CN118071428A - 用于多模态监测数据的智能处理***及方法 - Google Patents
用于多模态监测数据的智能处理***及方法 Download PDFInfo
- Publication number
- CN118071428A CN118071428A CN202410227697.XA CN202410227697A CN118071428A CN 118071428 A CN118071428 A CN 118071428A CN 202410227697 A CN202410227697 A CN 202410227697A CN 118071428 A CN118071428 A CN 118071428A
- Authority
- CN
- China
- Prior art keywords
- user evaluation
- semantic
- feature map
- training
- image
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 344
- 230000004927 fusion Effects 0.000 claims abstract description 124
- 239000013598 vector Substances 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 239000003623 enhancer Substances 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 167
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000005728 strengthening Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 4
- 238000009472 formulation Methods 0.000 abstract description 6
- 230000006872 improvement Effects 0.000 abstract description 6
- 239000000203 mixture Substances 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 22
- 238000003860 storage Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本公开涉及一种用于多模态监测数据的智能处理***及方法。该方法包括:提取用户评价数据的文本部分和图像部分;对文本部分进行语义编码以得到用户评价文本语义编码特征向量;通过基于深度神经网络模型的图像特征提取器对图像部分进行特征提取以得到用户评价图像语义特征图,将其通过基于重参数化层的特征图强化器以得到强化用户评价图像语义特征图;对强化用户评价图像语义特征图和用户评价文本语义编码特征向量进行多模态语义融合分析以得到用户评价多模态语义融合特征,以确定用户对于产品的态度是积极的还是消极的。这样,可以更好地了解用户对产品的评价和态度,以更好地反映出产品真实的质量和性能,以此来指导产品改进和营销策略的制定。
Description
技术领域
本公开涉及多模态数据技术领域,具体地,涉及一种用于多模态监测数据的智能处理***及方法。
背景技术
随着电子商务的快速发展,在线购物已成为人们日常生活中不可或缺的一部分。然而,由于消费者无法亲身体验产品,因此他们往往会通过阅读其他用户的评价来了解产品质量和性能。这些评价通常包含文本和图像两种形式,文本评价可以表达用户的语言描述,而图像评价则可以直观地展示产品的细节和使用情况。
如何有效地利用这些多模态评价数据来判断用户对产品的态度,是当前研究的热点之一。传统的方法通常是分别对文本评价和图像评价进行分析,然后将两种结果进行融合。然而,这种方法存在两个主要问题:
文本评价和图像评价之间的语义鸿沟。文本评价和图像评价是两种不同的数据类型,它们之间的语义鸿沟使得传统的融合方法难以有效地提取出有用的信息。
评价数据中的噪声和冗余信息。评价数据中往往包含大量的噪声和冗余信息,这些信息会干扰模型的学习,降低模型的性能。
因此,期望一种优化的用于多模态监测数据的智能处理***。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供了一种用于多模态监测数据的智能处理***,所述***包括:
用户评价数据采集模块,用于获取用户评价数据;
文本和图像部分提取模块,用于从所述用户评价数据提取文本部分和图像部分;
文本部分语义分析模块,用于对所述文本部分进行语义编码以得到用户评价文本语义编码特征向量;
图像部分语义提取模块,用于通过基于深度神经网络模型的图像特征提取器对所述图像部分进行特征提取以得到用户评价图像语义特征图;
用户评价图像语义特征强化模块,用于将所述用户评价图像语义特征图通过基于重参数化层的特征图强化器以得到强化用户评价图像语义特征图;
用户评价多模态语义特征融合模块,用于对所述强化用户评价图像语义特征图和所述用户评价文本语义编码特征向量进行多模态语义融合分析以得到用户评价多模态语义融合特征;
用户态度判断模块,用于基于所述用户评价多模态语义融合特征,确定用户对于产品的态度是积极的还是消极的。
可选地,所述深度神经网络模型为卷积神经网络模型。
可选地,所述用户评价图像语义特征强化模块,用于:以如下强化公式将所述用户评价图像语义特征图通过基于重参数化层的特征图强化器以得到强化用户评价图像语义特征图;其中,所述强化公式为:;其中,/>是所述用户评价图像语义特征图,/>是所述强化用户评价图像语义特征图,/>和/>分别是特征值集合的均值和方差,/>是所述用户评价图像语义特征图的各个位置的特征值,/>是所述强化用户评价图像语义特征图的各个位置的特征值,且/>,/>表示以2为底的对数函数,/>表示反余弦函数,/>表示反正弦函数。
可选地,所述用户评价多模态语义特征融合模块,用于:将所述强化用户评价图像语义特征图和所述用户评价文本语义编码特征向量通过基于元网络的多模态关联分析器以得到用户评价多模态语义融合特征图作为所述用户评价多模态语义融合特征。
可选地,所述用户评价多模态语义特征融合模块,包括:卷积编码单元,用于将所述强化用户评价图像语义特征图通过所述基于元网络的多模态关联分析器的卷积神经网络以得到用户评价图像特征图;一维卷积单元,用于将所述用户评价文本语义编码特征向量通过所述基于元网络的多模态关联分析器的一维卷积层以得到用户评价文本语义特征向量;以及,加权单元,用于以所述用户评价文本语义特征向量对所述用户评价图像特征图进行通道加权以得到所述用户评价多模态语义融合特征图。
可选地,所述用户态度判断模块,用于:将所述用户评价多模态语义融合特征图通过分类器以得到分类结果,所述分类结果用于表示用户对于产品的态度是积极的还是消极的。
可选地,还包括用于对所述基于卷积神经网络模型的图像特征提取器、所述基于重参数化层的特征图强化器、所述基于元网络的多模态关联分析器和所述分类器进行训练的训练模块。
可选地,所述训练模块,包括:训练用户评价数据采集单元,用于获取训练用户评价数据;训练文本和图像部分提取单元,用于从所述训练用户评价数据提取训练文本部分和训练图像部分;训练文本部分语义分析单元,用于对所述训练文本部分进行语义编码以得到训练用户评价文本语义编码特征向量;训练图像部分语义提取单元,用于通过所述基于深度神经网络模型的图像特征提取器对所述训练图像部分进行特征提取以得到训练用户评价图像语义特征图;训练用户评价图像语义特征强化单元,用于将所述训练用户评价图像语义特征图通过所述基于重参数化层的特征图强化器以得到训练强化用户评价图像语义特征图;训练用户评价多模态语义特征融合单元,用于将所述训练强化用户评价图像语义特征图和所述训练用户评价文本语义编码特征向量通过所述基于元网络的多模态关联分析器以得到训练用户评价多模态语义融合特征图;训练校正单元,用于对所述训练用户评价多模态语义融合特征图进行特征校正以得到校正后训练用户评价多模态语义融合特征图;训练分类单元,将所述校正后训练用户评价多模态语义融合特征图通过所述分类器以得到分类损失函数值;训练分类单元,用于基于所述分类损失函数值对所述基于卷积神经网络模型的图像特征提取器、所述基于重参数化层的特征图强化器、所述基于元网络的多模态关联分析器和所述分类器进行训练。
可选地,所述训练校正单元,用于:将所述训练用户评价多模态语义融合特征图中沿通道维度的各个特征矩阵通过线性变换转换为正方矩阵以得到转换后训练用户评价多模态语义融合特征图;对所述转换后训练用户评价多模态语义融合特征图进行以特征矩阵为单位的校正处理以得到所述校正后训练用户评价多模态语义融合特征图。
第二方面,本公开提供了一种用于多模态监测数据的智能处理方法,所述方法包括:
获取用户评价数据;
从所述用户评价数据提取文本部分和图像部分;
对所述文本部分进行语义编码以得到用户评价文本语义编码特征向量;
通过基于深度神经网络模型的图像特征提取器对所述图像部分进行特征提取以得到用户评价图像语义特征图;
将所述用户评价图像语义特征图通过基于重参数化层的特征图强化器以得到强化用户评价图像语义特征图;
对所述强化用户评价图像语义特征图和所述用户评价文本语义编码特征向量进行多模态语义融合分析以得到用户评价多模态语义融合特征;
基于所述用户评价多模态语义融合特征,确定用户对于产品的态度是积极的还是消极的。
采用上述技术方案,通过提取用户评价数据的文本部分和图像部分;对文本部分进行语义编码以得到用户评价文本语义编码特征向量;通过基于深度神经网络模型的图像特征提取器对图像部分进行特征提取以得到用户评价图像语义特征图,将其通过基于重参数化层的特征图强化器以得到强化用户评价图像语义特征图;对强化用户评价图像语义特征图和用户评价文本语义编码特征向量进行多模态语义融合分析以得到用户评价多模态语义融合特征,以确定用户对于产品的态度是积极的还是消极的。这样,可以更好地了解用户对产品的评价和态度,以更好地反映出产品真实的质量和性能,以此来指导产品改进和营销策略的制定。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据一示例性实施例示出的一种用于多模态监测数据的智能处理***的框图。
图2是根据一示例性实施例示出的一种用于多模态监测数据的智能处理方法的流程图。
图3是根据一示例性实施例示出的一种电子设备的框图。
图4是根据一示例性实施例示出的一种用于多模态监测数据的智能处理***的应用场景图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
针对上述技术问题,本申请的技术构思为通过采集用户评价数据,并从中提取文本部分和图像部分后,在后端引入图像处理和语义理解算法来进行用户评价数据的文本和图像部分的语义分析和关联,以此来判断用户针对于产品的评价是正向的,还是负向的。这样,能够有效地提取出文本评价和图像评价中的有用信息,并将其融合起来进行分析,从而有利于更好地了解用户对产品的评价和态度,以更好地反映出产品真实的质量和性能,以此来指导产品改进和营销策略的制定。
为了解决上述问题,本公开提供了一种用于多模态监测数据的智能处理***及方法,提取用户评价数据的文本部分和图像部分;对文本部分进行语义编码以得到用户评价文本语义编码特征向量;通过基于深度神经网络模型的图像特征提取器对图像部分进行特征提取以得到用户评价图像语义特征图,将其通过基于重参数化层的特征图强化器以得到强化用户评价图像语义特征图;对强化用户评价图像语义特征图和用户评价文本语义编码特征向量进行多模态语义融合分析以得到用户评价多模态语义融合特征,以确定用户对于产品的态度是积极的还是消极的。这样,可以更好地了解用户对产品的评价和态度,以更好地反映出产品真实的质量和性能,以此来指导产品改进和营销策略的制定。
以下结合附图对本公开的具体实施方式进行详细说明。
图1是根据一示例性实施例示出的一种用于多模态监测数据的智能处理***的框图。如图1所示,该智能处理***100包括:
用户评价数据采集模块101,用于获取用户评价数据;
文本和图像部分提取模块102,用于从所述用户评价数据提取文本部分和图像部分;
文本部分语义分析模块103,用于对所述文本部分进行语义编码以得到用户评价文本语义编码特征向量;
图像部分语义提取模块104,用于通过基于深度神经网络模型的图像特征提取器对所述图像部分进行特征提取以得到用户评价图像语义特征图;
用户评价图像语义特征强化模块105,用于将所述用户评价图像语义特征图通过基于重参数化层的特征图强化器以得到强化用户评价图像语义特征图;
用户评价多模态语义特征融合模块106,用于对所述强化用户评价图像语义特征图和所述用户评价文本语义编码特征向量进行多模态语义融合分析以得到用户评价多模态语义融合特征;
用户态度判断模块107,用于基于所述用户评价多模态语义融合特征,确定用户对于产品的态度是积极的还是消极的。
其中,所述深度神经网络模型为卷积神经网络模型。
具体地,在本申请的技术方案中,首先,获取用户评价数据,并从所述用户评价数据提取文本部分和图像部分。接着,考虑到用户评价文本通常包含大量的词汇和信息,直接使用原始文本数据进行分析会导致数据维度过高,增加计算复杂度并可能引入噪声。并且,由于传统的文本处理方法往往只考虑词汇的表面信息,而忽略了词汇之间的语义关系。因此,为了能够更好地对于用户评价数据中的文本部分进行语义分析和理解,在本申请的技术方案中,进一步对所述文本部分进行语义编码以得到用户评价文本语义编码特征向量。通过语义编码,可以将文本数据中的词汇转换为更紧凑、更具代表性的向量表示,从而更好地捕捉词汇之间的语义关系,降低数据维度并提取出关键的语义特征信息,提高文本理解的准确性。
然后,将所述图像部分通过基于卷积神经网络模型的图像特征提取器中进行特征挖掘,以从用户评价图像中提取出丰富的语义信息,包括形状、纹理、颜色等特征,这些信息对于理解图像内容至关重要,从而得到用户评价图像语义特征图。通过卷积神经网络模型的处理,能够从所述图像部分中提取出抽象的特征信息,这些抽象特征能够更好地捕捉图像的语义信息,使得后续的分析和处理更加准确和有效。
进一步地,为了增强和丰富所述图像部分中关于用户评价语义特征的表达能力,使其更具区分性和鲁棒性,并减少噪声干扰,在本申请的技术方案中,进一步将所述用户评价图像语义特征图通过基于重参数化层的特征图强化器以得到强化用户评价图像语义特征图。应可以理解,重参数化网络是一种神经网络结构,通常用于学习数据的潜在表示,并且具有较好的特征提取和重构能力。通过将所述用户评价图像语义特征图输入到基于重参数化层的特征图强化器中,能够引入随机性,将原始的用户评价图像语义特征重新参数化为更丰富的特征表示,从而可以对所述用户评价图像语义特征图进行进一步的优化和增强,使其更具代表性和区分性。在这个过程中,所述用户评价图像语义特征图的均值和方差分别被提取出来,并用于生成新的特征图。这种重参数化的形式可以看作是在语义特征空间中进行数据增强的一种方式,这有助于提高分类器对图像部分中关于用户的不同评价语义特征的感知和识别能力,使其更适合于后续的分类任务。
在本公开的一个实施例中,所述用户评价图像语义特征强化模块,用于:以如下强化公式将所述用户评价图像语义特征图通过基于重参数化层的特征图强化器以得到强化用户评价图像语义特征图;其中,所述强化公式为:;其中,/>是所述用户评价图像语义特征图,/>是所述强化用户评价图像语义特征图,/>和分别是特征值集合/>的均值和方差,/>是所述用户评价图像语义特征图的各个位置的特征值,/>是所述强化用户评价图像语义特征图的各个位置的特征值,且/>,表示以2为底的对数函数,/>表示反余弦函数,/>表示反正弦函数。
应可以理解,所述用户评价数据通常包含了文本和图像两种不同的数据类型,这两种数据类型提供了互补的信息。通过将图像特征和文本特征在高维空间中进行融合,可以更全面地理解用户的评价语义,从而提高对产品态度的判断准确性。基于此,在本申请的技术方案中,进一步将所述强化用户评价图像语义特征图和所述用户评价文本语义编码特征向量通过基于元网络的多模态关联分析器以得到用户评价多模态语义融合特征图。基于元网络的多模态关联分析器可以学习不同模态数据之间的关联关系,帮助模型更好地理解文本和图像数据之间的语义联系。这有助于提高模型对多模态数据的综合理解能力。值得一提的是,通过多模态关联分析器,可以将图像特征和文本特征进行有效地融合,得到更具有丰富语义信息的多模态语义融合特征图,以更全面地反映用户对产品的态度。也就是说,所述多模态语义融合特征图能够更好地表达用户评价的综合信息,为后续的分类和分析提供更有力的支持。
在本公开的一个实施例中,所述用户评价多模态语义特征融合模块,用于:将所述强化用户评价图像语义特征图和所述用户评价文本语义编码特征向量通过基于元网络的多模态关联分析器以得到用户评价多模态语义融合特征图作为所述用户评价多模态语义融合特征。
进一步地,所述用户评价多模态语义特征融合模块,包括:卷积编码单元,用于将所述强化用户评价图像语义特征图通过所述基于元网络的多模态关联分析器的卷积神经网络以得到用户评价图像特征图;一维卷积单元,用于将所述用户评价文本语义编码特征向量通过所述基于元网络的多模态关联分析器的一维卷积层以得到用户评价文本语义特征向量;以及,加权单元,用于以所述用户评价文本语义特征向量对所述用户评价图像特征图进行通道加权以得到所述用户评价多模态语义融合特征图
继而,再将所述用户评价多模态语义融合特征图通过分类器以得到分类结果,所述分类结果用于表示用户对于产品的态度是积极的还是消极的。也就是说,利用所述用户评价的多模态语义融合特征来进行分类处理,以此来判断用户针对于产品的评价是正向的,还是负向的。这样,能够有效地提取出文本评价和图像评价中的有用信息,并将其融合起来进行分析,从而有利于更好地了解用户对产品的评价和态度。
在本公开的一个实施例中,所述用户态度判断模块,用于:将所述用户评价多模态语义融合特征图通过分类器以得到分类结果,所述分类结果用于表示用户对于产品的态度是积极的还是消极的。
在本公开的一个实施例中,所述用于多模态监测数据的智能处理***,还包括用于对所述基于卷积神经网络模型的图像特征提取器、所述基于重参数化层的特征图强化器、所述基于元网络的多模态关联分析器和所述分类器进行训练的训练模块。所述训练模块,包括:训练用户评价数据采集单元,用于获取训练用户评价数据;训练文本和图像部分提取单元,用于从所述训练用户评价数据提取训练文本部分和训练图像部分;训练文本部分语义分析单元,用于对所述训练文本部分进行语义编码以得到训练用户评价文本语义编码特征向量;训练图像部分语义提取单元,用于通过所述基于深度神经网络模型的图像特征提取器对所述训练图像部分进行特征提取以得到训练用户评价图像语义特征图;训练用户评价图像语义特征强化单元,用于将所述训练用户评价图像语义特征图通过所述基于重参数化层的特征图强化器以得到训练强化用户评价图像语义特征图;训练用户评价多模态语义特征融合单元,用于将所述训练强化用户评价图像语义特征图和所述训练用户评价文本语义编码特征向量通过所述基于元网络的多模态关联分析器以得到训练用户评价多模态语义融合特征图;训练校正单元,用于对所述训练用户评价多模态语义融合特征图进行特征校正以得到校正后训练用户评价多模态语义融合特征图;训练分类单元,将所述校正后训练用户评价多模态语义融合特征图通过所述分类器以得到分类损失函数值;训练分类单元,用于基于所述分类损失函数值对所述基于卷积神经网络模型的图像特征提取器、所述基于重参数化层的特征图强化器、所述基于元网络的多模态关联分析器和所述分类器进行训练。
进一步地,所述训练校正单元,用于:将所述训练用户评价多模态语义融合特征图中沿通道维度的各个特征矩阵通过线性变换转换为正方矩阵以得到转换后训练用户评价多模态语义融合特征图;对所述转换后训练用户评价多模态语义融合特征图进行以特征矩阵为单位的校正处理以得到所述校正后训练用户评价多模态语义融合特征图。
在本申请的技术方案中,所述训练强化用户评价图像语义特征图的各个特征矩阵表达所述训练用户评价数据的训练图像部分的强化的图像语义特征,而各个特征矩阵之间遵循所述卷积神经网络模型的通道分布,这样,在将所述训练强化用户评价图像语义特征图和所述训练用户评价文本语义编码特征向量通过基于元网络的多模态关联分析器后,会基于所述训练用户评价文本语义编码特征向量的编码文本语义特征表示对所述训练强化用户评价图像语义特征图的通道分布进行约束,使得所述训练用户评价多模态语义融合特征图在通道维度上具有混合的通道分布表示。但同时,这种通道维度上的混合的通道分布表示也会在所述训练用户评价多模态语义融合特征图中引入显著的通道分布波动,使得所述训练用户评价多模态语义融合特征图的以特征矩阵特征分布为单位的分布整体性下降,从而影响所述训练用户评价多模态语义融合特征图通过分类器的类概率收敛效果,即影响分类训练的速度和分类结果的准确性。
基于此,本申请的申请人首先将所述训练用户评价多模态语义融合特征图中的各个特征矩阵通过线性变换转换为正方矩阵,然后对所述训练用户评价多模态语义融合特征图以特征矩阵为单位来进行校正,具体表示为;将所述训练用户评价多模态语义融合特征图中沿通道维度的各个特征矩阵通过线性变换转换为正方矩阵以得到转换后训练用户评价多模态语义融合特征图;以如下优化公式对所述转换后训练用户评价多模态语义融合特征图进行以特征矩阵为单位的校正处理以得到所述校正后训练用户评价多模态语义融合特征图;其中,所述优化公式为:;其中,/>和/>分别是所述训练用户评价多模态语义融合特征图的转换后训练用户评价多模态语义融合特征图中的第/>和第/>个特征矩阵,且/>和/>分别是特征矩阵/>和的全局均值,/>是所述训练用户评价多模态语义融合特征图的转换后训练用户评价多模态语义融合特征图中的第/>个特征矩阵的转置矩阵,/>是所述训练用户评价多模态语义融合特征图的转换后训练用户评价多模态语义融合特征图中的第/>个特征矩阵的倒数,/>是所述校正后训练用户评价多模态语义融合特征图中的第/>个特征矩阵,/>表示按位置点乘,/>表示矩阵乘法。
这里,通过以所述训练用户评价多模态语义融合特征图的特征矩阵沿通道分布的中心作为通道维度下的场景传递的种子点,来将所述训练用户评价多模态语义融合特征图的特征矩阵的每个特征值通过矩阵相乘而进行稳健化的聚合和子采样提议,从而在所述训练用户评价多模态语义融合特征图的特征矩阵的每个特征值的参与基础上进行相邻特征矩阵的分布边界框传递定向约束,以在所述训练用户评价多模态语义融合特征图的整体沿通道维度由下而上的上下文关联的基础上改进所述训练用户评价多模态语义融合特征图的特征表示的整体性,从而改进所述训练用户评价多模态语义融合特征图通过分类器的类概率收敛效果,即提升分类训练的速度和分类结果的准确性。这样,能够更好地了解用户对产品的评价和态度,从而更好地反映出产品真实的质量和性能,以此来指导产品改进和营销策略的制定。
综上所述,采用上述方案,通过采集用户评价数据,并从中提取文本部分和图像部分后,在后端引入图像处理和语义理解算法来进行用户评价数据的文本和图像部分的语义分析和关联,以此来判断用户针对于产品的评价是正向的,还是负向的。这样,能够有效地提取出文本评价和图像评价中的有用信息,并将其融合起来进行分析,从而有利于更好地了解用户对产品的评价和态度,以更好地反映出产品真实的质量和性能,以此来指导产品改进和营销策略的制定。
图2是根据一示例性实施例示出的一种用于多模态监测数据的智能处理方法的流程图,如图2所示,该方法包括:
步骤201、获取用户评价数据;
步骤202、从所述用户评价数据提取文本部分和图像部分;
步骤203、对所述文本部分进行语义编码以得到用户评价文本语义编码特征向量;
步骤204、通过基于深度神经网络模型的图像特征提取器对所述图像部分进行特征提取以得到用户评价图像语义特征图;
步骤205、将所述用户评价图像语义特征图通过基于重参数化层的特征图强化器以得到强化用户评价图像语义特征图;
步骤206、对所述强化用户评价图像语义特征图和所述用户评价文本语义编码特征向量进行多模态语义融合分析以得到用户评价多模态语义融合特征;
步骤207、基于所述用户评价多模态语义融合特征,确定用户对于产品的态度是积极的还是消极的。
下面参考图3,其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,测试参数获取模块还可以被描述为“获取目标设备对应的设备测试参数的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例1提供了一种用于多模态监测数据的智能处理***,所述***包括:
用户评价数据采集模块,用于获取用户评价数据;
文本和图像部分提取模块,用于从所述用户评价数据提取文本部分和图像部分;
文本部分语义分析模块,用于对所述文本部分进行语义编码以得到用户评价文本语义编码特征向量;
图像部分语义提取模块,用于通过基于深度神经网络模型的图像特征提取器对所述图像部分进行特征提取以得到用户评价图像语义特征图;
用户评价图像语义特征强化模块,用于将所述用户评价图像语义特征图通过基于重参数化层的特征图强化器以得到强化用户评价图像语义特征图;
用户评价多模态语义特征融合模块,用于对所述强化用户评价图像语义特征图和所述用户评价文本语义编码特征向量进行多模态语义融合分析以得到用户评价多模态语义融合特征;
用户态度判断模块,用于基于所述用户评价多模态语义融合特征,确定用户对于产品的态度是积极的还是消极的。
根据本公开的一个或多个实施例,示例2提供了示例1的***,所述深度神经网络模型为卷积神经网络模型。
根据本公开的一个或多个实施例,示例3提供了示例2的***,所述用户评价图像语义特征强化模块,用于:
以如下强化公式将所述用户评价图像语义特征图通过基于重参数化层的特征图强化器以得到强化用户评价图像语义特征图;
其中,所述强化公式为:;其中,/>是所述用户评价图像语义特征图,/>是所述强化用户评价图像语义特征图,/>和/>分别是特征值集合/>的均值和方差,/>是所述用户评价图像语义特征图的各个位置的特征值,/>是所述强化用户评价图像语义特征图的各个位置的特征值,且/>,/>表示以2为底的对数函数,/>表示反余弦函数,/>表示反正弦函数。
根据本公开的一个或多个实施例,示例4提供了示例3的***,所述用户评价多模态语义特征融合模块,用于:将所述强化用户评价图像语义特征图和所述用户评价文本语义编码特征向量通过基于元网络的多模态关联分析器以得到用户评价多模态语义融合特征图作为所述用户评价多模态语义融合特征。
根据本公开的一个或多个实施例,示例5提供了示例4的***,所述用户评价多模态语义特征融合模块,包括:
卷积编码单元,用于将所述强化用户评价图像语义特征图通过所述基于元网络的多模态关联分析器的卷积神经网络以得到用户评价图像特征图;
一维卷积单元,用于将所述用户评价文本语义编码特征向量通过所述基于元网络的多模态关联分析器的一维卷积层以得到用户评价文本语义特征向量;以及
加权单元,用于以所述用户评价文本语义特征向量对所述用户评价图像特征图进行通道加权以得到所述用户评价多模态语义融合特征图。
根据本公开的一个或多个实施例,示例6提供了示例5的***,所述用户态度判断模块,用于:将所述用户评价多模态语义融合特征图通过分类器以得到分类结果,所述分类结果用于表示用户对于产品的态度是积极的还是消极的。
根据本公开的一个或多个实施例,示例7提供了示例6的***,还包括用于对所述基于卷积神经网络模型的图像特征提取器、所述基于重参数化层的特征图强化器、所述基于元网络的多模态关联分析器和所述分类器进行训练的训练模块。
根据本公开的一个或多个实施例,示例8提供了示例7的***,所述训练模块,包括:训练用户评价数据采集单元,用于获取训练用户评价数据;训练文本和图像部分提取单元,用于从所述训练用户评价数据提取训练文本部分和训练图像部分;训练文本部分语义分析单元,用于对所述训练文本部分进行语义编码以得到训练用户评价文本语义编码特征向量;训练图像部分语义提取单元,用于通过所述基于深度神经网络模型的图像特征提取器对所述训练图像部分进行特征提取以得到训练用户评价图像语义特征图;训练用户评价图像语义特征强化单元,用于将所述训练用户评价图像语义特征图通过所述基于重参数化层的特征图强化器以得到训练强化用户评价图像语义特征图;训练用户评价多模态语义特征融合单元,用于将所述训练强化用户评价图像语义特征图和所述训练用户评价文本语义编码特征向量通过所述基于元网络的多模态关联分析器以得到训练用户评价多模态语义融合特征图;训练校正单元,用于对所述训练用户评价多模态语义融合特征图进行特征校正以得到校正后训练用户评价多模态语义融合特征图;训练分类单元,将所述校正后训练用户评价多模态语义融合特征图通过所述分类器以得到分类损失函数值;训练分类单元,用于基于所述分类损失函数值对所述基于卷积神经网络模型的图像特征提取器、所述基于重参数化层的特征图强化器、所述基于元网络的多模态关联分析器和所述分类器进行训练。
根据本公开的一个或多个实施例,示例9提供了示例8的***,所述训练校正单元,用于:
将所述训练用户评价多模态语义融合特征图中沿通道维度的各个特征矩阵通过线性变换转换为正方矩阵以得到转换后训练用户评价多模态语义融合特征图;
对所述转换后训练用户评价多模态语义融合特征图进行以特征矩阵为单位的校正处理以得到所述校正后训练用户评价多模态语义融合特征图。
根据本公开的一个或多个实施例,示例10提供了一种用于多模态监测数据的智能处理方法,所述方法包括:
获取用户评价数据;
从所述用户评价数据提取文本部分和图像部分;
对所述文本部分进行语义编码以得到用户评价文本语义编码特征向量;
通过基于深度神经网络模型的图像特征提取器对所述图像部分进行特征提取以得到用户评价图像语义特征图;
将所述用户评价图像语义特征图通过基于重参数化层的特征图强化器以得到强化用户评价图像语义特征图;
对所述强化用户评价图像语义特征图和所述用户评价文本语义编码特征向量进行多模态语义融合分析以得到用户评价多模态语义融合特征;
基于所述用户评价多模态语义融合特征,确定用户对于产品的态度是积极的还是消极的。
图4是根据一示例性实施例示出的一种用于多模态监测数据的智能处理***的应用场景图。如图4所示,在该应用场景中,首先,获取用户评价数据(例如,如图4中所示意的C);然后,将获取的用户评价数据输入至部署有用于多模态监测数据的智能处理算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于用于多模态监测数据的智能处理算法对所述用户评价数据进行处理,以确定用户对于产品的态度是积极的还是消极的。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (10)
1.一种用于多模态监测数据的智能处理***,其特征在于,包括:
用户评价数据采集模块,用于获取用户评价数据;
文本和图像部分提取模块,用于从所述用户评价数据提取文本部分和图像部分;
文本部分语义分析模块,用于对所述文本部分进行语义编码以得到用户评价文本语义编码特征向量;
图像部分语义提取模块,用于通过基于深度神经网络模型的图像特征提取器对所述图像部分进行特征提取以得到用户评价图像语义特征图;
用户评价图像语义特征强化模块,用于将所述用户评价图像语义特征图通过基于重参数化层的特征图强化器以得到强化用户评价图像语义特征图;
用户评价多模态语义特征融合模块,用于对所述强化用户评价图像语义特征图和所述用户评价文本语义编码特征向量进行多模态语义融合分析以得到用户评价多模态语义融合特征;
用户态度判断模块,用于基于所述用户评价多模态语义融合特征,确定用户对于产品的态度是积极的还是消极的。
2.根据权利要求1所述的用于多模态监测数据的智能处理***,其特征在于,所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的用于多模态监测数据的智能处理***,其特征在于,所述用户评价图像语义特征强化模块,用于:
以如下强化公式将所述用户评价图像语义特征图通过基于重参数化层的特征图强化器以得到强化用户评价图像语义特征图;
其中,所述强化公式为:;其中,/>是所述用户评价图像语义特征图,/>是所述强化用户评价图像语义特征图,/>和/>分别是特征值集合的均值和方差,/>是所述用户评价图像语义特征图的各个位置的特征值,/>是所述强化用户评价图像语义特征图的各个位置的特征值,且/>,/>表示以2为底的对数函数,/>表示反余弦函数,/>表示反正弦函数。
4.根据权利要求3所述的用于多模态监测数据的智能处理***,其特征在于,所述用户评价多模态语义特征融合模块,用于:将所述强化用户评价图像语义特征图和所述用户评价文本语义编码特征向量通过基于元网络的多模态关联分析器以得到用户评价多模态语义融合特征图作为所述用户评价多模态语义融合特征。
5.根据权利要求4所述的用于多模态监测数据的智能处理***,其特征在于,所述用户评价多模态语义特征融合模块,包括:
卷积编码单元,用于将所述强化用户评价图像语义特征图通过所述基于元网络的多模态关联分析器的卷积神经网络以得到用户评价图像特征图;
一维卷积单元,用于将所述用户评价文本语义编码特征向量通过所述基于元网络的多模态关联分析器的一维卷积层以得到用户评价文本语义特征向量;以及
加权单元,用于以所述用户评价文本语义特征向量对所述用户评价图像特征图进行通道加权以得到所述用户评价多模态语义融合特征图。
6.根据权利要求5所述的用于多模态监测数据的智能处理***,其特征在于,所述用户态度判断模块,用于:将所述用户评价多模态语义融合特征图通过分类器以得到分类结果,所述分类结果用于表示用户对于产品的态度是积极的还是消极的。
7.根据权利要求6所述的用于多模态监测数据的智能处理***,其特征在于,还包括用于对所述基于卷积神经网络模型的图像特征提取器、所述基于重参数化层的特征图强化器、所述基于元网络的多模态关联分析器和所述分类器进行训练的训练模块。
8.根据权利要求7所述的用于多模态监测数据的智能处理***,其特征在于,所述训练模块,包括:
训练用户评价数据采集单元,用于获取训练用户评价数据;
训练文本和图像部分提取单元,用于从所述训练用户评价数据提取训练文本部分和训练图像部分;
训练文本部分语义分析单元,用于对所述训练文本部分进行语义编码以得到训练用户评价文本语义编码特征向量;
训练图像部分语义提取单元,用于通过所述基于深度神经网络模型的图像特征提取器对所述训练图像部分进行特征提取以得到训练用户评价图像语义特征图;
训练用户评价图像语义特征强化单元,用于将所述训练用户评价图像语义特征图通过所述基于重参数化层的特征图强化器以得到训练强化用户评价图像语义特征图;
训练用户评价多模态语义特征融合单元,用于将所述训练强化用户评价图像语义特征图和所述训练用户评价文本语义编码特征向量通过所述基于元网络的多模态关联分析器以得到训练用户评价多模态语义融合特征图;
训练校正单元,用于对所述训练用户评价多模态语义融合特征图进行特征校正以得到校正后训练用户评价多模态语义融合特征图;
训练分类单元,将所述校正后训练用户评价多模态语义融合特征图通过所述分类器以得到分类损失函数值;
训练分类单元,用于基于所述分类损失函数值对所述基于卷积神经网络模型的图像特征提取器、所述基于重参数化层的特征图强化器、所述基于元网络的多模态关联分析器和所述分类器进行训练。
9.根据权利要求8所述的用于多模态监测数据的智能处理***,其特征在于,所述训练校正单元,用于:
将所述训练用户评价多模态语义融合特征图中沿通道维度的各个特征矩阵通过线性变换转换为正方矩阵以得到转换后训练用户评价多模态语义融合特征图;
对所述转换后训练用户评价多模态语义融合特征图进行以特征矩阵为单位的校正处理以得到所述校正后训练用户评价多模态语义融合特征图。
10.一种用于多模态监测数据的智能处理方法,其特征在于,包括:
获取用户评价数据;
从所述用户评价数据提取文本部分和图像部分;
对所述文本部分进行语义编码以得到用户评价文本语义编码特征向量;
通过基于深度神经网络模型的图像特征提取器对所述图像部分进行特征提取以得到用户评价图像语义特征图;
将所述用户评价图像语义特征图通过基于重参数化层的特征图强化器以得到强化用户评价图像语义特征图;
对所述强化用户评价图像语义特征图和所述用户评价文本语义编码特征向量进行多模态语义融合分析以得到用户评价多模态语义融合特征;
基于所述用户评价多模态语义融合特征,确定用户对于产品的态度是积极的还是消极的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410227697.XA CN118071428A (zh) | 2024-02-29 | 2024-02-29 | 用于多模态监测数据的智能处理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410227697.XA CN118071428A (zh) | 2024-02-29 | 2024-02-29 | 用于多模态监测数据的智能处理***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118071428A true CN118071428A (zh) | 2024-05-24 |
Family
ID=91105456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410227697.XA Pending CN118071428A (zh) | 2024-02-29 | 2024-02-29 | 用于多模态监测数据的智能处理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118071428A (zh) |
-
2024
- 2024-02-29 CN CN202410227697.XA patent/CN118071428A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112364860B (zh) | 字符识别模型的训练方法、装置和电子设备 | |
CN110826567B (zh) | 光学字符识别方法、装置、设备及存储介质 | |
CN113723341B (zh) | 视频的识别方法、装置、可读介质和电子设备 | |
CN109934142B (zh) | 用于生成视频的特征向量的方法和装置 | |
CN113033580B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN112766284B (zh) | 图像识别方法和装置、存储介质和电子设备 | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN115294501A (zh) | 视频识别方法、视频识别模型训练方法、介质及电子设备 | |
CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
CN113610034B (zh) | 识别视频中人物实体的方法、装置、存储介质及电子设备 | |
CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN113051933B (zh) | 模型训练方法、文本语义相似度确定方法、装置和设备 | |
CN111797266B (zh) | 图像处理方法和装置、存储介质和电子设备 | |
CN115424060A (zh) | 模型训练方法、图像分类方法和装置 | |
CN112241744B (zh) | 图像颜色迁移方法、装置、设备和计算机可读介质 | |
CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
CN111626044B (zh) | 文本生成方法、装置、电子设备及计算机可读存储介质 | |
CN117115070A (zh) | 图像评估方法、装置、设备、存储介质和程序产品 | |
CN111369429B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN114495080A (zh) | 字体识别方法、装置、可读介质及电子设备 | |
CN118071428A (zh) | 用于多模态监测数据的智能处理***及方法 | |
CN115952830B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN114625876B (zh) | 作者特征模型的生成方法、作者信息处理方法和装置 | |
CN113240107B (zh) | 图像处理方法、装置和电子设备 | |
CN113345426B (zh) | 一种语音意图识别方法、装置及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |