结果;显示设备,用于显示预测结果。
需要说明的是,上述输入设备可以与显示设备集成在一起,例如,上述输入设备和显示设备可以集成在具有显示屏的PC机中。另外,输入设备与显示设备也可以为两个不同的设备。
由上可知,采用基于领域自适应学习的方式,通过源域模型进行领域自适应学习,训练得到目标域模型,并将待搜索图像和多个类别商品的样本集设置为目标域模型的输入参数,得到与待搜索图像对应的预测结果。
容易注意到的是,本申请针对不同的商品类目使用统一的模型,即使用目标域模型来对待搜索图像进行预测,与现有技术相比,本申请不仅可以节省***的存储效率,还提高了目标域模型的泛化能力。另外,由于本申请并不是通过类目预测来确定对待搜索图像进行预测的模型,而是通过领域自学习方式通过使用多个类别商品的样本集的方式来对待搜索图像进行预测的,因此,本申请还可避免现有技术采用类目预测的方式对图像进行预测所导致的预测不准确的问题,提高了预测的准确性。
由此可见,本申请所提供的方案达到了对待搜索图像进行准确预测的目的,从而实现了提高待搜索图像预测的准确性的技术效果,进而解决了现有技术采用类目预测的方式对图像进行预测的过程中存在预测不准确的技术问题。
需要说明的是,本实施例中的处理设备可执行实施例1中的图像搜索的预测方法,相关内容已在实施例1中进行说明,在此不再赘述。
实施例8
本申请的实施例可以提供一种计算设备,该计算设备可以是计算设备群中的任意一个计算设备。可选地,在本实施例中,上述计算设备也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述计算设备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。
在本实施例中,上述计算设备可以执行图像搜索的预测方法中以下步骤的程序代码:利用源域模型进行领域自适应学习,训练得到目标域模型,其中,源域模型包括:至少两个网络模型,网络模型分别对应不同的商品类别;将待搜索图像和多个类别商品的样本集设置为目标域模型的输入参数,得到与待搜索图像对应的预测结果。
可选地,图10是根据本申请实施例的一种计算设备的结构框图。如图10所示,该计算设备10可以包括:一个或多个(图中仅示出一个)处理器1002、存储器1004以及外设接口1006。
其中,存储器可用于存储软件程序以及模块,如本申请实施例中的安全漏洞检测方法和装置对应的程序指令/模块,处理器通过运行存储在存储器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***漏洞攻击的检测方法。存储器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,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算设备10。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。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:利用源域模型进行领域自适应学习,训练得到目标域模型,其中,源域模型包括:至少两个网络模型,网络模型分别对应不同的商品类别;将待搜索图像和多个类别商品的样本集设置为目标域模型的输入参数,得到与待搜索图像对应的预测结果。
可选的,上述处理器还可以执行如下步骤的程序代码:采用由图像数据集预训练成的模型对目标域模型进行初始化,得到初始模型参数;分别向源域模型和目标域模型输入样本图像数据,获取源域模型与目标域模型之间的损失函数的计算结果,其中,损失函数用于控制源域模型与目标域模型在相同特征空间中的距离;基于计算结果对初始模型参数进行调整,得到目标模型参数。
可选的,上述处理器还可以执行如下步骤的程序代码:计算第一特征向量与第二特征向量之间的距离,得到第一中间结果,其中,第一特征向量是将样本图像数据输入至源域模型中对应类别的网络模型后生成的特征向量,第二特征向量是将样本图像数据输入至目标域模型后生成的特征向量;计算第一协方差矩阵与第二协方差矩阵之间的距离,得到第二中间结果,其中,第一协方差矩阵为源域模型中指定中间层特征的协方差矩阵,第二协方差矩阵为目标域模型中指定中间层特征的协方差矩阵;基于第一中间结果和第二中间结果获取计算结果。
可选的,上述处理器还可以执行如下步骤的程序代码:从与样本图像数据对应类别的网络模型的指定中间层获取第一协方差矩阵,以及从目标域模型的指定中间层获取第二协方差矩阵;采用第一协方差矩阵、第二协方差矩阵以及指定中间层特征维度计算得到第二中间结果。
可选的,上述处理器还可以执行如下步骤的程序代码:计算预设比例系数与第二中间结果的乘积结果;计算第一中间结果与乘积结果的和值,得到计算结果。
可选的,上述处理器还可以执行如下步骤的程序代码:将待搜索图像和多个类别商品的样本集设置为输入参数,进行统一特征提取处理,得到多个备选结果;对多个备选结果进行投票处理,选取投票最多的类别作为预测结果。
本领域普通技术人员可以理解,图10所示的结构仅为示意,计算设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet 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,计算设备10还可包括比图10中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图10所示不同的配置。
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(RandomAccess Memory,RAM)、磁盘或光盘等。
实施例9
本申请的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述实施例一所提供的图像搜索的预测方法所执行的程序代码。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算设备群中的任意一个计算设备中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:利用源域模型进行领域自适应学习,训练得到目标域模型,其中,源域模型包括:至少两个网络模型,网络模型分别对应不同的商品类别;将待搜索图像和多个类别商品的样本集设置为目标域模型的输入参数,得到与待搜索图像对应的预测结果。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:采用由图像数据集预训练成的模型对目标域模型进行初始化,得到初始模型参数;分别向源域模型和目标域模型输入样本图像数据,获取源域模型与目标域模型之间的损失函数的计算结果,其中,损失函数用于控制源域模型与目标域模型在相同特征空间中的距离;基于计算结果对初始模型参数进行调整,得到目标模型参数。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:计算第一特征向量与第二特征向量之间的距离,得到第一中间结果,其中,第一特征向量是将样本图像数据输入至源域模型中对应类别的网络模型后生成的特征向量,第二特征向量是将样本图像数据输入至目标域模型后生成的特征向量;计算第一协方差矩阵与第二协方差矩阵之间的距离,得到第二中间结果,其中,第一协方差矩阵为源域模型中指定中间层特征的协方差矩阵,第二协方差矩阵为目标域模型中指定中间层特征的协方差矩阵;基于第一中间结果和第二中间结果获取计算结果。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:从与样本图像数据对应类别的网络模型的指定中间层获取第一协方差矩阵,以及从目标域模型的指定中间层获取第二协方差矩阵;采用第一协方差矩阵、第二协方差矩阵以及指定中间层特征维度计算得到第二中间结果。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:计算预设比例系数与第二中间结果的乘积结果;计算第一中间结果与乘积结果的和值,得到计算结果。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:将待搜索图像和多个类别商品的样本集设置为输入参数,进行统一特征提取处理,得到多个备选结果;对多个备选结果进行投票处理,选取投票最多的类别作为预测结果。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,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,所揭露的技术内容,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,例如所述单元的划分,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。
所述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,在本申请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。
所述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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请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一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (16)
1.一种图像搜索的预测方法,其特征在于,包括:
利用源域模型进行领域自适应学习,训练得到目标域模型,其中,所述源域模型包括:至少两个网络模型,所述网络模型分别对应不同的商品类别;
将待搜索图像和多个类别商品的样本集设置为所述目标域模型的输入参数,得到与所述待搜索图像对应的预测结果。
2.根据权利要求1所述的方法,其特征在于,多个网络模型对应相同的商品类别,或者,多个商品类别对应相同的网络模型。
3.根据权利要求1所述的方法,其特征在于,利用所述源域模型进行领域自适应学习,训练得到所述目标域模型包括:
采用由图像数据集预训练成的模型对所述目标域模型进行初始化,得到初始模型参数;
分别向所述源域模型和所述目标域模型输入样本图像数据,获取所述源域模型与所述目标域模型之间的损失函数的计算结果,其中,所述损失函数用于控制所述源域模型与所述目标域模型在相同特征空间中的距离;
基于所述计算结果对所述初始模型参数进行调整,得到目标模型参数。
4.根据权利要求3所述的方法,其特征在于,分别向所述源域模型和所述目标域模型输入所述样本图像数据,获取所述计算结果包括:
计算第一特征向量与第二特征向量之间的距离,得到第一中间结果,其中,所述第一特征向量是将所述样本图像数据输入至所述源域模型中对应类别的网络模型后生成的特征向量,所述第二特征向量是将所述样本图像数据输入至所述目标域模型后生成的特征向量;
计算第一协方差矩阵与第二协方差矩阵之间的距离,得到第二中间结果,其中,所述第一协方差矩阵为所述源域模型中指定中间层特征的协方差矩阵,所述第二协方差矩阵为所述目标域模型中指定中间层特征的协方差矩阵;
基于所述第一中间结果和所述第二中间结果获取所述计算结果。
5.根据权利要求4所述的方法,其特征在于,计算所述第一协方差矩阵与所述第二协方差矩阵之间的距离,得到所述第二中间结果包括:
从与所述样本图像数据对应类别的网络模型的指定中间层获取所述第一协方差矩阵,以及从所述目标域模型的指定中间层获取所述第二协方差矩阵;
采用所述第一协方差矩阵、所述第二协方差矩阵以及指定中间层特征维度计算得到所述第二中间结果。
6.根据权利要求4所述的方法,其特征在于,基于所述第一中间结果和所述第二中间结果获取所述计算结果包括:
计算预设比例系数与所述第二中间结果的乘积结果;
计算所述第一中间结果与所述乘积结果的和值,得到所述计算结果。
7.根据权利要求1所述的方法,其特征在于,将所述待搜索图像和所述多个类别商品的样本集设置为所述输入参数,得到所述预测结果包括:
将所述待搜索图像和所述多个类别商品的样本集设置为所述输入参数,进行统一特征提取处理,得到多个备选结果;
对所述多个备选结果进行投票处理,选取投票最多的类别作为所述预测结果。
8.一种图像搜索的预测方法,其特征在于,包括:
获取待搜索图像和多个类别商品的样本集;
利用目标域模型对所述待搜索图像和所述多个类别商品的样本集进行类目预测处理,得到多个备选结果;
从所述多个备选结果中选取待输出的预测结果;
其中,所述目标域模型是利用源域模型进行领域自适应学习所训练得到的网络模型,所述源域模型包括:至少两个网络模型,所述网络模型分别对应不同的商品类别。
9.一种图像搜索的预测装置,其特征在于,包括:
训练模块,用于利用源域模型进行领域自适应学习,训练得到目标域模型,其中,所述源域模型包括:至少两个网络模型,所述网络模型分别对应不同的商品类别;
处理模块,用于将待搜索图像和多个类别商品的样本集设置为所述目标域模型的输入参数,得到与所述待搜索图像对应的预测结果。
10.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至8中任意一项所述的图像搜索的预测方法。
11.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至8中任意一项所述的图像搜索的预测方法。
12.一种图像搜索的预测***,其特征在于,包括:
输入设备,用于将待搜索图像输入至目标域模型中,其中,所述目标域模型为利用源域模型进行领域自适应学习训练得到的模型,所述源域模型包括:至少两个网络模型,所述网络模型分别对应不同的商品类别;
处理设备,用于基于所述目标域模型对所述待搜索图像进行统一特征提取,得到多个备选结果,并对所述多个备选结果进行投票处理,选取投票最多的类别作为与所述待搜索图像对应的预测结果;
显示设备,用于显示所述预测结果。
13.一种图像搜索方法,其特征在于,包括:
获取待搜索图像;
将所述待搜索图像输入目标域机器学习模型,其中,所述目标域机器学习模型至少基于源域机器学习模型训练生成;
通过所述目标域机器学习模型,获取所述待搜索图像的特征;
基于所述特征,反馈与所述待搜索图像对应的图像搜索结果。
14.一种图像处理方法,其特征在于,包括:
获取待搜索图像;
将所述待搜索图像输入第一粒度机器学习模型,其中,所述第一粒度机器学习模型至少基于第二粒度机器学习模型训练生成,所述第二粒度机器学习模型包括:多个机器学习子模型,所述机器学习子模型分别对应不同的商品类别;
通过所述第一粒度机器学习模型,获取所述待搜索图像的待搜索特征;
基于所述待搜索特征,得到与所述待搜索图像对应的图像搜索结果。
15.一种网络模型融合方法,其特征在于,包括:
获取初始粒度机器学习模型,其中,所述初始粒度机器学习模型包括:多个机器学习子模型,所述机器学习子模型分别对应不同的商品类别;
对所述多个机器学习子模型中的至少部分机器学习子模型进行融合处理,生成目标粒度机器学习模型,其中,所述目标粒度机器学习模型用于根据待搜索图像中的待搜索特征得到与所述待搜索图像对应的图像搜索结果。
16.根据权利要求15所述的方法,其特征在于,对所述多个机器学习子模型中的至少部分机器学习子模型进行融合处理,生成所述目标粒度机器学习模型包括:
对所述多个机器学习子模型中的至少部分机器学习子模型进行融合处理,生成多个备选粒度机器学习模型;
通过可视化界面展示所述多个备选粒度机器学习模型;
响应于所述可视化界面接收到的控制操作,从所述多个备选粒度机器学习模型中选取所述目标粒度机器学习模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010036600.9A CN113191378A (zh) | 2020-01-14 | 2020-01-14 | 图像搜索的预测方法、装置和*** |
US17/147,643 US20210216913A1 (en) | 2020-01-14 | 2021-01-13 | Prediction method, apparatus, and system for performing an image search |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010036600.9A CN113191378A (zh) | 2020-01-14 | 2020-01-14 | 图像搜索的预测方法、装置和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191378A true CN113191378A (zh) | 2021-07-30 |
Family
ID=76760511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010036600.9A Pending CN113191378A (zh) | 2020-01-14 | 2020-01-14 | 图像搜索的预测方法、装置和*** |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210216913A1 (zh) |
CN (1) | CN113191378A (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11544503B2 (en) * | 2020-04-06 | 2023-01-03 | Adobe Inc. | Domain alignment for object detection domain adaptation tasks |
CN114491342B (zh) * | 2022-01-26 | 2023-09-22 | 阿里巴巴(中国)有限公司 | 个性化模型的训练方法、信息显示方法及设备 |
CN115240394B (zh) * | 2022-09-22 | 2022-12-20 | 国网湖北省电力有限公司经济技术研究院 | 一种变电站事故油池水位监测预警方法及*** |
CN116071636B (zh) * | 2023-03-30 | 2023-07-07 | 南京邮电大学 | 商品图像检索方法 |
CN117197613B (zh) * | 2023-09-07 | 2024-04-09 | 上海乐元素世界科技有限公司 | 一种训练图像质量预测模型、图像质量预测的方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10296846B2 (en) * | 2015-11-24 | 2019-05-21 | Xerox Corporation | Adapted domain specific class means classifier |
US11664820B2 (en) * | 2019-09-25 | 2023-05-30 | Nokia Technologies Oy | Domain adaptation |
-
2020
- 2020-01-14 CN CN202010036600.9A patent/CN113191378A/zh active Pending
-
2021
- 2021-01-13 US US17/147,643 patent/US20210216913A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20210216913A1 (en) | 2021-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191378A (zh) | 图像搜索的预测方法、装置和*** | |
CN108681743B (zh) | 图像对象识别方法和装置、存储介质 | |
CN111310056A (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
CN110910199B (zh) | 项目信息的排序方法、装置、计算机设备及存储介质 | |
CN111523010A (zh) | 推荐方法、装置、终端设备及计算机存储介质 | |
CN110321958A (zh) | 神经网络模型的训练方法、视频相似度确定方法 | |
CN110647921A (zh) | 一种用户行为预测方法、装置、设备及存储介质 | |
CN113191478A (zh) | 神经网络模型的训练方法、装置和*** | |
CN112528164B (zh) | 一种用户协同过滤召回方法及装置 | |
CN114398973B (zh) | 一种媒体内容标签识别方法、装置、设备及存储介质 | |
CN111126457A (zh) | 信息的获取方法和装置、存储介质和电子装置 | |
CN114637920A (zh) | 对象推荐方法以及装置 | |
CN108563648B (zh) | 数据显示方法和装置、存储介质及电子装置 | |
CN112866797B (zh) | 一种视频处理方法、装置、电子设备及存储介质 | |
CN113761352A (zh) | 信息推送方法、装置、设备和存储介质 | |
CN114913444A (zh) | 视频的处理方法及装置、数据的训练方法、装置及*** | |
CN108388886A (zh) | 图像场景识别的方法、装置、终端和计算机可读存储介质 | |
CN112434746A (zh) | 基于层次化迁移学习的预标注方法及其相关设备 | |
CN111507788A (zh) | 数据推荐方法、装置、存储介质及处理器 | |
CN114139052B (zh) | 用于智能推荐的排序模型训练方法、智能推荐方法及装置 | |
CN111597296A (zh) | 商品数据的处理方法、装置和*** | |
CN116128581A (zh) | 物品推荐方法和*** | |
CN115618126A (zh) | 搜索处理方法、***、计算机可读存储介质及计算机设备 | |
CN114996578A (zh) | 模型训练方法、目标对象选取方法、装置及电子设备 | |
CN114677190A (zh) | 视觉素材的处理方法、装置和***、计算机终端 |
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 |