本申请公开了一种图片查找方法、装置、电子设备及存储介质，可应用于人工智能领域或金融领域。获取用户输入的待查找图片的当前图片描述文本，将当前图片描述文本输入至预先训练的词向量模型，得到当前图片描述文本对应的当前词向量，计算当前词向量与数据库已存储的各个图片描述文本对应的词向量之间的余弦相似度值，基于各个余弦相似度值，从数据库中查找到目标图片集并输出。本发明专利技术利用用户输入的待查找图片的当前图片描述文本，能够自动查找到用户所需的图片，无需用户一张一张查找，从而大大缩短了查找图片所需的时间，提高了图片查找速度，提升了用户的使用体验。提升了用户的使用体验。提升了用户的使用体验。
【技术实现步骤摘要】
一种图片查找方法、装置、电子设备及存储介质
[0001]本专利技术涉及图片识别
，更具体的说，涉及一种图片查找方法、装置、电子设备及存储介质。
技术介绍
[0002]随着智能终端越来越普及，拍照已经成为当前人们日常生活的一部分，使得用户相册中往往会存储大量图片。当用户需要查找某张特定图片时，往往需要花费大量时间去查找，用户体验较差。
[0003]因此，如何提供一种图片查找方法，能够快速查找到用户所需的图片，提升用户使用体验，成为本领域技术人员亟需解决的技术问题。
技术实现思路
[0004]有鉴于此，本专利技术公开一种图片查找方法、装置、电子设备及存储介质，以实现快速查找到用户所需的图片，提升用户使用体验。
[0005]一种图片查找方法，包括：
[0006]获取用户输入的待查找图片的当前图片描述文本；
[0007]将所述当前图片描述文本输入至预先训练的词向量模型，得到所述当前图片描述文本对应的当前词向量；
[0008]计算所述当前词向量与数据库已存储的各个图片描述文本对应的词向量之间的余弦相似度值；
[0009]基于各个所述余弦相似度值，从所述数据库中查找到目标图片集，其中，所述目标图片集中每个目标图片的余弦相似度值均高于所述数据库中非目标图片的余弦相似度值；
[0010]输出所述目标图片集。
[0011]可选的，所述基于各个所述余弦相似度值，从所述数据库中查找到目标图片集，包括：
[0012]将所述数据库中的各个图片按照对应的所述余弦相似度值由大到小的顺序进行排序，得到最新图片集；
[0013]从所述最新图片集中筛选出排名在预设值之前的图片作为所述目标图片，得到所述目标图片集。
[0014]可选的，所述词向量模型的训练过程包括：
[0015]采用循环神经网络对COCO数据集进行训练，得到对图片进行文本描述的文本模型，其中，所述文本模型以图片作为训练样本，以图片对应的图片描述文本作为样本标签；
[0016]对所述COCO数据集输入至所述文本模型得到的所有图片描述文本，采用FastText进行训练，得到所述词向量模型。
[0017]可选的，在所述数据库存储各个所述图片描述文本对应的词向量的过程包括：
[0018]将用户智能终端上的所有图片输入至所述文本模型，得到各个图片描述文本；
[0019]将每个所述图片描述文本输入至所述词向量模型，得到每个所述图片描述文本的词向量；
[0020]将所述智能终端上的每个图片及对应的所述词向量以对应关系的形式存储在所述数据库。
[0021]可选的，还包括：
[0022]获取用户从所述目标图片集中选择的期望图片；
[0023]将所述期望图片作为所述待查找图片进行展示。
[0024]一种图片查找装置，包括：
[0025]文本获取单元，用于获取用户输入的待查找图片的当前图片描述文本；
[0026]词向量确定单元，用于将所述当前图片描述文本输入至预先训练的词向量模型，得到所述当前图片描述文本对应的当前词向量；
[0027]计算单元，用于计算所述当前词向量与数据库已存储的各个图片描述文本对应的词向量之间的余弦相似度值；
[0028]查找单元，用于基于各个所述余弦相似度值，从所述数据库中查找到目标图片集，其中，所述目标图片集中每个目标图片的余弦相似度值均高于所述数据库中非目标图片的余弦相似度值；
[0029]输出单元，用于输出所述目标图片集。
[0030]可选的，所述查找单元包括：
[0031]排序子单元，用于将所述数据库中的各个图片按照对应的所述余弦相似度值由大到小的顺序进行排序，得到最新图片集；
[0032]筛选子单元，用于从所述最新图片集中筛选出排名在预设值之前的图片作为所述目标图片，得到所述目标图片集。
[0033]可选的，还包括：
[0034]模型训练单元，用于训练所述词向量模型；
[0035]所述模型训练单元包括：
[0036]文本模型训练子单元，用于采用循环神经网络对COCO数据集进行训练，得到对图片进行文本描述的文本模型，其中，所述文本模型以图片作为训练样本，以图片对应的图片描述文本作为样本标签；
[0037]词向量模型训练子单元，用于对所述COCO数据集输入至所述文本模型得到的所有图片描述文本，采用FastText进行训练，得到所述词向量模型。
[0038]一种电子设备，所述电子设备包括存储器和处理器；
[0039]所述存储器用于存储至少一个指令；
[0040]所述处理器用于执行所述至少一个指令以实现上述所述的图片查找方法。
[0041]一种计算机可读存储介质，所述计算机可读存储介质存储至少一个指令，所述至少一个指令被处理器执行时实现上述所述的图片查找方法。
[0042]从上述的技术方案可知，本专利技术公开了一种图片查找方法、装置、电子设备及存储介质，获取用户输入的待查找图片的当前图片描述文本，将当前图片描述文本输入至预先训练的词向量模型，得到当前图片描述文本对应的当前词向量，计算当前词向量与数据库已存储的各个图片描述文本对应的词向量之间的余弦相似度值，基于各个余弦相似度值，
从数据库中查找到目标图片集并输出。本专利技术利用用户输入的待查找图片的当前图片描述文本，能够自动查找到用户所需的图片，无需用户一张一张查找，从而大大缩短了查找图片所需的时间，提高了图片查找速度，提升了用户的使用体验。
附图说明
[0043]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据公开的附图获得其他的附图。
[0044]图1为本专利技术实施例公开的一种图片查找方法流程图；
[0045]图2为本专利技术实施例公开的一种词向量模型的训练方法流程图；
[0046]图3为本专利技术实施例公开的另一种图片查找方法流程图；
[0047]图4为本专利技术实施例公开的一种图片查找装置的结构示意图；
[0048]图5为本专利技术实施例公开的一种电子设备的结构示意图。
具体实施方式
[0049]需要说明的是，本专利技术提供的一种图片查找方法、装置、电子设备及存储介质可用于人工智能领域或金融领域。上述仅为示例，并不对本专利技术提供的一种图片查找方法、装置、电子设备及存储介质的应用领域进行限定。
[0050]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0051]本专利技术实施例公开了一种图片本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图片查找方法，其特征在于，包括：获取用户输入的待查找图片的当前图片描述文本；将所述当前图片描述文本输入至预先训练的词向量模型，得到所述当前图片描述文本对应的当前词向量；计算所述当前词向量与数据库已存储的各个图片描述文本对应的词向量之间的余弦相似度值；基于各个所述余弦相似度值，从所述数据库中查找到目标图片集，其中，所述目标图片集中每个目标图片的余弦相似度值均高于所述数据库中非目标图片的余弦相似度值；输出所述目标图片集。2.根据权利要求1所述的图片查找方法，其特征在于，所述基于各个所述余弦相似度值，从所述数据库中查找到目标图片集，包括：将所述数据库中的各个图片按照对应的所述余弦相似度值由大到小的顺序进行排序，得到最新图片集；从所述最新图片集中筛选出排名在预设值之前的图片作为所述目标图片，得到所述目标图片集。3.根据权利要求1所述的图片查找方法，其特征在于，所述词向量模型的训练过程包括：采用循环神经网络对COCO数据集进行训练，得到对图片进行文本描述的文本模型，其中，所述文本模型以图片作为训练样本，以图片对应的图片描述文本作为样本标签；对所述COCO数据集输入至所述文本模型得到的所有图片描述文本，采用FastText进行训练，得到所述词向量模型。4.根据权利要求3所述的图片查找方法，其特征在于，在所述数据库存储各个所述图片描述文本对应的词向量的过程包括：将用户智能终端上的所有图片输入至所述文本模型，得到各个图片描述文本；将每个所述图片描述文本输入至所述词向量模型，得到每个所述图片描述文本的词向量；将所述智能终端上的每个图片及对应的所述词向量以对应关系的形式存储在所述数据库。5.根据权利要求1所述的图片查找方法，其特征在于，还包括：获取用户从所述目标图片集中选择的期望图片；将所述期望图片作为所述待查找图片进行展示。6.一种图片查找装置...
【专利技术属性】
技术研发人员：符方英，陈子韵，邝智颖，敖倩，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。