本公开提供了一种用于评估关注状态的方法，应用于广告屏终端，包括：获取待评估对象的人脸图像信息；其中，所述待评估对象为在与所述广告屏终端关联的预设采集区域采集到的对象；基于所述人脸图像信息，生成人脸信息特征向量；将所述人脸信息特征向量输入至关注识别模型，得到所述关注识别模型的输出结果；其中，所述关注识别模型根据样本人脸信息特征向量训练得到，且用于识别对象是否关注所述广告屏终端；以及根据所述关注识别模型的输出结果，确定所述待评估对象的关注状态评估结果；其中，所述关注状态评估结果包括关注和非关注。还提供了一种用于评估关注状态的装置、计算机系统、介质及计算机程序产品。介质及计算机程序产品。介质及计算机程序产品。
【技术实现步骤摘要】
用于评估关注状态的方法、装置、系统、介质及产品
[0001]本公开涉及计算机
和互联网
，更具体地，涉及一种用于评估关注状态的方法、装置、计算机系统、计算机可读存储介质及计算机程序产品。
技术介绍
[0002]随着人工智能、自动控制、通信和计算机技术的快速发展，很多不同性质企业会在线下构建多种渠道来投放广告，例如楼宇广告、地铁广告和电梯广告等；大多数情况，做好监测和衡量线下广告投放效果的工作，才能在数字化时代兼顾投放的精确性和及时性。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下问题，广告屏关注度统计方法作为监测和衡量线下广告投放效果的评估方法，因基于姿态或者停留时间来进行评价，识别准确度低。
技术实现思路
[0004]有鉴于此，本公开提供了一种用于评估关注状态的方法、装置、计算机系统、计算机可读存储介质及计算机程序产品。
[0005]本公开的一个方面提供了一种用于评估关注状态的方法，应用于广告屏终端，包括：
[0006]获取待评估对象的人脸图像信息；其中，上述待评估对象为在与上述广告屏终端关联的预设采集区域采集到的对象；
[0007]基于上述人脸图像信息，生成人脸信息特征向量；
[0008]将上述人脸信息特征向量输入至关注识别模型，得到上述关注识别模型的输出结果；其中，上述关注识别模型根据样本人脸信息特征向量训练得到，且用于识别对象是否关注上述广告屏终端；以及
[0009]根据上述关注识别模型的输出结果，确定上述待评估对象的关注状态评估结果；其中，上述关注状态评估结果包括关注和非关注。
[0010]根据本公开的实施例，上述关注识别模型包括卷积神经网络；
[0011]上述卷积神经网络包括依次堆叠的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第五卷积层和全连接层。
[0012]根据本公开的实施例，上述根据上述关注识别模型的输出结果，确定上述待评估对象的关注状态评估结果包括：
[0013]比较上述关注识别模型的输出结果与第一预设阈值的大小；其中，上述关注识别模型的输出结果包括上述待评估对象的关注概率；
[0014]如果上述关注概率大于上述第一预设阈值，则确定上述待评估对象的关注状态评估结果为关注；以及
[0015]如果上述关注概率小于或等于上述第一预设阈值，则确定上述待评估对象的关注状态评估结果为未关注。
[0016]根据本公开的实施例，在根据上述关注识别模型的输出结果，确定上述待评估对象的关注状态评估结果之后，上述方法还包括：
[0017]确定预设时间段内在预设采集区域采集到的对象的第一数量；
[0018]基于每个上述对象的关注状态评估结果，确定上述关注状态评估结果为关注的对象的第二数量；以及
[0019]基于上述第二数量和上述第一数量，确定上述广告屏终端的关注度。
[0020]根据本公开的实施例，上述关注识别模型为利用损失函数根据样本人脸信息特征向量训练得到，训练过程包括：
[0021]获取已知关注状态结果的样本对象的人脸图像信息；
[0022]基于上述样本对象的人脸图像信息，生成上述样本对象的人脸信息特征向量；
[0023]将上述样本对象的人脸信息特征向量输入至初始卷积神经网络，生成损失函数的损失；其中，上述初始卷积神经网络的参数为预设参数；以及
[0024]根据上述损失函数的损失对上述初始卷积神经网络进行训练，直到上述损失函数的损失最小，将上述损失函数的损失最小时对应的模型作为上述关注识别模型。
[0025]根据本公开的实施例，在上述根据上述关注识别模型的输出结果，确定上述待评估对象的关注状态评估结果之后，上述方法还包括：
[0026]将已确定为关注的对象的人脸图像信息对应的人脸信息特征向量输入至上述关注识别模型，生成损失函数的损失；以及
[0027]根据上述损失函数的损失对上述关注识别模型进行优化训练，直到上述损失函数的损失最小，将上述损失函数的损失最小时对应的模型作为更新后的关注识别模型。
[0028]根据本公开的实施例，上述根据上述关注识别模型的输出结果，确定上述待评估对象的关注状态评估结果包括：
[0029]比较上述关注识别模型的输出结果与第二预设阈值的大小；其中，上述第二预设阈值大于上述第一预设阈值；以及
[0030]如果上述关注概率大于上述第二预设阈值，则确定上述待评估对象为上述已确定为关注的对象。
[0031]根据本公开的实施例，上述损失函数包括分类损失softmax函数和中心损失center函数的结合。
[0032]根据本公开的实施例，上述损失函数如下式：
[0033][0034]其中，C
yi
表示所属类别yi的类中心特征；x
i
表示全连接层输入的特征；m表示最小训练样本的大小；n表示类别数；λ为损失函数L的权重；W
yi
、W
j
分别表示全连接层的权重矩阵W的第yi列、第j列；b表示偏置项。
[0035]根据本公开的实施例，上述基于上述人脸图像信息，生成人脸信息特征向量包括：
[0036]对上述人脸图像信息进行面部区域特征提取，得到人脸面部区域图像信息；以及
[0037]将上述人脸面部区域图像信息进行向量转换，生成人脸信息特征向量。
[0038]本公开的另一个方面提供了一种用于评估关注状态的装置，包括：
[0039]获取模块，用于获取待评估对象的人脸图像信息；其中，上述待评估对象为在与上述广告屏终端关联的预设采集区域采集到的对象；
[0040]生成模块，用于基于上述人脸图像信息，生成人脸信息特征向量；
[0041]输出模块，用于将上述人脸信息特征向量输入至关注识别模型，得到上述关注识别模型的输出结果；其中，上述关注识别模型根据样本人脸信息特征向量训练得到，且用于识别对象是否关注上述广告屏终端；以及
[0042]确定模块，用于根据上述关注识别模型的输出结果，确定上述待评估对象的关注状态评估结果；其中，上述关注状态评估结果包括关注和非关注。
[0043]根据本公开的实施例，上述用于评估关注状态的装置还包括：
[0044]训练模块，用于获取已知关注状态结果的样本对象的人脸图像信息；基于上述样本对象的人脸图像信息，生成上述样本对象的人脸信息特征向量；将上述样本对象的人脸信息特征向量输入至初始卷积神经网络，生成损失函数的损失；其中，上述初始卷积神经网络的参数为预设参数；以及根据上述损失函数的损失对上述初始卷积神经网络进行训练，直到上述损失函数的损失最小，将上述损失函数的损失最小时对应的模型作为上述关注识别模型。
[0045]本公开的另一个方面提供了一种计算机系统，包括：
[0046]一个或多个处理器；
[0047]存储器，用于存储一个或多个程序，...
【技术保护点】
【技术特征摘要】
1.一种用于评估关注状态的方法，应用于广告屏终端，包括：获取待评估对象的人脸图像信息；其中，所述待评估对象为在与所述广告屏终端关联的预设采集区域采集到的对象；基于所述人脸图像信息，生成人脸信息特征向量；将所述人脸信息特征向量输入至关注识别模型，得到所述关注识别模型的输出结果；其中，所述关注识别模型根据样本人脸信息特征向量训练得到，且用于识别对象是否关注所述广告屏终端；以及根据所述关注识别模型的输出结果，确定所述待评估对象的关注状态评估结果；其中，所述关注状态评估结果包括关注和非关注。2.根据权利要求1所述的方法，其中：所述关注识别模型包括卷积神经网络；所述卷积神经网络包括依次堆叠的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第五卷积层和全连接层。3.根据权利要求1所述的方法，所述根据所述关注识别模型的输出结果，确定所述待评估对象的关注状态评估结果包括：比较所述关注识别模型的输出结果与第一预设阈值的大小；其中，所述关注识别模型的输出结果包括所述待评估对象的关注概率；如果所述关注概率大于所述第一预设阈值，则确定所述待评估对象的关注状态评估结果为关注；以及如果所述关注概率小于或等于所述第一预设阈值，则确定所述待评估对象的关注状态评估结果为未关注。4.根据权利要求1所述的方法，在根据所述关注识别模型的输出结果，确定所述待评估对象的关注状态评估结果之后，所述方法还包括：确定预设时间段内在预设采集区域采集到的对象的第一数量；基于每个所述对象的关注状态评估结果，确定所述关注状态评估结果为关注的对象的第二数量；以及基于所述第二数量和所述第一数量，确定所述广告屏终端的关注度。5.根据权利要求3所述的方法，所述关注识别模型为利用损失函数根据样本人脸信息特征向量训练得到，训练过程包括：获取已知关注状态结果的样本对象的人脸图像信息；基于所述样本对象的人脸图像信息，生成所述样本对象的人脸信息特征向量；将所述样本对象的人脸信息特征向量输入至初始卷积神经网络，生成损失函数的损失；其中，所述初始卷积神经网络的参数为预设参数；以及根据所述损失函数的损失对所述初始卷积神经网络进行训练，直到所述损失函数的损失最小，将所述损失函数的损失最小时对应的模型作为所述关注识别模型。6.根据权利要求5所述的方法，在所述根据所述关注识别模型的输出结果，确定所述待评估对象的关注状态评估结果之后，所述方法还包括：将已确定为关注的对象的人脸图像信息对应的人脸信息特征向量输入至所述关注识别模型，生成损失函数的损失；以及
根据所述损失函数的损失对所述关注识别模型进行优化训练，直到所述损失函数的损失最小，将所述损失函数的损失最小时对应的模型作为更新后的关注识别模型。7.根据权利要求6所述的方法，所述根据所述关注识别模型的输...
【专利技术属性】
技术研发人员：王志，丘宇翔，王正宇，刘威畅，
申请(专利权)人：京东数字科技控股股份有限公司，
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。