动态图片相似度模型建立、相似度计算方法和装置制造方法及图纸

本发明专利技术实施例公开了一种动态图片相似度模型建立、相似度计算方法和装置，其中，动态图片相似度模型建立方法，包括：获取动态图片训练样本组；将动态图片训练样本组的每张动态图片转换成对应的图样本，得到动态图片训练样本组对应的图样本组；将图样本组输入至图神经网络，得到第一相似度和第二相似度；以最大化第一相似度，以及最小化第二相似度为目标，训练图神经网络，得到动态图片相似度模型。本发明专利技术公开的技术方案用于搜索相似动态图片时，能以较高的精度计算动态图片间的相似度，提高了相似度的计算精度。似度的计算精度。似度的计算精度。

【技术实现步骤摘要】
动态图片相似度模型建立、相似度计算方法和装置


[0001]本专利技术涉及深度学习领域，尤其涉及一种动态图片相似度模型建立、相似度计算方法和装置。

技术介绍

[0002]随着互联网社交媒体的流行，越来越多的人们喜欢使用动态图片表情包进行交流。通过某一个动态图片搜索出与之相似的更丰富的动态图片，能满足网络社交人群的需求。常见的搜索相似动态图片方法是利用哈希算法计算动态图片间相似度，以此搜索相似动态图片。
[0003]然而，利用哈希算法计算动态图片间的相似度时，只能考虑像素的分布频率和数值大小，导致动态图片间的相似度的计算不准确，相似动态图片的搜索的准确度低。

技术实现思路

[0004]鉴于上述问题，本专利技术提出一种动态图片相似度模型建立、相似度计算方法和装置。
[0005]第一方面，本专利技术的第一个实施方案提供一种动态图片相似度模型建立方法，该方法包括：
[0006]获取动态图片训练样本组，其中，动态图片训练样本组包括参考样本、参考样本的正样本以及参考样本的负样本；
[0007]将动态图片训练样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动态图片相似度模型建立方法，其特征在于：获取动态图片训练样本组，其中，所述动态图片训练样本组包括参考样本、所述参考样本的正样本以及所述参考样本的负样本；将所述动态图片训练样本组的每张动态图片转换成对应的图样本，得到所述动态图片训练样本组对应的图样本组；将所述图样本组输入至图神经网络，得到第一相似度和第二相似度，其中，所述第一相似度为所述参考样本与所述正样本的相似度，所述第二相似度为所述参考样本与所述负样本的相似度；以最大化所述第一相似度，以及最小化所述第二相似度为目标，训练所述图神经网络，得到动态图片相似度模型。2.根据权利要求1所述的方法，其特征在于，所述将所述动态图片训练样本组的每张动态图片转换成图样本，得到所述动态图片训练样本组对应的图样本组，包括：将所述动态图片训练样本组的每张动态图片按帧拆分成多张静态图片，得到每张所述动态图片对应的静态图片集合；解码所述静态图片集合中的每张静态图片，得到每张所述动态图片对应的表示矩阵；对所述表示矩阵进行矩阵拼接，得到每张所述动态图片对应的初始矩阵样本；对每个初始矩阵样本进行填充，得到每张所述动态图片对应的标准矩阵样本；对每个标准矩阵样本进行加权处理，得到动态图片训练样本组对应的图样本组。3.根据权利要求1所述的方法，其特征在于，将所述图样本组输入至图神经网络，得到第一相似度和第二相似度，包括：将所述图样本组输入至图神经网络中依次相连的第一图卷积层、激活函数层、第二图卷积层，得到所述图样本组对应的特征向量组；将所述特征向量组输入至softmax函数中，计算出第一相似度和第二相似度。4.根据权利要求1所述方法，其特征在于，所述以最大化所述第一相似度，以及最小化所述第二相似度为目标，训练图神经网络，得到动态图片相似度模型，包括：将所述第一相似度和所述第二相似度输入至三元组损失函数，获得损失值；以最大化所述第一相似度，以及最小化所述第二相似度为目标，利用所述损失值对图神经网络进行训练，得到动态图片相似度模型。5.根据权利要求1所述的方法，其特征在于：所述动态图片训练样本组的每张动态图片样本至少包括一个标签信息；所...

【专利技术属性】
技术研发人员：蔡薇，汪伟，黄帅，
申请(专利权)人：虎博网络技术上海有限公司，
类型：发明
国别省市：