[发明专利]一种预测图片流行度的方法及系统

权利要求书

1.一种预测图片流行度的方法，其特征在于，包括：

步骤1：对接收的源数据进行预处理得到特征样本；其中，所述特征样本包括视觉特征和社交特征；

步骤2：对所述特征样本按照预设比率进行随机失活处理，得到第一输入特征；

步骤3：利用预设数个回归模型对所述输入特征进行预测操作得到中间预测结果，并将所述中间预测结果与所述第一输入特征进行组合得到第二输入特征；

步骤4：根据所述第二输入特征判断深度堆叠回归模型是否收敛；若否，则将所述中间预测结果与所述第二输入特征组合得到第三输入特征，并将所述第三输入结果作为新的所述特征样本进入步骤2；若是，则进入步骤5；

步骤5：根据所述中间预测结果生成相对应的所述图片流行度。

2.根据权利要求1所述方法，其特征在于，所述对接收的源数据进行预处理得到特征样本包括：

将所述源数据划分为图片数据和社交数据；

利用人工神经网络对所述图片数据进行特征提取得到所述视觉特征；

利用多时态标度和Z-score标准化对所述社交数据进行转化得到所述社交特征；

将所述视觉特征和所述社交特征按预设规则拼接得到所述特征样本。

3.根据权利要求2所述方法，其特征在于，所述利用人工神经网络对所述图片数据进行特征提取得到所述视觉特征包括：

利用人工神经网络对所述图片数据进行两级特征提取得到低级特征和高级特征；

将所述低级特征和所述高级特征进行组合得到所述视觉特征。

4.根据权利要求3所述方法，其特征在于，所述利用人工神经网络对所述图片数据进行两级特征提取得到低级特征和高级特征包括：

在ImageNet数据集和Place365数据集上训练得到ResNeXt模型，Xception模型和DenseNet模型；其中，所述ResNeXt模型、Xception模型和DenseNet模型均为人工神经网络；

将所述图片数据输入到所述ResNeXt模型、Xception模型和DenseNet模型中，并将所述ResNeXt模型、Xception模型和DenseNet模型最后一层之前的特征图的值提取并经过特征压缩和特征选择得到所述低级特征；

将所述ResNeXt模型、Xception模型和DenseNet模型对图片预测的场景信息和类别信息连接得到所述高级特征。

5.一种预测图片流行度的系统，其特征在于，包括：

预处理模块，用于对接收的源数据进行预处理得到特征样本；其中，所述特征样本包括视觉特征和社交特征；

Dropout模块，用于对所述特征样本按照预设比率进行随机失活处理，得到第一输入特征；

Block模块，用于利用预设数个回归模型对所述第一输入特征进行预测操作得到中间预测结果，并将所述中间预测结果与所述输入特征进行组合得到第二输入特征；

Detector模块，用于根据所述第二输入特征判断深度堆叠回归模型是否收敛；若否，则将所述中间预测结果与所述第二输入特征组合得到第三输入特征，并将所述第三输入结果作为新的所述特征样本进入下一层堆叠回归模型；若是，则根据所述中间预测结果生成相对应的所述图片流行度。

6.根据权利要求5所述系统，其特征在于，所述预处理模块包括：

分类子模块，用于将所述源数据划分为图片数据和社交数据；

视觉特征提取子模块，用于利用人工神经网络对所述图片数据进行特征提取得到所述视觉特征；

社交特征提取子模块，用于利用多时态标度和Z-score标准化对所述社交数据进行转化得到所述社交特征；

拼接子模块，用于将所述视觉特征和所述社交特征按预设规则拼接得到所述特征样本。

7.根据权利要求6所述系统，其特征在于，所述视觉特征提取子模块包括：

两级特征提取单元，用于利用人工神经网络对所述图片数据进行两级特征提取得到低级特征和高级特征；

组合单元，用于将所述低级特征和所述高级特征进行组合得到所述视觉特征。