背景技術(shù):
1、分析和/或表征數(shù)字圖像是一項非常復雜的任務。當圖像數(shù)據(jù)庫包括數(shù)百萬個對象圖像并且可能包含數(shù)百萬個不同版本的對象時,尤其如此。同一對象也可能有來自不同圖像視圖(例如,正面視圖、背面視圖、側(cè)面視圖等)的許多圖像?,F(xiàn)在推斷,圖像數(shù)據(jù)庫中有數(shù)千個不同的對象,這將成為一個龐大的圖像量。如此龐大的數(shù)量使得人類甚至無法使用這些圖像,更不用說嘗試以任何有用的方式表征它們。圖像分析系統(tǒng)可以用于識別圖像中的物理特征(例如,面部識別),但它們不會做出超出圖像中的物理特征的預測。
技術(shù)實現(xiàn)思路
1、在一個方面,公開了一種由計算系統(tǒng)執(zhí)行的方法,包括:將表示目標對象的數(shù)字形式的目標對象圖像輸入到機器學習模型;由機器學習模型至少將目標對象圖像的數(shù)字像素數(shù)據(jù)與一組已知對象圖像的數(shù)字像素數(shù)據(jù)進行比較;由機器學習模型至少基于數(shù)字像素數(shù)據(jù)生成目標對象圖像與該組已知對象圖像中的一個或多個已知對象圖像之間的相似度分數(shù)。
2、機器學習模型被配置為至少部分地基于所述一個或多個已知對象圖像的相似度分數(shù)來識別相似對象圖像集。該方法還包括:對于相似對象圖像集中的每個相似對象圖像,檢索包括與每個相似對象圖像相關(guān)聯(lián)的歷史事件數(shù)據(jù)的對象屬性;至少基于給定相似對象的歷史事件數(shù)據(jù)結(jié)合該給定相似對象的相似度分數(shù),來為目標對象圖像中表示的目標對象生成包括預測特性的預測特性模型;生成具有目標對象的預測特性的電子消息,并將電子消息傳輸?shù)竭h程計算機。
3、在另一方面,公開了一種非暫態(tài)計算機可讀介質(zhì),其存儲計算機可執(zhí)行指令,該計算機可執(zhí)行指令在由包括處理器的計算機執(zhí)行時,使得計算機執(zhí)行由計算機可執(zhí)行指令配置的功能,其中使得計算機:
4、將表示目標產(chǎn)品的數(shù)字形式的目標產(chǎn)品圖像輸入到機器學習模型;由機器學習模型通過將目標產(chǎn)品圖像的數(shù)字像素數(shù)據(jù)與已知產(chǎn)品圖像的數(shù)字像素數(shù)據(jù)進行比較并生成目標產(chǎn)品圖像與每個相似產(chǎn)品圖像之間的相似度分數(shù)來識別相似產(chǎn)品圖像集;對于相似產(chǎn)品圖像集中的每個相似產(chǎn)品圖像,檢索包括與每個相似產(chǎn)品圖像相關(guān)聯(lián)的歷史事件數(shù)據(jù)的產(chǎn)品屬性;以及至少基于給定相似產(chǎn)品的歷史事件數(shù)據(jù)結(jié)合該給定相似產(chǎn)品的相似度分數(shù),來為目標產(chǎn)品圖像中表示的目標產(chǎn)品生成預測特性。
5、在另一方面,公開了一種計算系統(tǒng),包括:
6、連接到至少一個存儲器的至少一個處理器;
7、非暫態(tài)計算機可讀介質(zhì),包括存儲在其上的指令,該指令在由至少一個處理器執(zhí)行時,使得至少一個處理器:
8、將表示目標產(chǎn)品的數(shù)字形式的目標產(chǎn)品圖像輸入到機器學習模型;由機器學習模型至少將目標產(chǎn)品圖像的數(shù)字像素數(shù)據(jù)與一組已知產(chǎn)品圖像的數(shù)字像素數(shù)據(jù)進行比較;由機器學習模型至少基于數(shù)字像素數(shù)據(jù)生成產(chǎn)品圖像與該組已知產(chǎn)品圖像中的一個或多個已知產(chǎn)品圖像之間的相似度分數(shù);由機器學習模型至少部分地基于一個或多個已知產(chǎn)品圖像的相似度分數(shù)來識別相似產(chǎn)品圖像集;對于相似產(chǎn)品圖像集中的每個相似產(chǎn)品圖像,檢索包括與每個相似產(chǎn)品圖像相關(guān)聯(lián)的歷史事件數(shù)據(jù)的產(chǎn)品屬性;以及至少基于給定相似產(chǎn)品的歷史事件數(shù)據(jù)結(jié)合該給定相似產(chǎn)品的相似度分數(shù),來為目標產(chǎn)品圖像中表示的目標產(chǎn)品生成包括預測特性的預測特性模型。
1.一種由包括至少一個處理器的計算系統(tǒng)執(zhí)行的方法,所述方法包括:
2.如權(quán)利要求1所述的方法,
3.如權(quán)利要求1或2所述的方法,還包括:
4.如任何前述權(quán)利要求所述的方法,其中為目標對象生成預測特性模型包括:使用給定相似對象的相似度分數(shù)對該給定相似對象的歷史事件數(shù)據(jù)進行加權(quán)。
5.如權(quán)利要求1所述的方法,其中目標對象是目標產(chǎn)品,并且其中生成預測特性還包括:
6.如任何前述權(quán)利要求所述的方法,其中識別步驟還包括:
7.如任何前述權(quán)利要求所述的方法,還包括:
8.一種存儲計算機可執(zhí)行指令的非暫態(tài)計算機可讀介質(zhì),所述計算機可執(zhí)行指令在由包括處理器的計算機執(zhí)行時,使得計算機執(zhí)行由所述計算機可執(zhí)行指令配置的功能,其中所述指令使得所述計算機:
9.如權(quán)利要求8所述的非暫態(tài)計算機可讀介質(zhì),還包括指令,該指令在至少由所述處理器執(zhí)行時,使得所述處理器:
10.如權(quán)利要求8或9所述的非暫態(tài)計算機可讀介質(zhì),還包括指令,該指令在至少由所述處理器執(zhí)行時,使得所述處理器:
11.如權(quán)利要求10所述的非暫態(tài)計算機可讀介質(zhì),還包括指令,該指令在至少由所述處理器執(zhí)行時,使得所述處理器:
12.如權(quán)利要求8至11中的任一項所述的非暫態(tài)計算機可讀介質(zhì),還包括指令,該指令在至少由所述處理器執(zhí)行時,使得所述處理器:
13.如權(quán)利要求8至12中的任一項所述的非暫態(tài)計算機可讀介質(zhì),還包括指令,該指令在至少由所述處理器執(zhí)行時,使得所述處理器:
14.如權(quán)利要求8至13中的任一項所述的非暫態(tài)計算機可讀介質(zhì),還包括指令,該指令在至少由所述處理器執(zhí)行時,使得所述處理器:
15.一種計算系統(tǒng),包括:
16.如權(quán)利要求15所述的計算系統(tǒng),其中所述指令還包括如下指令,該指令在至少由所述處理器執(zhí)行時,使得所述處理器:
17.如權(quán)利要求15或16所述的計算系統(tǒng),其中所述指令還包括如下指令,該指令在至少由所述處理器執(zhí)行時,使得所述處理器:
18.如權(quán)利要求15至17中的任一項所述的計算系統(tǒng),其中用于生成預測特性模型的指令還包括如下指令,該指令在至少由所述處理器執(zhí)行時,使得所述處理器:
19.如權(quán)利要求15至18中的任一項所述的計算系統(tǒng),其中所述指令還包括如下指令,該指令在至少由所述處理器執(zhí)行時,使得所述處理器:
20.如權(quán)利要求15至19中的任一項所述的計算系統(tǒng),其中所述指令還包括如下指令,該指令在至少由所述處理器執(zhí)行時,使得所述處理器: