CN113535951A - 用于进行信息分类的方法、装置、终端设备及存储介质 - Google Patents
用于进行信息分类的方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN113535951A CN113535951A CN202110683833.2A CN202110683833A CN113535951A CN 113535951 A CN113535951 A CN 113535951A CN 202110683833 A CN202110683833 A CN 202110683833A CN 113535951 A CN113535951 A CN 113535951A
- Authority
- CN
- China
- Prior art keywords
- target
- preset
- classified
- domain data
- information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013145 classification model Methods 0.000 claims abstract description 93
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- G06F16/55—Clustering; Classification
-
- 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
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种用于进行信息分类的方法、装置、终端设备及存储介质，涉及信息分类技术领域，能够提高对待分类的数据进行分类的准确性。该方法包括：获取待分类对象，所述待分类对象包括图像或者文本；将所述待分类对象输入目标分类模型，获得所述目标分类模型针对所述待分类对象的分类结果，所述分类结果根据所述待分类对象所对应的关联信息确定得到，所述关联信息包括所述待分类对象与预设数据库中的每一个预设对象之间的相关性信息，所述预设数据库包括至少两个预设对象。
Description
技术领域
本申请属于信息分类技术领域，尤其涉及一种用于进行信息分类的方法、装置、终端设备及存储介质。
背景技术
在各种应用场景中，常常需要获得图像信息或者文本信息的准确分类结果，该准确的分类结果可以用于获得标注数据，还可以为后续的其他信息处理提供数据基础。然而，在实际应用中，待分类的数据可能与用于对分类模型进行训练的源域数据(含有标注信息的数据)间存在着明显的数据分布差异，导致通过分类模型对待分类的数据进行分类的准确性较低。
发明内容
本申请实施例提供了一种用于进行信息分类的方法、装置、终端设备及存储介质，可以更正确地对信息进行分类。
第一方面，本申请实施例提供了一种用于进行信息分类的方法，包括：
获取待分类对象，所述待分类对象包括图像或者文本；
将所述待分类对象输入目标分类模型，获得所述目标分类模型针对所述待分类对象的分类结果，所述分类结果根据所述待分类对象所对应的关联信息确定得到，所述关联信息包括所述待分类对象与预设数据库中的每一个预设对象之间的相关性信息，所述预设数据库包括至少两个预设对象。
本申请实施例提供的用于进行信息分类的方法，获取待分类对象，将所述待分类对象输入目标分类模型，以便于通过目标分类模型根据待分类对象所对应的关联信息，以通过关联信息了解用于对目标分类模型进行训练且与待分类对象存在相关性的预设对象所对应的分类情况，进而地基于所述关联信息所了解的对目标分类模型进行训练且与待分类对象存在相关性的预设对象所对应的分类情况，确定与所述待分类对象对应的分类结果。通过本申请提供的进行信息分类的方法，由于可以通过目标分类模型根据待分类对象所对应的关联信息了解与待分类对象存在相关性的预设对象所对应的分类情况，并基于该了解的分类情况确定与所述待分类对象对应的分类结果，进而有效地提高通过分类模型对对待分类的数据进行分类的准确性。
第二方面，本申请实施例提供了一种用于进行信息分类的装置，包括：
第一获取模块，用于获取待分类对象，所述待分类对象包括图像或者文本；
第二获取模块，用于将所述待分类对象输入目标分类模型，获得所述目标分类模型针对所述待分类对象的分类结果，所述分类结果根据所述待分类对象所对应的关联信息确定得到，所述关联信息包括所述待分类对象与预设数据库中的每一个预设对象之间的相关性信息，所述预设数据库包括至少两个预设对象。
第三方面，本申请实施例提供了一种终端设备，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所述的方法。
第四方面，本申请实施例提供了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所述的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的用于进行信息分类的方法的流程示意图。
图2是本申请一实施例提供的用于进行信息分类的方法步骤S12的具体实现流程示意图。
图3是本申请一实施例提供的用于进行信息分类的装置的结构示意图。
图4是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。
在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
请参阅图1，图1是本申请实施例提供的一种用于进行信息分类的方法的实现流程图。本实施例中，用于进行信息分类的方法用于在进行对象分类处理过程中，对待分类对象进行处理，其执行主体为终端设备。可以理解的是，终端设备的类型包括但不限于手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等，本申请实施例对终端设备的具体类型不作任何限制。
如图1所示，本申请实施例提供的用于进行信息分类的方法包括以下步骤：
S11：获取待分类对象，所述待分类对象包括图像或者文本。
在步骤S11中，待分类对象指的是还未确定类别的图像或文本。例如，还未确定类别的汽车图片。
在本实施例中，由于待分类对象能够用于描述能够描述未确定类别的图像或文本，所以，在获取到待分类对象之后，即可通过该待分类对象来了解用户的分类处理需求，并为目标分类模型进行分类处理提供数据基础。
至于何时获取待分类对象，可以包括但不仅限于以下两个场景。
场景1：在训练得到目标分类模型的过程中，为了确认分类模型的正确率，需要获取用于对该分类模型进行测试的测试样本，也即获取待分类对象。
场景2：在确定存在一批待分类的图像或文本，且需要对该待分类的图像或文本进行预先分类时，获取待分类对象。
在一些实施例中，终端设备在获取到多个待分类对象后，根据待分类对象的属性信息，预先地将该多个待分类对象进行分类处理。例如，根据文本格式或图像格式，对该多个待分类对象进行分类处理，并将该获得的多个待分类对象分别划分并存储至不同的存储区，以便于后续分别对该不同的存储区中的图像或文本进行分别的处理。
在一些实施例中，有些待分类对象为损坏的信息，并不能进行进一步的处理，所以，终端设备在获取到待分类对象后，确定待分类对象对应的存储大小值是否大于预设存储大小值，以筛选得到存储大小值大于预设存储大小值的待分类对象，以避免无法进行分类的情况发生，从而提高分类处理的效率。
S12：将所述待分类对象输入目标分类模型，获得所述目标分类模型针对所述待分类对象的分类结果，所述分类结果根据所述待分类对象所对应的关联信息确定得到，所述关联信息包括所述待分类对象与预设数据库中的每一个预设对象之间的相关性信息，所述预设数据库包括至少两个预设对象。
在步骤S12中，分类结果描述的是待分类对象所属的类别。例如，一张还未经分类处理的图像，将该图像输入目标分类模型，获得标分类模型针对该图像的分类结果，比如，分类结果为汽车。
关联信息用于描述待分类对应与预设数据库中的预设对象之间的关联度情况。例如，图像A与预设数据库中的图像B之间的关联度情况。
预设对象为已经确认了分类结果的对象。例如，确认了分类结果的汽车图像C。
在本实施例中，预设数据库中包括的至少两个预设对象为用于训练得到目标分类模型的至少部分数据。其中，预设数据库中的每个预设对象都有对应的分类结果，而且待分类对象与预设数据库中的每个预设对象之间存在一定的相关性信息，所以，在将待分类对象输入目标分类模型后，通过目标分类模型根据待分类对象所对应的关联信息，以通过关联信息了解用于对目标分类模型进行训练且与待分类对象存在相关性的预设对象所对应的分类情况，进而地基于所述关联信息所了解的对目标分类模型进行训练且与待分类对象存在相关性的预设对象所对应的分类情况，确定与所述待分类对象对应的分类结果。
可以理解的是，基于待分类对象与预设数据库中的每一个预设对象之间的相关性信息，可以了解待分类对象与每个预设对象之间的匹配程度，以便于从各个预设对象中确定与待分类对象匹配程度最高的目标预设对象，从而基于该目标预设对象对应的分类结果，得到待分类对象的分类结果。其中，预设对象与该预设对象对应的分类结果进行关联。
在实际应用中，可以理解的是，终端设备中预先存储有预先训练好的目标分类模型。目标分类模型可以由终端设备预先训练好，也可以由其他设备预先训练好后将目标分类模型对应的文件移植至终端设备中。也就是说，训练该目标分类模型的执行主体与使用该目标分类模型进行视频质量评估的执行主体可以是相同的，也可以是不同的。例如，当采用其他设备训练初始分类模型时，其他设备对初始分类模型结束训练后，固定初始分类模型的模型参数，得到目标分类模型对应的文件，然后将该文件移植到终端设备中。
本申请实施例提供的用于进行信息分类的方法，获取待分类对象，将所述待分类对象输入目标分类模型，以便于通过目标分类模型根据待分类对象所对应的关联信息，以通过关联信息了解用于对目标分类模型进行训练且与待分类对象存在相关性的预设对象所对应的分类情况，进而地基于所述关联信息所了解的对目标分类模型进行训练且与待分类对象存在相关性的预设对象所对应的分类情况，确定与所述待分类对象对应的分类结果，从而避免由于目前模型对待分类对象进行处理时只考虑数据分别差异，不能较好地确定能够用于识别与待分类对象对应预设对象，进而对待分类对象进行正确分类的情况发生，并提高对待分类的数据进行分类的准确性。
在本申请一实施例中，所述目标分类模型为对初始分类模型训练后得到，所述初始分类模型基于目标数据库和所述预设数据库进行训练，所述目标数据库包括至少两个目标对象，所述待分类对象为任一目标对象，所述预设数据库包括每个预设对象的标签信息。
在本实施例中，目标对象为还未确定分类结果的对象。例如，还未确定分类结果的汽车图片。
在本实施例中，基于预设数据库中已经了解了分类结果的各个预设对象和目标数据库中各个未确定分类结果的目标对象对初始分类模型进行训练，其考虑的是，建立各个未确定分类结果的目标对象和已经了解了分类结果的各个预设对象之间能够用于进行分类的相关性信息，以便于目标分类模型在接收到一个待分类对象时，可以基于该相关性信息，了解与之存在相关性的预设对象的分类结果，进而地确定该待分类对象的分类结果。
可以理解的是，为了在实际应用中，实现对某一个待分类对象的分类处理，待分类对象为任一目标对象，即表示曾经利用该待分类对象的某一个目标对象来对初始分类模型进行训练，而且该某一个目标对象与预设数据库中的某一个或多个预设对象之间存在一定的相关性，也即存在一定的关联信息，所以，在获取到一个非用于训练初始分类模型的待分类对象时，能够基于该待分类对象确定与之对应的目标对象，并进一步地基于该目标对象基于关联信息对应的预设对象，了解到目标对象的分类结果，从而确定与目标对象对应的待分类对象的分类结果。
在本申请一实施例中，训练得到所述目标分类模型的过程，包括：
获取所述预设数据库和所述目标数据库；
对所述预设数据库进行第一预设处理，得到源域数据，所述源域数据用于描述所述预设数据库中的包括的至少两个预设对象；
对所述目标数据库进行第二预设处理，得到目标域数据，所述目标域数据用于描述所述目标数据库包括的至少两个目标对象；
确定所述源域数据和所述目标域数据之间的第一关联信息；
基于所述第一关联信息、所述目标域数据和所述源域数据，对初始分类模型进行训练，并将训练完成的初始分类模型作为所述目标分类模型。
在本实施例中，为了能够较好地通过源域数据描述预设数据库中包括的至少两个预设对象，第一预设处理包括向量提取处理、结构化保持处理和聚类处理中的一种或多种的处理方式。
同样地，为了能够较好地通过目标域数据描述目标数据库中包括的至少两个目标对象，第二预设处理包括向量提取处理、结构化保持处理和聚类处理中的一种或多种的处理方式。
在本实施例中，由于预设数据库中包括的预设对象和目标数据库中包括的目标对象之间可能存在一定数据分布差异，所以，需要对对所述预设数据库进行第一预设处理和对所述目标数据库进行第二预设处理，从而得到源域数据和目标域数据。同时的，为了便于较好地确定初始分类模型能够较好地确定目标对象的分类结果和训练完成后得到的目标分类对象能够确定待分类对象的分类结果，预先地确定所述源域数据和所述目标域数据之间的第一关联信息，以便于能够基于第一关联信息了解与目标对象对应的预设对象的分类结果，并得到目标对象的分类结果。
在一些实施例中，通过流行学习算法对预设数据库或目标数据库进行结构化保持，以使得预设数据库中的数据的维度或目标数据库中的数据的维度降至目标维度，从而更好地基于降维后的源域数据和目标域数据对初始分类模型进行训练。
可以理解的是，为了使不同类别的目标对象能够明显区分开，且相同类别的目标对象之间具有较高的紧凑性，基于所述第一关联信息、所述目标域数据和所述源域数据，对初始分类模型进行训练，其目的是，基于第一关联信息，可以将目标域数据描述的目标对象与源域数据描述的预设对象进行关联，以便于目标对象可以基于该第一关联信息获取到与其关联的预设对象的分类结果，也即训练得到的分类模型在接收到与目标对象对应的待分类对象时，也可以基于第一关联信息，获取到该目标对象的分类结果，并将该第一关联信息作为与该目标对象对应的待分类对象的分类结果。
在一些实施例中，基于所述第一关联信息、所述目标域数据和所述源域数据，对初始分类模型进行迭代训练时，若确定迭代次数达到预设次数，则确定对所述初始分类模型训练完成，并将训练完成的初始分类模型作为所述目标分类模型。
在一些实施例中，为了使得模型所述确定所述源域数据和所述目标域数据之间的第一关联信息之后，还包括：
在第一次确定所述源域数据和所述目标域数据之间的第一关联信息之后，每次确定所述源域数据与所述目标域数据之间的第二关联信息时，对前一次确定的关联信息进行更新。
在本申请一实施例中，所述确定所述源域数据和所述目标域数据之间的第一关联信息，包括：
确定所述源域数据的类别中心和所述目标域数据的类别中心；
根据所述源域数据的类别中心和所述目标域数据的类别中心，确定所述第一关联信息，所述第一关联信息用于描述所述源域数据的类别中心与所述目标域数据的类别中心之间的关联度情况。
在本实施例中，类别中心描述的是属于同一个分类结果的各个对象的聚集中心。例如，都属于分类类别汽车的5个目标对象或预设对象的聚集中心。
可以理解的是，为了更好地基于确定目标域数据描述的各个目标对象的分类结果，分别确定源域数据的类别中心和目标域数据的类别中心之后，将源域数据的类别中心和所述目标域数据的类别中心进行匹配，以寻找到与目标域数据的类别中心的关联度较高的源域数据的类别中心，并完成相对应的类别中心匹配，同时记录相对应的第一关联信息，以便于基于第一关联信息、所述目标域数据和所述源域数据，对初始分类模型进行训练，以得到目标分类模型。
在本申请一实施例中，所述对所述目标数据库进行第二预设处理，得到目标域数据，包括：
确定所述至少两个目标对象对应的邻接矩阵。
根据预设映射矩阵，将所述至少两个目标对象映射至所述预设子空间；
并根据所述邻接矩阵对映射到所述预设子空间的数据进行结构化信息保持操作，得到记录所述至少两个目标对象的目标域特征矩阵以作为所述目标域数据。
在本实施例中，邻接矩阵用于描述至少两个目标对象所对应的数据结构。
预设映射矩阵用于将至少两个目标对象从其所处的当前维数的数据空间映射到预设子空间。例如，通过预设映射矩阵对一张图片进行数据处理，从而将位于2000维度的数据空间的该图片映射到800维度的预设子空间。
预设子空间指的是对应一个预设维数的数据处理空间。可以理解的是，在该预设子空间中的数据的维度相同。例如，800维度的数据处理空间。
在本实施例中，当数据处于一个高维度的数据空间时，利用用于处理低维度的数据空间的数据算法并不能直接对该数据进行处理，或者是利用其它数据处理方法来处理时，数据处理成本较高，所以，为了提高数据的处理效率，根据预设映射矩阵，将至少两个目标对象映射至预设子空间，并利用邻接矩阵对映射得到的数据进行结构化信息保持操作，得到目标域特征矩阵以作为所述目标域数据。
可以理解的是，为了实现提升数据处理速度的目的，根据预设映射矩阵，将所述至少两个目标对象映射至预设子空间并进行结构化信息保持操作得到的目标域特征矩阵的过程中，会去除噪声和不重要的特征，并保留满足条件的重要特征，所以，目标域特征矩阵中记录的数据即是需要保留的至少两个目标对象的目标特征。
在一些实施例中，为了使得用于训练初始分类模型的数据都处于同一个维度的数据处理空间中，根据所述预设映射矩阵，将所述预设数据库中的至少两个预设对象映射至预设子空间并进行结构化信息保持操作，得到记录所述至少两个预设对象的源域特征矩阵以作为所述源域数据。
在本申请一实施例中，所述根据所述邻接矩阵对映射到所述预设子空间的数据进行结构化信息保持操作，得到记录所述至少两个目标对象的目标域特征矩阵以作为所述目标域数据，包括：
确定所述至少两个目标对象所对应的类别中心；
并根据所述邻接矩阵对映射到所述预设子空间的数据进行结构化信息保持操作，得到记录所述至少两个目标对象的初始目标域特征矩阵；
根据所述类别中心，对所述初始目标域特征矩阵进行聚类处理，得到所述目标域特征矩阵以作为所述目标域数据。
在本实施例中，初始目标域特征矩阵描述的分属于不同类别的各个目标对象仍不能明显区分开，所以，需要进一步地对所述初始目标域特征矩阵进行聚类处理，以使得相同类别的目标对象更紧凑，从而使得最终映射到在预设子空间中且分属于不同分类类别的各个目标对象能够明显区分开。
可以理解的是，根据所述类别中心，对所述初始目标域特征矩阵进行聚类处理后，每个类别中心对应的各个目标对象属于同一个分类类别。例如，类别中心A对应的目标对象a、目标对象b和目标对象c都属于分类类别“汽车”。
在一个示例中，初始分类模型可以通过以下公式进行表示：
其中，P∈Rm×d是预设映射矩阵，d为投影维数，也即表示预设子空间的维数，m代表原始数据样本的维数，
分别为源域数据和目标域数据，ns(nt)分别代表源域(目标域)数据的列，即源域(目标域)的样本量。
为对齐源域数据和目标域数据而引入的列数，
分别为两个维度为ns和nt的单位矩阵，
分别为两个元素全为0的矩阵，
为元素值全为1的列向量。
其中元素值为
其含义为源域中第i个样本的分类标签为j，则定义为源域中所有分类标签为j的样本数的均值。F∈Rd×c为目标域数据中的类别中心矩阵，
Gij＝1当第i个样本的分类标签为j时，否则为0。
为目标域数据中的邻接矩阵，X＝[Xs,Xt]∈Rm×n，表示的是源域数据和目标域数据放在一起的集合，其中n＝ns+nt，L＝diag(2Ls,2Lt)，其中，Lt＝Dt-S，Dt为对角矩阵，其对角元素
Ls＝Ds-W，
为源域数据的相似矩阵，其元素值定义为
其含义为当第i个样本和第j个样本的标签都为c时其元素值定义为源域中标签为c的样本数的均值，Ds为对角矩阵，其对角元素
α，β，γ为模型中的三个超参。T为预设的迭代训练次数。Gt指的是目标域数据的指标矩阵，用于记录目标域数据的分类结果。
Id表示的是d维数下的单位矩阵。
在本实施例中，通过
将源域数据Xs和目标域数据Xt映射到预设子空间P中，并呈K列对齐分布。通过
将源域数据的类别中心和目标域数据的类别中心进行匹配，以便于确定所述源域数据和所述目标域数据之间的关联信息。通过
对映射到预设子空间P中的目标域数据Xt进行聚类处理。通过
对映射到预设子空间中的源域数据和目标域数据进行结构化信息保持操作。通过
来约束分类模型，以避免分类模型过拟合化，并提高分类模型的泛化能力。
在实际应用中，根据网格查找法寻找参数α，β和γ的最优数值、子空间的最优维度d、邻接矩阵S的邻接点数和迭代次数T。
在本实施例中，由于目标函数中含有F、P、G和S四个未知变量，无法同时进行有效求解，可以参见现有的求解方法进行求解，在此不再赘述。例如，使用交替方向法(alternating direction method简称ADM)进行求解。
结合图2，在本申请一实施例中，所述将所述待分类对象输入目标分类模型，获得所述目标分类模型针对所述待分类对象的分类结果，包括：
S21：将所述待分类对象输入所述目标分类模型，确定与所述待分类对象与预设数据库中的每一个预设对象之间的相关性信息。
S22：将对应的相关性信息符合预设条件的预设对象作为参照对象。
S23：根据所述参照对象的标签信息，确定所述待分类对象的分类结果。
在本实施例中，标签信息描述的是预设对象的分类类别。例如，一个预设对象对应的标签信息为汽车，即表示该预设对象是用于描述汽车的图像或文本。
在本实施例中，将所述待分类对象输入所述目标分类模型，确定与所述待分类对象与预设数据库中的每一个预设对象之间的相关性信息，以便于了解待分类对象与每一个预设对象之间的相关联程度，进而地判断与每一个预设对象之间的相关联程度是否满足预设条件，其目的是，确定相关联程度最高的预设对象，并将该预设对象作为参照对象，进而地将该参照对象的标签信息作为待分类对象的分类结果。
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。
对应于上文实施例所述的用于进行信息分类的方法，图3示出了本申请实施例提供的用于进行信息分类的装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图3，该装置100包括：
第一获取模块101，用于获取待分类对象，所述待分类对象包括图像或者文本；
第二获取模块102，用于将所述待分类对象输入目标分类模型，获得所述目标分类模型针对所述待分类对象的分类结果，所述分类结果根据所述待分类对象所对应的关联信息确定得到，所述关联信息包括所述待分类对象与预设数据库中的每一个预设对象之间的相关性信息，所述预设数据库包括至少两个预设对象。
在一实施例中，所述目标分类模型为对初始分类模型训练后得到，所述初始分类模型基于目标数据库和所述预设数据库进行训练，所述目标数据库包括至少两个目标对象，所述待分类对象为任一目标对象。
在一实施例中，该装置100还包括：训练模块。
所述训练模块，用于获取所述预设数据库和所述目标数据库；
对所述预设数据库进行第一预设处理，得到源域数据，所述源域数据用于描述所述预设数据库中的包括的至少两个预设对象；
对所述目标数据库进行第二预设处理，得到目标域数据，所述目标域数据用于描述所述目标数据库包括的至少两个目标对象；
确定所述源域数据和所述目标域数据之间的第一关联信息；
基于所述第一关联信息、所述目标域数据和所述源域数据，对初始分类模型进行训练，并将训练完成的初始分类模型作为所述目标分类模型。
在一实施例中，所述训练模块，还用于确定所述源域数据的类别中心和所述目标域数据的类别中心；根据所述源域数据的类别中心和所述目标域数据的类别中心，确定所述第一关联信息，所述第一关联信息用于描述所述源域数据的类别中心与所述目标域数据的类别中心之间的关联度情况。
在一实施例中，所述训练模块，还用于确定所述至少两个目标对象对应的邻接矩阵；根据所述预设映射矩阵，将所述至少两个目标对象映射至所述预设子空间，并根据所述邻接矩阵对映射到所述预设子空间的数据进行结构化信息保持操作，得到记录所述至少两个目标对象的目标域特征矩阵以作为所述目标域数据。
在一实施例中，所述训练模块，还用于确定所述至少两个目标对象所对应的类别中心；根据所述邻接矩阵对映射到所述预设子空间的数据进行结构化信息保持操作，得到记录所述至少两个目标对象的初始目标域特征矩阵；根据所述类别中心，对所述初始目标域特征矩阵进行聚类处理，得到所述目标域特征矩阵以作为所述目标域数据。
在一实施例中，第二获取模块102，还用于将所述待分类对象输入所述目标分类模型，确定与所述待分类对象与预设数据库中的每一个预设对象之间的相关性信息；将对应的相关性信息符合预设条件的预设对象作为目标对象；根据所述目标对象的标签信息，确定所述待分类对象的分类结果。
本实施例提供的一种用于进行信息分类的装置，具体可以为终端，用于实现方法实施例中所述的任一种用于进行信息分类的方法，其中各个模块的功能可以参考方法实施例中相应的描述，其实现原理和技术效果类似，此处不再赘述。
图4为本申请一实施例提供的终端设备的结构示意图。如图4所示，该实施例的终端设备4包括：至少一个处理器40(图4中仅示出一个处理器)、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42，所述处理器40执行所述计算机程序42时实现上述任意各个方法实施例中的步骤。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的举例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所述处理器40可以是中央处理单元(Central Processing Unit，CPU)，该处理器40还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41在一些实施例中可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41在另一些实施例中也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
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。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，该终端设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个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任意各个方法实施例中的步骤。
本申请实施例还提供了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可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时可实现上述各个方法实施例中的步骤。
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，本申请实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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系统，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讯连接可以是通过一些接口、装置或单元的间接耦合或通讯连接，可以是电性、机械或其它的形式。
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。
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)
1.一种用于进行信息分类的方法，其特征在于，包括：
获取待分类对象，所述待分类对象包括图像或者文本；
将所述待分类对象输入目标分类模型，获得所述目标分类模型针对所述待分类对象的分类结果，所述分类结果根据所述待分类对象所对应的关联信息确定得到，所述关联信息包括所述待分类对象与预设数据库中的每一个预设对象之间的相关性信息，所述预设数据库包括至少两个预设对象。
2.如权利要求1所述的方法，其特征在于，所述目标分类模型为对初始分类模型训练后得到，所述初始分类模型基于目标数据库和所述预设数据库进行训练，所述目标数据库包括至少两个目标对象，所述待分类对象为任一目标对象，所述预设数据库包括每个预设对象的标签信息。
3.如权利要求2所述的方法，其特征在于，训练得到所述目标分类模型的过程，包括：
获取所述预设数据库和所述目标数据库；
对所述预设数据库进行第一预设处理，得到源域数据，所述源域数据用于描述所述预设数据库中的包括的至少两个预设对象；
对所述目标数据库进行第二预设处理，得到目标域数据，所述目标域数据用于描述所述目标数据库包括的至少两个目标对象；
确定所述源域数据和所述目标域数据之间的第一关联信息；
基于所述第一关联信息、所述目标域数据和所述源域数据，对初始分类模型进行训练，并将训练完成的初始分类模型作为所述目标分类模型。
4.如权利要求3所述的方法，其特征在于，所述确定所述源域数据和所述目标域数据之间的第一关联信息，包括：
确定所述源域数据的类别中心和所述目标域数据的类别中心；
根据所述源域数据的类别中心和所述目标域数据的类别中心，确定所述第一关联信息，所述第一关联信息用于描述所述源域数据的类别中心与所述目标域数据的类别中心之间的关联度情况。
5.如权利要求3所述的方法，其特征在于，所述对所述目标数据库进行第二预设处理，得到目标域数据，包括：
确定所述至少两个目标对象对应的邻接矩阵；
根据预设映射矩阵，将所述至少两个目标对象映射至所述预设子空间；
并根据所述邻接矩阵对映射到所述预设子空间的数据进行结构化信息保持操作，得到记录所述至少两个目标对象的目标域特征矩阵以作为所述目标域数据。
6.如权利要求5所述的方法，其特征在于，所述根据所述邻接矩阵对映射到所述预设子空间的数据进行结构化信息保持操作，得到记录所述至少两个目标对象的目标域特征矩阵以作为所述目标域数据，包括：
确定所述至少两个目标对象所对应的类别中心；
根据所述邻接矩阵对映射到所述预设子空间的数据进行结构化信息保持操作，得到记录所述至少两个目标对象的初始目标域特征矩阵；
根据所述类别中心，对所述初始目标域特征矩阵进行聚类处理，得到所述目标域特征矩阵以作为所述目标域数据。
7.如权利要求1至6任意一项所述的方法，其特征在于，所述将所述待分类对象输入目标分类模型，获得所述目标分类模型针对所述待分类对象的分类结果，包括：
将所述待分类对象输入所述目标分类模型，确定与所述待分类对象与预设数据库中的每一个预设对象之间的相关性信息；
将对应的相关性信息符合预设条件的预设对象作为参照对象；
根据所述参照对象的标签信息，确定所述待分类对象的分类结果。
8.一种用于进行信息分类的装置，其特征在于，包括：
第一获取模块，用于获取待分类对象，所述待分类对象包括图像或者文本；
第二获取模块，用于将所述待分类对象输入目标分类模型，获得所述目标分类模型针对所述待分类对象的分类结果，所述分类结果根据所述待分类对象所对应的关联信息确定得到，所述关联信息包括所述待分类对象与预设数据库中的每一个预设对象之间的相关性信息，所述预设数据库包括至少两个预设对象。
9.一种终端设备，其特征在于，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如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，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如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110683833.2A CN113535951B (zh) | 2021-06-21 | 2021-06-21 | 用于进行信息分类的方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110683833.2A CN113535951B (zh) | 2021-06-21 | 2021-06-21 | 用于进行信息分类的方法、装置、终端设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113535951A true CN113535951A (zh) | 2021-10-22 |
| CN113535951B CN113535951B (zh) | 2023-02-17 |
Family
ID=78125331
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110683833.2A Expired - Fee Related CN113535951B (zh) | 2021-06-21 | 2021-06-21 | 用于进行信息分类的方法、装置、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113535951B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014130417A1 (en) * | 2013-02-19 | 2014-08-28 | Siemens Aktiengesellschaft | Multi disciplinary engineering design using image recognition |
| EP2993618A1 (en) * | 2014-09-04 | 2016-03-09 | Xerox Corporation | Domain adaptation for image classification with class priors |
| WO2017096758A1 (zh) * | 2015-12-11 | 2017-06-15 | 腾讯科技（深圳）有限公司 | 图像分类方法、电子设备和存储介质 |
| CN108304876A (zh) * | 2018-01-31 | 2018-07-20 | 国信优易数据有限公司 | 分类模型训练方法、装置及分类方法及装置 |
| US10417350B1 (en) * | 2017-08-28 | 2019-09-17 | Amazon Technologies, Inc. | Artificial intelligence system for automated adaptation of text-based classification models for multiple languages |
| WO2019218410A1 (zh) * | 2018-05-15 | 2019-11-21 | 深圳大学 | 图像分类方法、计算机设备和存储介质 |
| CN111078878A (zh) * | 2019-12-06 | 2020-04-28 | 北京百度网讯科技有限公司 | 文本处理方法、装置、设备及计算机可读存储介质 |
| CN111340021A (zh) * | 2020-02-20 | 2020-06-26 | 中国科学技术大学 | 基于中心对齐和关系显著性的无监督域适应目标检测方法 |
| CN111460148A (zh) * | 2020-03-27 | 2020-07-28 | 深圳价值在线信息科技股份有限公司 | 文本分类方法、装置、终端设备及存储介质 |
| CN111694954A (zh) * | 2020-04-28 | 2020-09-22 | 北京旷视科技有限公司 | 图像分类方法、装置和电子设备 |
| CN112182229A (zh) * | 2020-11-05 | 2021-01-05 | 江西高创保安服务技术有限公司 | 一种文本分类模型构建方法、文本分类方法及装置 |
| CN112364916A (zh) * | 2020-11-10 | 2021-02-12 | 中国平安人寿保险股份有限公司 | 基于迁移学习的图像分类方法、相关设备及存储介质 |
| CN112739828A (zh) * | 2018-06-11 | 2021-04-30 | 深圳华大生命科学研究院 | 确定待测样本类型的方法及系统 |
| CN112733970A (zh) * | 2021-03-31 | 2021-04-30 | 腾讯科技（深圳）有限公司 | 图像分类模型处理方法、图像分类方法及装置 |
| CN112785441A (zh) * | 2020-04-20 | 2021-05-11 | 招商证券股份有限公司 | 数据处理方法、装置、终端设备及存储介质 |
| CN112861934A (zh) * | 2021-01-25 | 2021-05-28 | 深圳市优必选科技股份有限公司 | 一种嵌入式终端的图像分类方法、装置及嵌入式终端 |
-
2021
- 2021-06-21 CN CN202110683833.2A patent/CN113535951B/zh not_active Expired - Fee Related
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014130417A1 (en) * | 2013-02-19 | 2014-08-28 | Siemens Aktiengesellschaft | Multi disciplinary engineering design using image recognition |
| EP2993618A1 (en) * | 2014-09-04 | 2016-03-09 | Xerox Corporation | Domain adaptation for image classification with class priors |
| WO2017096758A1 (zh) * | 2015-12-11 | 2017-06-15 | 腾讯科技（深圳）有限公司 | 图像分类方法、电子设备和存储介质 |
| US10417350B1 (en) * | 2017-08-28 | 2019-09-17 | Amazon Technologies, Inc. | Artificial intelligence system for automated adaptation of text-based classification models for multiple languages |
| CN108304876A (zh) * | 2018-01-31 | 2018-07-20 | 国信优易数据有限公司 | 分类模型训练方法、装置及分类方法及装置 |
| WO2019218410A1 (zh) * | 2018-05-15 | 2019-11-21 | 深圳大学 | 图像分类方法、计算机设备和存储介质 |
| CN112739828A (zh) * | 2018-06-11 | 2021-04-30 | 深圳华大生命科学研究院 | 确定待测样本类型的方法及系统 |
| CN111078878A (zh) * | 2019-12-06 | 2020-04-28 | 北京百度网讯科技有限公司 | 文本处理方法、装置、设备及计算机可读存储介质 |
| CN111340021A (zh) * | 2020-02-20 | 2020-06-26 | 中国科学技术大学 | 基于中心对齐和关系显著性的无监督域适应目标检测方法 |
| CN111460148A (zh) * | 2020-03-27 | 2020-07-28 | 深圳价值在线信息科技股份有限公司 | 文本分类方法、装置、终端设备及存储介质 |
| CN112785441A (zh) * | 2020-04-20 | 2021-05-11 | 招商证券股份有限公司 | 数据处理方法、装置、终端设备及存储介质 |
| CN111694954A (zh) * | 2020-04-28 | 2020-09-22 | 北京旷视科技有限公司 | 图像分类方法、装置和电子设备 |
| CN112182229A (zh) * | 2020-11-05 | 2021-01-05 | 江西高创保安服务技术有限公司 | 一种文本分类模型构建方法、文本分类方法及装置 |
| CN112364916A (zh) * | 2020-11-10 | 2021-02-12 | 中国平安人寿保险股份有限公司 | 基于迁移学习的图像分类方法、相关设备及存储介质 |
| CN112861934A (zh) * | 2021-01-25 | 2021-05-28 | 深圳市优必选科技股份有限公司 | 一种嵌入式终端的图像分类方法、装置及嵌入式终端 |
| CN112733970A (zh) * | 2021-03-31 | 2021-04-30 | 腾讯科技（深圳）有限公司 | 图像分类模型处理方法、图像分类方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| YUAN-TING HSIEH等: "Recognizing heterogeneous cross-domain data via generalized joint distribution adaptation", 《2016 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO (ICME)》 * |
| 吴泽远等: "一种基于中心和关系感知的跨域目标检测网络", 《小型微型计算机系统》 * |
| 彭江涛等: "高分五号高光谱影像的关联对齐域适应与分类", 《遥感学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113535951B (zh) | 2023-02-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020077895A1 (zh) | 签约意向判断方法、装置、计算机设备和存储介质 | |
| CN108280477B (zh) | 用于聚类图像的方法和装置 | |
| US20230376527A1 (en) | Generating congruous metadata for multimedia | |
| WO2021114840A1 (zh) | 基于语义分析的评分方法、装置、终端设备及存储介质 | |
| CN107463605B (zh) | 低质新闻资源的识别方法及装置、计算机设备及可读介质 | |
| WO2020164278A1 (zh) | 一种图像处理方法、装置、电子设备和可读存储介质 | |
| CN113221918B (zh) | 目标检测方法、目标检测模型的训练方法及装置 | |
| CN112784111B (zh) | 视频分类方法、装置、设备及介质 | |
| CN111783126B (zh) | 一种隐私数据识别方法、装置、设备和可读介质 | |
| CN115034315B (zh) | 基于人工智能的业务处理方法、装置、计算机设备及介质 | |
| Abraham et al. | Automatically classifying crime scene images using machine learning methodologies | |
| CN112651996A (zh) | 目标检测跟踪方法、装置、电子设备和存储介质 | |
| CN113837836A (zh) | 模型推荐方法、装置、设备及存储介质 | |
| CN113535951B (zh) | 用于进行信息分类的方法、装置、终端设备及存储介质 | |
| CN112241470A (zh) | 一种视频分类方法及系统 | |
| CN114706927B (zh) | 基于人工智能的数据批量标注方法及相关设备 | |
| CN116824127A (zh) | 开放世界目标检测方法、计算机设备及存储介质 | |
| WO2022237065A1 (zh) | 分类模型的训练方法、视频分类方法及相关设备 | |
| CN116109864A (zh) | 服装的检测识别方法、装置、终端及计算机可读存储介质 | |
| US20170293863A1 (en) | Data analysis system, and control method, program, and recording medium therefor | |
| CN116776932A (zh) | 用户的电商行为识别方法及装置 | |
| CN111382246B (zh) | 文本的匹配方法、匹配装置、终端及计算机可读存储介质 | |
| CN115700790A (zh) | 用于对象属性分类模型训练的方法、设备和存储介质 | |
| CN113033170A (zh) | 表格标准化处理方法、装置、设备及存储介质 | |
| CN112214639A (zh) | 视频筛选方法、视频筛选装置及终端设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20230217 |