CN114662175A - 智能设计生成结果的ai筛选方法、***、设备及介质 - Google Patents
智能设计生成结果的ai筛选方法、***、设备及介质 Download PDFInfo
- Publication number
- CN114662175A CN114662175A CN202210339904.1A CN202210339904A CN114662175A CN 114662175 A CN114662175 A CN 114662175A CN 202210339904 A CN202210339904 A CN 202210339904A CN 114662175 A CN114662175 A CN 114662175A
- Authority
- CN
- China
- Prior art keywords
- data
- materials
- effective
- comparison
- original
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013461 design Methods 0.000 title claims description 41
- 239000000463 material Substances 0.000 claims abstract description 359
- 230000000694 effects Effects 0.000 claims abstract description 52
- 239000002994 raw material Substances 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 13
- 239000011149 active material Substances 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 17
- 238000006243 chemical reaction Methods 0.000 description 7
- 239000003086 colorant Substances 0.000 description 7
- 238000001914 filtration Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010043417 Therapeutic response unexpected Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for CAD
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0276—Advertisement creation
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Architecture (AREA)
- Human Computer Interaction (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种智能设计生成结果的AI筛选方法、***、设备及介质,包括步骤投放效果较好的有效素材,基于特征分析规则,提取并储存有效素材的有效特征数据;当接收到新设计的多个原始素材时,获取每个原始素材的特征数据并与所有的有效特征数据进行相似度比对,得到比对结果;基于比对结果,将所有原始素材的名称数据根据相似度数据进行排序并发送至运营终端;当接收到来自运营终端的选择指令时,从选择指令中获取名称数据,并将名称数据对应的原始素材发送至运营终端。本申请具有原始素材筛选的工作更为简便,提升工作效率的效果。
Description
技术领域
本申请涉及素材设计的技术领域,尤其是涉及一种智能设计生成结果的AI筛选方法、***、设备及介质。
背景技术
随着互联网科技的迅速发展,作为互联网广告投放的素材也随之快速更新迭代,为了满足素材的快速更换,目前通过采用智能设计程序,可以实现将各种基础素材智能合并、拼接、裁剪,最终生成大量原始素材以供运营商进行选择投放。
由于生成原始素材量大,需运营商进行过滤和人工审核,且对运营商要求较高,需要有大量素材投放的经验运营人员,根据历史投放效果对素材的搭配、位置以及色彩组合等特征作出预判,才可以选择出投放效果比较好的素材;因此,原始素材筛选的工作较为繁琐且难度较大,使得工作效率低。
发明内容
为了便于运营商筛选出投放效果较好的原始素材,提升工作效率,本申请提供了一种智能设计生成结果的AI筛选方法、***、设备及介质。
本申请的上述发明目的一是通过以下技术方案得以实现的:
一种智能设计生成结果的AI筛选方法,包括步骤:
获取投放效果较好的有效素材,基于特征分析规则,提取并储存有效素材的有效特征数据;
当接收到新设计的多个原始素材时,获取每个原始素材的特征数据并与所有的有效特征数据进行相似度比对,得到比对结果;
基于比对结果,将所有原始素材的名称数据根据相似度数据进行排序并发送至运营终端;
当接收到来自运营终端的选择指令时,从选择指令中获取名称数据,并将名称数据对应的原始素材发送至运营终端。
通过采用上述技术方案,获取投放效果较好的有效素材,进一步将有效素材进行特征拆分,得到有效特征数据,并将新的原始素材的特征数据与有效特征数据进行相似度比对,通过相似度数据,原始素材相似度与有效素材的相似度越高,则证明原始素材与目前投放效果好的素材高度相似,则能够便于预判投放效果好的新素材,而相似度越低的,则证明原始素材与目前投放效果好的素材差别巨大,可预测其为投放效果差的新素材,因此,通过将所有原始素材的名称数据按照相似度进行排序,并发送至运营终端,可帮助运营人员在新的原始素材中快速选择投放效果好的素材进行投放,减轻了运营人员对于投放效果的人工预判的工作量,使得投放效果好的素材筛选工作更为简便,提升工作效率的目的。
本申请在一较佳实施例中,所述当接收到新设计的多个原始素材时,获取每个原始素材的特征数据并与所有的有效特征数据进行相似度比对,得到比对结果的步骤之后,包括:
基于比对结果,将与原始素材最相似的有效素材的标记关联至该原始素材;
当接收到来自运营终端的筛选条件数据时,获取与筛选条件数据关联的标记;
筛选出所获取标记关联的原始素材;
将所筛选的原始素材的名称数据和对应的相似度数据发送至运营终端。
通过采用上述技术方案:原始素材在与所有的有效素材对比之后,将最相似的有效素材的标记信息,关联至该新的原始素材,使得原始素材具有与最接相似效素材一致的标记,便于运营终端的工作人员进行标记的筛选,而当运营终端输入筛选条件数据时,筛选条件数据直接关联标记,并通过标记找到对应的原始素材,使得运营终端能够根据自身需求、或者按标记的区分来进行原始素材的筛查,便于运营终端精查找到符合自身需求的投放效果好的原始素材,原始素材的筛选工作效率进一步提升。
本申请在一较佳示例中:所述获取投放效果较好的有效素材,基于特征分析规则,提取并储存有效素材的有效特征数据的步骤之前,包括:
获取现有的多个投放素材;
基于预设的用于筛选出投放效果好的素材的业务规则,对多个投放素材进行筛选,得到有效素材;
基于分类规则将有效素材进行分类,基于分类的标签信息生成标记。
通过采用上述技术方案,获取现有大量投放素材利用预设的业务规则进行筛选,即能够筛选出目前月消耗大、点击率、转化率高的有效素材,使得有效素材的获取更为可靠;将有效素材进行分类并形成标记,即标记表示有效素材的分类信息,而原始素材拥有最接近的有效素材的分类信息,则更为方便运营终端能选择对应的原始素材,即便于运营终端按照需求选择具体的投放效果。
本申请在一较佳实施例中,当接收到新设计的多个原始素材时,获取每个原始素材的特征数据并与所有的有效特征数据进行相似度比对,得到比对结果的步骤,包括:
当接收到新设计的多个原始素材时,获取原始素材的特征数据;
依据所选的若干不同的对比规则,将特征数据与所有的有效特征数据按照不同的对比规则进行相似度比对,得到不同的对比规则生成的分数值;
基于若干分数值和不同对比规则预设的权重系数,生成原始素材的相似度数据。
通过采用上述技术方案,在进行特征比对时,采用了多种且不同的对比规则进行特征的比对,得到将不同对比规则比对得到对应的分数值,并且每个对比规则配置一定的权重系数,使得特征数据与有效特征数据的比对结果更为准确可靠;特征的比对更为多样性且所占权重不同,进而更有利于运营终端精准地找寻投放效果好的原始素材。
本申请在一较佳实施例中,所述不同的对比规则包括:汉明距离对比规则、直方图对比规则、二进制对比规则以及哈希算法对比规则;所述基于若干分数值和不同对比规则预设的权重系数,生成原始素材的相似度数据的步骤,包括:
获取原始素材和有效素材的灰度像素比较数组和汉明距离,通过汉明距离对比规则计算得到分数值,匹配的权重系数为30%;
获取原始素材和有效素材的灰度直方图,通过直方图对比规则计算得到分数值,匹配的权重系数为20%;
获取原始素材和有效素材的二进制码,通过二进制对比规则计算得到分数值,匹配的权重系数为20%;
获取原始素材和有效素材的哈希数组,通过哈希算法对比规则计算饿到分数值,匹配的权重系数为30%;
基于汉明距离对比规则、直方图对比规则、二进制对比规则以及哈希算法对比规则各自计算得到的分数值及对应的权重系数,计算得到相似度数据。
通过采用上述技术方案,通过汉明距离对比规则、直方图对比规则、二进制对比规则以及哈希算法对比规则四种不同维度的对比规则,将原始素材灰度化,实现数据的降维,使得特征的比较更为简便,多个方面进行原始素材和有效素材的相似度比对,通过给不同的对比规则配置不同的权重系数,深入考虑不同对比规则对于结果的影响,使得相似度数据的计算更为精准;同时,对比规则也可任意进行组合搭配使用。
本申请在一较佳示例中:将所筛选的原始素材的名称数据和对应的相似度数据发送至运营终端的步骤之前,包括:
获取所筛选的原始素材的相似度数据,依据相似度数据从高至低的顺序,对原始素材进行排序。
通过采用上述技术方案,运营终端基于筛选条件数据筛选出匹配的原始素材后,原始素材依据相似度数据由高至低进行排序,便于运营终端的工作人员在其筛选分类的前提下,快速获取排序靠前的投放效果好的原始素材。
本申请在一较佳示例中:将所筛选的原始素材的名称数据和对应的相似度数据发送至运营终端的步骤之后,包括:
获取运营终端所选择投放的原始素材,作为新的投放素材;
基于业务规则,对新的投放素材进行筛选;
若新的投放素材符合业务规则,则提取新的投放素材的特征数据作为有效特征数据并进行储存。
通过采用上述技术方案,将运营终端最终选择投放的原始素材进行记录储存,并再次经过业务规则的筛选,将符合业务规则的所选择投放的原始素材作为新的有效素材,即不断收集新的投放效果好的素材,获取其有效特征数据作为参数,能够不断优化原始素材与有效素材特征比对的准确性,进行使得投放效果的预判更为精准。
本申请的上述发明目的二是通过以下技术方案得以实现的:
一种智能设计生成结果的AI筛选***,包括:
特征提取模块,获取投放效果较好的有效素材,基于特征分析规则,提取并储存有效素材的有效特征数据;
AI筛选模块,用于当接收到新设计的多个原始素材时,获取每个原始素材的特征数据并与所有的有效特征数据进行相似度比对,得到比对结果;
结果发送模块,基于比对结果,将所有原始素材的名称数据根据相似度数据进行排序并发送至运营终端;
素材发送模块,用于当接收到来自运营终端的选择指令时,从选择指令中获取名称数据,并将名称数据对应的原始素材发送至运营终端。
通过采用上述技术方案,获取投放效果较好的有效素材,进一步将有效素材进行特征拆分,得到有效特征数据,并将新的原始素材的特征数据与有效特征数据进行相似度比对,通过相似度数据,原始素材相似度与有效素材越高,则证明原始素材与目前投放效果好的素材高度相似,则其有更大的概率会成为目前的投放效果好的新素材,而相似度越低的,则证明原始素材与目前投放效果好的素材差别巨大,其成为目前投放效果好的概率也会大幅减少,因此,通过将所有原始素材的名称数据按照相似度进行排序,并发送至运营终端,可帮助运营人员在新的原始素材中快速选择投放效果好的素材进行投放,减轻了运营人员对于投放效果的人工审核的难度,使得投放效果好的素材筛选工作更为简便,提升工作效率的目的。
本申请的上述目的三是通过以下技术方案得以实现的:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中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上述智能设计生成结果的AI筛选方法的步骤。
本申请的上述目的四是通过以下技术方案得以实现的:
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述智能设计生成结果的AI筛选方法的步骤。
综上所述,本申请包括以下至少一种有益技术效果:
1.通过发送元素素材的名称数据和对应的相似度数据,可帮助运营人员在新的原始素材中快速选择投放效果好的素材进行投放,减轻了运营人员对于投放效果的人工审核的难度,使得投放效果好的素材筛选工作更为简便,提升工作效率的目的;
2.通过标记找到对应的原始素材,使得运营终端能够根据自身需求、或者按标记的区分来进行原始素材的筛查,便于运营终端精查找到符合自身需求的投放效果好的原始素材,原始素材的筛选工作效率进一步提升;
3.将有效素材进行分类并形成标记,即标记表示有效素材的分类信息,而原始素材拥有最接近的有效素材的分类信息,则更为方便运营终端能选择对应的原始素材,即便于运营终端按照需求选择具体的投放效果。
附图说明
图1是本申请智能设计生成结果的AI筛选方法实施例的一实现流程图;
图2是申请智能设计生成结果的AI筛选方法实施例的另一实现流程图;
图3是申请智能设计生成结果的AI筛选方法实施例的另一实现流程图;
图4是申请智能设计生成结果的AI筛选方法实施例的另一实现流程图;
图5是本申请智能设计生成结果的AI筛选方法实施例的另一实现流程图;
图6是本申请智能设计生成结果的AI筛选方法实施例的另一实现流程图;
图7是本申请智能设计生成结果的AI筛选***有效素材获取流程图;
图8是本申请智能设计生成结果的AI筛选***AI筛选模块筛选流程图;
图9是本申请智能设计生成结果的AI筛选***的运作流程图;
图10是本申请一种计算机设备的原理框图。
具体实施方式
以下结合附图1-10对本申请作进一步详细说明。
在以实施例中,如图1所示,本申请公开了一种智能设计生成结果的AI筛选方法,具体包括如下步骤:
S10:获取投放效果较好的有效素材,基于特征分析规则,提取并储存有效素材的有效特征数据;
在本实施例中,有效素材是指基于运营终端工作人员自身设定的条件,筛选出的符合一定的月消耗、点击率,转化率、下载量及转发量等等的视频或图片素材。
特征分析规则包括对视频素材和图片素材的分析规则,是指用于拆分并提取图片素材或视频素材的特征信息的规则方法;有效特征数据是指有效素材的特征信息。
具体的,获取目前在网络平台上投放效果比较好的素材,经过筛选得到有效素材。根据特征分析规则提取有效素材的特征信息,作为有效特征数据,进一步的,将有效特征信息进行储存。
S20:当接收到新设计的多个原始素材时,获取每个原始素材的特征数据并与所有的有效特征数据进行相似度比对,得到比对结果;
在本实施例中,新设计的原始素材是指由智能设计程序或软件自动合并、拼接、裁剪得到的素材;获取原始素材的特征数据即通过特征分析规则得到,特征比对即指特征信息的相似度、符合程度的比对。
比对结果中包括参与比对的所有原始素材名称数据、原始素材与所有的有效素材的相似度数据;
在本实施例中,当接收到来自智能设计程序生成的新一批原始素材时,通过特征分析规则获取到原始素材的特征数据并逐个与有效特征数据进行比对,得到比对结果。
S30:基于比对结果,将所有原始素材的名称数据根据相似度数据进行排序并发送至运营终端;
在本实施中,若运营终端针对完成比对的原始素材未进行筛选时,则将原始素材按照投放效果最大化的顺序进行排序;即将原始素材按照与其最相似的有效素材的月消耗、点击率,转化率、下载量及转发量等由高至低进行排序。
相似度数据是指原始素材与最相似的有效素材的相似程度百分比。
运营终端是指有投放素材需求的运营人员所使用的PC端或移动终端。
具体的,基于每个原始素材与所有的有效素材的比对结果,获取每个原始素材的名称数据,进一步的,获取每个原始素材最相似的有效素材的相似度百分比,依据相似度百分比以及效素材的月消耗、点击率,转化率、下载量及转发量等由高至低对所有的原始素材进行排序。
S40:当接收到来自运营终端的选择指令时,从选择指令中获取名称数据,并将名称数据对应的原始素材发送至运营终端。
在本实施例中,选择指令是指运营终端选择任一名称数据的触发指令,例如点击名称数据或将光标悬浮停留在名称数据处等。
具体的,当接收到来自运营终端发出的用于选择任一名称数据的触发指令时,从触发指令中获取到运营终端选择的名称数据,并基于名称数据将对应的原始素材发送至运营终端。
在一实施例中,参照图2,步骤S20之后,包括:
S21:基于比对结果,将与原始素材最相似的有效素材的标记关联至该原始素材;
S22:当接收到来自运营终端的筛选条件数据时,获取与筛选条件数据关联的标记;
S23:筛选出所获取标记关联的原始素材;
S24:将所筛选的原始素材的名称数据和对应的相似度数据发送至运营终端。
在本实施例中,标记用于区分有效素材的类型,标记为有效素材的类别名称或与有效素材类别名称具有映射关系的字符数据。
筛选条件数据是指运营终端发出的用于筛选有效素材类别的条件数据,筛选条件数据可以是与标记相同的字符数据,或与标记的字符数据具有映射关系的字符数据。
具体的,原始素材在与所有的有效素材对比之后,将最为相似的有效素材的标记信息,关联至该新的原始素材,使得原始素材具有与最接近有效素材一致的标记或产生映射关系。
进一步的,通过筛选条件数据获取到标记,再通过标记获取到关联的原始素材,使得运营终端能够根据自身需求、或者按标记的区分来进行原始素材的筛查,便于运营终端精查找到符合自身需求的投放效果好的原始素材。
在一实施例中,参照图3,步骤S10之前,包括步骤:
S01:获取现有的多个投放素材。
S02:基于预设的用于筛选出投放效果好的素材的业务规则,对多个投放素材进行筛选,得到有效素材;
S03:基于分类规则将有效素材进行分类,基于分类的标签信息生成标记。
在本实施例中,投放素材则是目前在电子数据平台上投放的素材。
业务规则使用Drools开源规则引擎制定,业务规则设置有多种,能够根据不同的行业和客户设置指定的特殊指标到规则引擎中,用于筛选原始素材。例如选择月消耗大于100万,点击率大于0.3,转化率大于0.5及有效点击数量等投放效果好的规则进行筛选,则有效素材即指月消耗大于100万,点击率大于0.3,转化率大于0.5的投放素材。
标记是从有效素材分类的标识数据中获取;标记类别标签数据包括但不限于素材的色彩搭配(主色调、冷暖色);元素位置;外观轮廓;投放渠道,即电子媒体(今日头条、微信、快手、抖音等),素材消耗指标(例如消耗数据按照 100 万进行分档、点击率按照 0.1进行分档、转化率按照 0.1 进行分档、转化成本按照200 元进行分档)、素材属性(例如故事性、专业性、排版、背景&元素、利益点、表现手法等)、客户自定义指标(自定义ROI分档、有效点击量和下载量的分档)等信息。
具体的,获取目前电子数据平台上投放的素材,基于预设的业务规则,对多个投放素材进行筛选,将符合业务规则的原始素材作为投放效果好的有效素材。
进一步的,有效素材筛选出来后,对有效素材进行分类,并将每个有效素材关联对应的标记,同个有效素材能够关联多个对应的类别标签数据。
在一实施例中,参照图4,步骤S10具体包括步骤:
S11:若判断有效素材为图像数据,则将有效素材输入图像处理模型,得到图像特征数据;
S12:若判断有效素材为视频数据,则将有效素材输入视频处理模型,得到视频特征数据;
S13:将图像特征数据或视频特征数据进行数据降维处理,得到有效特征数据;
S14:将图像特征数据或视频特征数据存储在分布式文件***中。
在本实施例中,图像处理模型是指基于深度学习中的卷机神经网络所训练得到的模型,图像处理模型预设有滤波算法,能够自适应中值滤波、高斯滤波、双边滤波、导向滤波,实现对图像的特征提取;图像特征数据包括位置特征、方向特征、局部外观轮廓或边缘轮廓特征。
视频处理模型是指通过Video Swin Transformer进行视频分析及分类;使用TRN、LSTM进行视频帧融合,时序信息的处理分析,提取视频的特征;视频数据特征包括固定维度的视频片段空间特征、时间维度特征、注意力特征、主体行为特征等。
数据降维处理是指将获取到的视频特征数据或图像特征数据等高纬度特征数据进行降维,即将高维度的数据保留下最重要的一些特征,去除噪声和不重要的特征,使用主成分分析算法(PCA),在尽量保证数据不丢失的情况下,对视频特征数据或图像特征数据进行降维,尽可能将视频特征数据或图像特征数据往具有最大投影信息量的维度上进行投影。
数据降维处理的计算过程:获取视频特征数据或图像特征数据进行数据投影后,去除平均值,计算协方差矩阵,计算协方差矩阵的特征值和特征向量,将特征值排序,保留前N个最大的特征值对应的特征向量,然后将其对应的N个特征向量分别作为行向量组成新的特征向量矩阵,利用新的特征向量矩阵重构新的图像特征数据,作为后期分析比较的基础参数数据进行保存和使用。
分布式文件***是指 Hadoop ***。
具体的,首先接收到有效素材时,判断有效素材为图片数据或视频数据,若为图片数据则输入至图像处理模型中,图像处理模型通过滤波算法提取到有效素材的位置特征、方向特征、局部外观轮廓或边缘轮廓特征,若有效素材为视频数据,则通过Video SwinTransformer进行视频分析提取固定维度的视频片段空间特征、时间维度特征、注意力特征、主体行为特征;
进一步的,将获取到的特征进行降维处理,保留重要的特征以及去除噪声,得到有效特征数据并储存在分布式文件***中。
进一步的,由于素材包括了图像以及视频两种形式,对不同形式的有效素材以不同方式进行处理,扩大了应用的范围,同时也提高了有效素材的处理效率;得到图像特征数据或视频特征数据后,将两者均进行降为处理,高维度的数据保留下最重要的一些特征,去除噪声和不重要的特征,从而实现提升数据处理速度的目的。
在一实施例中,参照图5,步骤S20具体包括步骤:
S201:当接收到新设计的多个原始素材时,获取原始素材的特征数据;
S202:依据所选的若干不同的对比规则,将特征数据与所有的有效特征数据按照不同的对比规则进行相似度比对,得到不同的对比规则生成的分数值;
S203:基于若干分数值和不同对比规则预设的权重系数,生成原始素材的相似度数据。
在本实施例中,相似度数据等于所有对比规则得到的分数乘以各自规则对应的权重系数,再将乘以权重系数后的若干分数相加除以100。
具体的,在进行特征比对时,采用了多种且不同的对比规则进行特征的比对,得到将不同对比规则比对得到对应的分数值,并且每个对比规则配置一定的权重系数,使得特征数据与有效特征数据的比对结果更为准确可靠;特征的比对更为多样性且所占权重不同,进而更有利于运营终端精准地找寻投放效果好的原始素材。
在一实施例中,所述不同的对比规则包括:汉明距离对比规则、直方图对比规则、二进制对比规则以及哈希算法对比规则;参照图6,所述步骤S203包括步骤:
S2031:获取原始素材和有效素材的灰度像素比较数组和汉明距离,通过汉明距离对比规则计算得到分数值,匹配的权重系数为30%;
S2032:获取原始素材和有效素材的灰度直方图,通过直方图对比规则计算得到分数值,匹配的权重系数为20%;
S2033:获取原始素材和有效素材的二进制码,通过二进制对比规则计算得到分数值,匹配的权重系数为20%;
S2034:获取原始素材和有效素材的哈希数组,通过哈希算法对比规则计算饿到分数值,匹配的权重系数为30%;
S2035:基于汉明距离对比规则、直方图对比规则、二进制对比规则以及哈希算法对比规则各自计算得到的分数值及对应的权重系数,计算得到相似度数据。
在本实施例中,由于目前图片是由RGB三原色构成,每个像素点是一个由这三个颜色组成的一个list。而RGB 三个颜色中每个颜色值都是用8个比特来表示,大小范围是0~255(2^8 - 1),就一共有256*256*256种颜色。并且作为一个像素类似于这样的数值:[253255 255] 是不利于简单比较的,肉眼看着类似的颜色,但是它的三个颜色分布可能相差很多。
所以将它灰度化,用256个不同的灰色表示现有的图片。由于现在用一种灰色表示三种颜色,原来每个像素是一个list现在就降维成一个数值,数值的大小还是比较容易比较的。
若干个不同的对比规则分别为汉明距离对比规则:获取灰度像素的比较数组、获取两个图片的汉明距离、通过汉明距离计算相似度,具体为转换图片/视频关键帧为灰度像素数组,获取平均灰度颜色,获取灰度像素的比较数组(即图像指纹序列);使用得到的灰度像素的比较数组为参数,获取比较对象的汉明距离(可以使用指数曲线调整相似度结果),通过汉明距离计算相似度,取值范围 [0.0, 1.0],最终得到相似精度,汉明距离对比规则比对的权重系数为30%;
直方图对比规则:通过图形学当中的直方图的概念比较(计算得到特征数据以及有效特征数据的灰度直方图,就是不同灰度的像素的数量,图像编码后每个像素都会得到对应的灰度属性,比较原始素材和有效素材的直方图数据,得到对应的相似度结果,直方图对比规则比较的权重系数为 20%;
二进制对比规则:转换图片/视频关键帧为二进制码,比较像素(读取特征数据并转换为二维数组保存像素对应的RGB二进制值,使用保存的有效特征数据中的像素值进行比较得到相似度结果,二进制对比规则比较的权重系数为20%;
哈希算法对比规则:感知哈希算法(均值哈希算法)比较原始素材和有效素材的相似性(将比较对象调整到指定的尺寸,计算哈希数组;创建保存图像指纹的二值化矩阵;先转换到灰度图像数据,然后进行二值化处理(把数组元素转换为无符号整数后计算均值),把处理后的字符串类型的指纹数据转为字节数组,把字节数组指纹数据按位压缩,从压缩格式的指纹数据创建哈希比较对象,比较指纹相似度,得到对应的相似度结果;哈希算法对比规则比较的权重系数为30%。
具体的,当***接到新一批的原始素材时,将原始素材进行特征分析得到原始素材的特征数据,进一步将特征数据与有效特征数据依据汉明距离对比规则、直方图对比规则、二进制对比规则以及哈希算法对比规则依次进行比对;
进一步的,每个对比规则得到的分数值再乘以权重系数,再将乘以权重系数后的分数相加除以100,得到相似度数据,即相似度百分比。
进一步的,每个经过对比的原始素材通过标记均关联有分数以及排序的序号信息。
在一实施例中,步骤S24之前,具体包括步骤:
S241:获取所筛选的原始素材的相似度数据,依据相似度数据从高至低的顺序,对原始素材进行排序。
具体的,完成特征比对的所有原始素材均发送至运营终端,若此时接收到来自运营终端的筛选条件数据时,依据筛选条件数据筛选出运营终端所选择的有效素材的标记,并将标记所对应的所有原始素材发送至运营终端,被发送至运营终端的素材按照相似度数据排序。
在一实施例中,步骤S52之后,具体包括步骤:
S53:获取运营终端所选择投放的原始素材,作为新的投放素材;
S54:基于业务规则,对新的投放素材进行筛选;
S55:若新的投放素材符合业务规则,则提取新的投放素材的特征数据作为有效特征数据并进行储存。
具体的,获取运营终端最终选择投放的原始素材进行储存,并经过业务规则的筛选,将符合业务规则的所选择投放的原始素材作为新的有效素材,即不断收集新的投放效果好的投放素材,获取其有效特征数据作为参数,能够不断优化原始素材与有效素材特征对比的准确性,进行使得投放效果的预判更为精准。
在一实施例中,获取现有的1000个投放素材,根据业务规则筛选出月消耗超过100万,点击率超过0.5的投放素材,作为有效素材,并基于特征分析规则分析得到有效特征数据。
运营终端挑选50个基础素材并输入至智能设计程序中,智能设计程序***接收到新一批100个原始素材,将100个原始素材进行特征分析,得到100份特征数据,将100份特征数据逐一与有效特征数据按照汉明距离对比规则、直方图对比规则、二进制对比规则以及哈希算法对比规则进行比对,得到的四个对比规则给出的分数再乘以权重系数,最后将四个乘以权重系数后得到的分数相加除以100,将得到的数值作为该原始素材的相似度数据,并将100个原始素材按照相似度数据从高到低进行排序。
当接收到运营终端发出的筛选条件数据时,该筛选条件数据为在抖音点击率超过O.6的原始素材,则筛选出抖音平台点击率大于或等于0.6的原始素材发送至运营终端。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一实施例中,提供一种智能设计生成结果的AI筛选***,该智能设计生成结果的AI筛选***装置与上述实施例中智能设计生成结果的AI筛选***方法对应。该智能设计生成结果的AI筛选***包括:
特征提取模块,获取投放效果较好的有效素材,基于特征分析规则,提取并储存有效素材的有效特征数据;
AI筛选模块,用于当接收到新设计的多个原始素材时,获取每个原始素材的特征数据并与所有的有效特征数据进行相似度比对,得到比对结果;
结果发送模块,基于比对结果,将所有原始素材的名称数据根据相似度数据进行排序并发送至运营终端;
素材发送模块,用于当接收到来自运营终端的选择指令时,从选择指令中获取名称数据,并将名称数据对应的原始素材发送至运营终端。
可选的,AI筛选模块还包括:
标记子模块,用于基于比对结果,将与原始素材最相似的有效素材的标记关联至该原始素材。
筛选子模块,用于用于当接收到来自运营终端的筛选条件数据时,获取与筛选条件数据关联的标记;
标记关联子模块,用于筛选出所获取标记关联的原始素材;
筛选发送子模块,用于将所筛选的原始素材的名称数据和对应的相似度数据发送至运营终端。
可选的,智能设计生成结果的AI筛选***还包括:
素材获取模块,用于获取现有的多个投放素材;
业务规则模块,用于基于预设的用于筛选出投放效果好的素材的业务规则,对多个投放素材进行筛选,得到有效素材;
素材分类模块,用于基于分类规则将有效素材进行分类,基于分类的标签信息生成标记。
可选的,特征提取模块包括:
图像分析子模块,用于若判断有效素材为图像数据,则将有效素材输入图像处理模型,得到图像特征数据;
视频分析子模块,用于若判断有效素材为视频数据,则将有效素材输入视频处理模型,得到视频特征数据;
降维子模块,用于将图像特征数据或视频特征数据进行数据降维处理,得到有效特征数据;
储存子模块,用于将图像特征数据或视频特征数据存储在分布式文件***中。
可选的,AI筛选模块包括:
特征获取子模块,用于当接收到新设计的多个原始素材时,获取原始素材的特征数据;
特征对比子模块,用于依据所选的若干不同的对比规则,将特征数据与所有的有效特征数据按照不同的对比规则进行相似度比对,得到不同的对比规则生成的分数值;
权重关联子模块,基于若干分数值和不同对比规则预设的权重系数,生成原始素材的相似度数据。
可选的,权重关联子模块包括:
汉明距离规则单元,用于获取原始素材和有效素材的灰度像素比较数组和汉明距离,通过汉明距离对比规则计算得到分数值,匹配的权重系数为30%;
灰度直方图单元,用于获取原始素材和有效素材的灰度直方图,通过直方图对比规则计算得到分数值,匹配的权重系数为20%;
二进制码单元,用于获取原始素材和有效素材的二进制码,通过二进制对比规则计算得到分数值,匹配的权重系数为20%;
哈希算法单元,用于获取原始素材和有效素材的哈希数组,通过哈希算法对比规则计算饿到分数值,匹配的权重系数为30%;
规则计算单元,用于基于汉明距离对比规则、直方图对比规则、二进制对比规则以及哈希算法对比规则各自计算得到的分数值及对应的权重系数,计算得到相似度数据。
可选的,智能设计生成结果的AI筛选***还包括:
排序模块,用于获取所筛选的原始素材的相似度数据,依据相似度数据从高至低的顺序,对原始素材进行排序。
可选的,智能设计生成结果的AI筛选还包括:
投放素材获取模块,用于获取运营终端所选择投放的原始素材,作为新的投放素材;
投放素材筛选模块,用于基于业务规则,对新的投放素材进行筛选;
投放素材回收模块,用于若新的投放素材符合业务规则,则提取新的投放素材的特征数据作为有效特征数据并进行储存。
关于智能设计生成结果的AI筛选***的具体限定可以参见上文中对于智能设计生成结果的AI筛选方法的限定,在此不再赘述。上述智能设计生成结果的AI筛选***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一实施例中,参照图7,有效特征数据的获得过程:获取现有的投放素材,经过业务规则的数据筛选后,筛选出有效投放素材,即有效素材,有效素材分为图片数据和视频数据,图片数据则对应进行图片素材解析,视频数据则进行视频素材解析,解析的结果再进行降维过滤,并储存于分布式文件***中。
在一实施例中,参照图8,AI筛选模块的筛选过程:将智能设计素材,即智能设计程序生成的新一批的原始素材,与投放素材分析结果,即有效特征数据进行素材特征分析对比,分析结果进行标记打分,再将分析结果进行储存并展示在用户页面,即运营终端。
在一实施例中,参照图9,为本申请智能设计生成结果的AI筛选***的运作流程:首先是手机素材投放数据,即获取投放素材,进一步筛选符合要求的素材数据,得到有效素材,再将有效素材进行解析并保存解析结果,得到有效特征数据;进一步将智能设计程序生成的原始素材的特征数据与有效特征数据进行AI筛选步骤,得到筛选结果,筛选结果供运营终端进行选择并且投放,保存投放结果。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储原始素材、有效素材,投放素材以及业务规则、特征分析规则、汉明距离对比规则、直方图对比规则、二进制对比规则以及哈希算法对比规则和比对的结果。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现智能设计生成结果的AI筛选方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现智能设计生成结果的AI筛选方法。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现智能设计生成结果的AI筛选方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种智能设计生成结果的AI筛选方法,其特征在于:包括步骤:
获取投放效果较好的有效素材,基于特征分析规则,提取并储存有效素材的有效特征数据;
当接收到新设计的多个原始素材时,获取每个原始素材的特征数据并与所有的有效特征数据进行相似度比对,得到比对结果;
基于比对结果,将所有原始素材的名称数据根据相似度数据进行排序并发送至运营终端;
当接收到来自运营终端的选择指令时,从选择指令中获取名称数据,并将名称数据对应的原始素材发送至运营终端。
2.根据权利要求1所述的一种智能设计生成结果的AI筛选方法,其特征在于:所述当接收到新设计的多个原始素材时,获取每个原始素材的特征数据并与所有的有效特征数据进行相似度比对,得到比对结果的步骤之后,包括:
基于比对结果,将与原始素材最相似的有效素材的标记关联至该原始素材;
当接收到来自运营终端的筛选条件数据时,获取与筛选条件数据关联的标记;
筛选出所获取标记关联的原始素材;
将所筛选的原始素材的名称数据和对应的相似度数据发送至运营终端。
3.根据权利要求2所述的一种智能设计生成结果的AI筛选方法,其特征在于:所述获取投放效果较好的有效素材,基于特征分析规则,提取并储存有效素材的有效特征数据的步骤之前,包括:
获取现有的多个投放素材;
基于预设的用于筛选出投放效果好的素材的业务规则,对多个投放素材进行筛选,得到有效素材;
基于分类规则将有效素材进行分类,基于分类的标签信息生成标记。
4.根据权利要求1所述的一种智能设计生成结果的AI筛选方法,其特征在于:所述当接收到新设计的多个原始素材时,获取每个原始素材的特征数据并与所有的有效特征数据进行相似度比对,得到比对结果的步骤,包括:
当接收到新设计的多个原始素材时,获取原始素材的特征数据;
依据所选的若干不同的对比规则,将特征数据与所有的有效特征数据按照不同的对比规则进行相似度比对,得到不同的对比规则生成的分数值;
基于若干分数值和不同对比规则预设的权重系数,生成原始素材的相似度数据。
5.根据权利要求4所述的一种智能设计生成结果的AI筛选方法,其特征在于:所述不同的对比规则包括:汉明距离对比规则、直方图对比规则、二进制对比规则以及哈希算法对比规则;所述基于若干分数值和不同对比规则预设的权重系数,生成原始素材的相似度数据的步骤,包括:
获取原始素材和有效素材的灰度像素比较数组和汉明距离,通过汉明距离对比规则计算得到分数值,匹配的权重系数为30%;
获取原始素材和有效素材的灰度直方图,通过直方图对比规则计算得到分数值,匹配的权重系数为20%;
获取原始素材和有效素材的二进制码,通过二进制对比规则计算得到分数值,匹配的权重系数为20%;
获取原始素材和有效素材的哈希数组,通过哈希算法对比规则计算饿到分数值,匹配的权重系数为30%;
基于汉明距离对比规则、直方图对比规则、二进制对比规则以及哈希算法对比规则各自计算得到的分数值及对应的权重系数,计算得到相似度数据。
6.根据权利要求2所述的一种智能设计生成结果的AI筛选方法,其特征在于:所述将所筛选的原始素材的名称数据和对应的相似度数据发送至运营终端的步骤之前,包括:
获取所筛选的原始素材的相似度数据,依据相似度数据从高至低的顺序,对原始素材进行排序。
7.根据权利要求3所述的一种智能设计生成结果的AI筛选方法,其特征在于:所述将所筛选的原始素材的名称数据和对应的相似度数据发送至运营终端的步骤之后,包括:
获取运营终端所选择投放的原始素材,作为新的投放素材;
基于业务规则,对新的投放素材进行筛选;
若新的投放素材符合业务规则,则提取新的投放素材的特征数据作为有效特征数据并进行储存。
8.一种智能设计生成结果的AI筛选***,包括:
特征提取模块,获取投放效果较好的有效素材,基于特征分析规则,提取并储存有效素材的有效特征数据;
AI筛选模块,用于当接收到新设计的多个原始素材时,获取每个原始素材的特征数据并与所有的有效特征数据进行相似度比对,得到比对结果;
结果发送模块,基于比对结果,将所有原始素材的名称数据根据相似度数据进行排序并发送至运营终端;
素材发送模块,用于当接收到来自运营终端的选择指令时,从选择指令中获取名称数据,并将名称数据对应的原始素材发送至运营终端。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述智能设计生成结果的AI筛选方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述智能设计生成结果的AI筛选方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210339904.1A CN114662175A (zh) | 2022-04-01 | 2022-04-01 | 智能设计生成结果的ai筛选方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210339904.1A CN114662175A (zh) | 2022-04-01 | 2022-04-01 | 智能设计生成结果的ai筛选方法、***、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114662175A true CN114662175A (zh) | 2022-06-24 |
Family
ID=82033502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210339904.1A Pending CN114662175A (zh) | 2022-04-01 | 2022-04-01 | 智能设计生成结果的ai筛选方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114662175A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409928A (zh) * | 2018-09-14 | 2019-03-01 | 上海晶赞融宣科技有限公司 | 一种素材推荐方法、装置、存储介质、终端 |
CN109714643A (zh) * | 2018-12-06 | 2019-05-03 | 北京达佳互联信息技术有限公司 | 视频数据的推荐方法、***及服务器和存储介质 |
CN109783749A (zh) * | 2018-12-10 | 2019-05-21 | 深圳变设龙信息科技有限公司 | 一种设计素材智能推荐方法、装置及终端设备 |
CN110766443A (zh) * | 2019-09-09 | 2020-02-07 | 浙江大搜车软件技术有限公司 | 素材获取方法、装置、计算机设备和存储介质 |
CN112465556A (zh) * | 2020-12-07 | 2021-03-09 | 深圳市易售科技有限公司 | 一种广告显示方法、装置、***及存储介质 |
-
2022
- 2022-04-01 CN CN202210339904.1A patent/CN114662175A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409928A (zh) * | 2018-09-14 | 2019-03-01 | 上海晶赞融宣科技有限公司 | 一种素材推荐方法、装置、存储介质、终端 |
CN109714643A (zh) * | 2018-12-06 | 2019-05-03 | 北京达佳互联信息技术有限公司 | 视频数据的推荐方法、***及服务器和存储介质 |
CN109783749A (zh) * | 2018-12-10 | 2019-05-21 | 深圳变设龙信息科技有限公司 | 一种设计素材智能推荐方法、装置及终端设备 |
CN110766443A (zh) * | 2019-09-09 | 2020-02-07 | 浙江大搜车软件技术有限公司 | 素材获取方法、装置、计算机设备和存储介质 |
CN112465556A (zh) * | 2020-12-07 | 2021-03-09 | 深圳市易售科技有限公司 | 一种广告显示方法、装置、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11657602B2 (en) | Font identification from imagery | |
CN111079639B (zh) | 垃圾图像分类模型构建的方法、装置、设备及存储介质 | |
CN110781460A (zh) | 版权认证方法、装置、设备、***及计算机可读存储介质 | |
CN111553419B (zh) | 一种图像识别方法、装置、设备以及可读存储介质 | |
CN112036550A (zh) | 基于人工智能的客户意图识别方法、装置、计算机设备 | |
CN111461101B (zh) | 工服标志的识别方法、装置、设备及存储介质 | |
CN107516102B (zh) | 图像数据分类与建立分类模型方法、装置及*** | |
CN112862024B (zh) | 一种文本识别方法及*** | |
CN112183296B (zh) | 模拟票据图像生成、票据图像识别方法和装置 | |
CN111210402A (zh) | 人脸图像质量评分方法、装置、计算机设备及存储介质 | |
CN115186303B (zh) | 一种基于大数据云平台的金融签章安全管理方法及*** | |
CN111930985A (zh) | 图像检索方法、装置、电子设备及可读存储介质 | |
CN112926601A (zh) | 基于深度学习的图像识别方法、装置、设备及存储介质 | |
CN113705294A (zh) | 一种基于人工智能的图像识别方法、装置 | |
CN111553241A (zh) | 掌纹的误匹配点剔除方法、装置、设备及存储介质 | |
CN113673528B (zh) | 文本处理方法、装置、电子设备和可读存储介质 | |
CN114549928A (zh) | 图像增强处理方法、装置、计算机设备及存储介质 | |
CN113192028B (zh) | 人脸图像的质量评价方法、装置、电子设备及存储介质 | |
CN113011961B (zh) | 公司关联信息风险监测方法、装置、设备及存储介质 | |
CN113792659A (zh) | 文档识别方法、装置及电子设备 | |
CN111401158B (zh) | 难样本发现方法、装置及计算机设备 | |
CN114662175A (zh) | 智能设计生成结果的ai筛选方法、***、设备及介质 | |
WO2023173546A1 (zh) | 文本识别模型的训练方法、装置、计算机设备及存储介质 | |
CN114238768A (zh) | 资讯信息的推送方法、装置、计算机设备和存储介质 | |
CN113408317A (zh) | 一种智能标签粘贴监测方法及*** |
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: 20220624 |
|
RJ01 | Rejection of invention patent application after publication |