信息推送方法、终端设备技术

本公开实施例公开了信息推送方法、终端设备。该方法的一具体实施方式包括：获取目标图片；将目标图片输入预先确定的模型，以得到目标特征和目标分类结果；将目标特征推送至具有显示功能的目标设备，以及控制目标设备显示目标特征。该实施方式利用预先确定的模型自动提取目标图片的目标特征，能够获取有效的图像信息，辅助后续目标设备中的图像应用任务，提高目标图片应用效果。目标图片应用效果。目标图片应用效果。

【技术实现步骤摘要】
信息推送方法、终端设备


[0001]本公开实施例涉及计算机
，具体涉及信息推送方法、终端设备。

技术介绍

[0002]检索模型是一种将图像映射为特征的模型，通过检索模型处理后同类别的图像特征之间的相似度会尽可能大，同时，不同类别的图像特征之间的相似度会尽可能小。检索模型在实际中有很多用处，比如以图搜图、地标识别等。一般而言，数据越多，且数据标注的质量越高，那么利用这些数据训练得到的检索模型的表现就越好。数据的获取通常较为容易，但是，高质量的数据标注则是一件费时费力的任务。
[0003]然而，在实际应用中利用检索模型处理图像时，经常会存在如下技术问题：
[0004]第一，高质量的标注数据获取难度较大且数据量有限，利用有限数据训练得到的检索模型处理图片，所获得的图片特征质量较差，无法满足后续图片应用的需求。
[0005]第二，现有技术需要人工预先标注全部或部分数据，无法在无标注数据的场景下训练检索模型，也无法完成图片处理的任务。

技术实现思路

[0006]本公开的内容部分用于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。本公开的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。
[0007]本公开实施例提出了一种信息推送方法、终端设备，来解决以上
技术介绍
部分提到的技术问题中的一项或多项。
[0008]第一方面，本公开实施例提供了一种信息推送方法，该方法包括：获取目标图片；将目标图片输入预先确定的模型，以得到目标特征和目标分类结果；将目标特征推送至具有显示功能的目标设备，以及控制目标设备显示目标特征。
[0009]第二方面，本公开的一些实施例提供了一种终端设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。
[0010]本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的信息推送方法利用预先确定的模型自动提取目标图片的目标特征，能够获取有效的图像信息，辅助后续目标设备中的图像应用任务，提高目标图片应用效果。具体来说，专利技术人发现，造成目标图片处理效果较差的主要原因在于：高质量的标注数据获取难度较大且数据量有限，利用有限数据训练得到的检索模型处理图片，所获得的图片特征质量较差，无法满足后续图片应用的需求。基于此，首先，本公开的一些实施例获取目标图片。然后，将目标图片输入预先确定的模型，以得到目标特征和目标分类结果。其中，预先确定的模型可以是检索模型，预先确定的模型可以是根据无标注数据训练得到的模型。最后，将目标特征推送至具有显示功能的目标设备，以及控制目标设备显示目标特征。具体的，目标设备可以展示目标特
征，目标设备也可以将目标特征用于后续的图片应用任务。该方法利用不基于标注数据训练得到的预先确定模型处理目标图片以得到目标特征，可以满足标注数据缺失的应用场景中的图片应用需求，获取有效的图片信息，从而辅助后续图片应用任务，提升图片应用的效果。
附图说明
[0011]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。
[0012]图1是本公开的一些实施例可以应用于其中的示例性系统的架构图；
[0013]图2是根据本公开的信息推送方法的一些实施例的流程图；
[0014]图3是根据本公开的用于训练预先确定的模型的训练步骤的一个实施例的流程图；
[0015]图4是适于用来实现本公开的一些实施例的终端设备的结构示意图。
具体实施方式
[0016]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。
[0017]另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0018]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。
[0019]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”。
[0020]下面将参考附图并结合实施例来详细说明本公开。
[0021]图1示出了可以应用本公开的信息推送方法的实施例的示例性系统架构100。
[0022]如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0023]用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如信息生成应用、信息推送应用、信息抽取应用等。
[0024]终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种终端设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的终端设备中。其可以实现成多个软件或软件模块(例如用来提供目标图片输入等)，也可以实现成单个软件或软件模块。在此不做具体限定。
[0025]服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103输入的目标图片进行存储的服务器等。服务器可以对接收到的目标图片进行处理，并将处理结果(例如目标特征)反馈给终端设备。
[0026]需要说明的是，本公开实施例所提供的信息推送方法可以由服务器105，也可以由终端设备执行。
[0027]需要指出的是，服务器105的本地也可以直接存储目标图片，服务器105可以直接提取本地的目标图片通过处理后得到目标特征，此时，示例性系统架构100可以不包括终端设备101、102、103和网络104。
[0028]还需要指出的是，终端设备101、102、103中也可以安装有抽取表单文档中信息的方法应用，此时，处理方法也可以由终端设备101、102、103执行。此时，示例性系统架构100也可以不包括服务器105和网络104。
[0029]需要说明的是，服务器10本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息推送方法，包括：获取目标图片；将所述目标图片输入预先确定的模型，以得到目标特征和目标分类结果；将所述目标特征推送至具有显示功能的目标设备，以及控制所述目标设备显示所述目标特征。2.根据权利要求1所述的方法，其中，所述预先确定的模型是通过如下步骤得到的：获取样本集，其中，所述样本集中的样本包括样本图片和对应于所述样本图片的样本特征和样本分类结果；确定初始模型的结构以及初始化所述初始模型的参数；从所述样本集中选取样本，以及执行以下训练步骤：将选取的样本的样本图片输入至初始模型，得到所述选取的样本的特征和分类结果；将所述选取的样本的特征和分类结果与对应的样本特征和样本分类结果进行比较；根据比较结果确定所述初始模型是否达到预设的优化目标；响应于确定所述初始模型达到所述优化目标，将所述初始模型确定为预先确定的模型。3.根据权利要求2所述的方法，其中，所述方法还包括：响应于确定初始模型未训练完成，调整初始模型中的相关参数，以及从所述样本集中重新选取样本，使用调整后的初始模型作为初始模型，再次执行所述训练步骤。4.根据权利要求3所述的方法，其中，所述初始模型包括第一数目个预先训练的神经网络，所述预先训练的神经网络为残差网络，所述残差网络由第二数目个残差模块组成，残差模块利用下式生成输出：y＝F(x,{W
i
})+x，其中，x为所述残差模块的输入，y为所述残差模块的输出，F()为残差函数，W为权重矩阵，i为残差模块中的层计数，表示第i层的权重矩阵，表示残差模块中全部层的权重矩阵的集合。5.根据权利要求4所述的方法，其中，所述将选取的样本的样本图片输入至初始模型，得到所述选取的样本的特征和分类结果，包括：对于所述样本集中的每个样本，将该样本的样本图片输入所述初始模型，生成初始样本特征，以得到初始样本特征集合；对于所述样本集中的每个样本，基于所述初始样本特征集合，生成该样本的样本图片的相似图片集合和相似度指标集合，以得到相似图片集合的集合和相似度指标集合的集合；基于所述样本集、所述相似图片集合的集合和所述相似度指标集合的集合，生成初始伪标签集合，其中，所述初始伪标签集合中的初始伪标签为所述样本集中样本图片的类别标签，所述初始伪标签的值表征正值；基于所述样本集、所述相似图片集合的集合、所述相似度指标集合和所述初始伪标签集合，更新所述初始模型；将选取的样本的样本图片输入至所述初始模型，以得到所述选取的样本的特征和分类结果。
6.根据权利要求5所述的方法，其中，所述基于所述样本集、所述相似图片集合的集合、所述相似度指标集合和所述初始伪标签集合，更新所述初始模型，包括：从所述...

【专利技术属性】
技术研发人员：邓泽露，徐克勤，刘鹏飞，
申请(专利权)人：多点深圳数字科技有限公司，
类型：发明
国别省市：