智能AI相冊(cè)軟件的設(shè)計(jì)與實(shí)現(xiàn)

摘要：當(dāng)前，大多數(shù)人的移動(dòng)設(shè)備中都存儲(chǔ)有大量圖片，這些圖片來(lái)源于相機(jī)拍攝、網(wǎng)絡(luò)下載或是朋友同事分享等，而管理這些大量圖片則往往是一項(xiàng)煩瑣的任務(wù)。傳統(tǒng)的相冊(cè)應(yīng)用通常只能按照時(shí)間或手動(dòng)標(biāo)簽進(jìn)行排序，用戶在如此大量的圖片中要找到目標(biāo)圖片非常困難。文章基于Kivy框架，設(shè)計(jì)并開發(fā)了一款智能AI相冊(cè)軟件，該軟件集成了K-Means算法和CLIP模型，可實(shí)現(xiàn)圖片的智能聚類、分類和語(yǔ)義檢索，同時(shí)還具有個(gè)性化收藏和隱私保護(hù)功能，為用戶提供了一種更智能、更便捷的照片管理方式。

關(guān)鍵詞：AI相冊(cè)；K-Means算法；CLIP模型；語(yǔ)義檢索

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）22-0048-05

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）

0 引言

隨著智能手機(jī)和數(shù)碼相機(jī)的廣泛使用，照片已經(jīng)成為人們?nèi)粘Ｉ钪胁豢苫蛉钡囊徊糠帧pp中不斷產(chǎn)生的圖片數(shù)據(jù)和人們?nèi)粘z影中保存的大量照片，使得移動(dòng)終端的圖片管理和維護(hù)變得更加困難。根據(jù)數(shù)碼照片行業(yè)咨詢公司Rise Above Research的估算，全世界在2020年拍攝的照片總數(shù)量大約是1.12萬(wàn)億，如圖1所示，其中89%以上是通過(guò)智能手機(jī)拍攝的，并且這一數(shù)字還在不斷增長(zhǎng)。據(jù)預(yù)測(cè)，2023年這一數(shù)字已經(jīng)來(lái)到了1.6萬(wàn)億，較2020年增長(zhǎng)了43.92%。

<E：＼飛翔打包文件目錄001＼電腦2024年8月上第二十二期打包文件＼7.02xs202422＼Image＼image25.png>

圖1 全球歷年拍攝照片總數(shù)

因而，對(duì)于移動(dòng)智能設(shè)備的用戶來(lái)說(shuō)，如何方便高效地管理這些圖片成為一個(gè)亟待解決的問(wèn)題。傳統(tǒng)的人工整理分類ti2JDdYZQ02ChGL3HUuSNw==方式耗時(shí)耗力，難以滿足用cAt+MkW8FzmrIqaRGgXVeQ==戶對(duì)效率和便利性的要求。近年來(lái)，人工智能技術(shù)的發(fā)展為照片管理提供了新的智能化解決方案。通過(guò)計(jì)算機(jī)視覺(jué)和多模態(tài)技術(shù)，智能相冊(cè)能夠自動(dòng)對(duì)照片進(jìn)行聚類、分類，并根據(jù)用戶的需求進(jìn)行語(yǔ)義檢索，大大提升了人們?cè)诠芾泶罅繄D片時(shí)的效率。

本文基于Kivy框架設(shè)計(jì)并開發(fā)了一款A(yù)I智能相冊(cè)軟件，通過(guò)集成K-Means算法[1]和CLIP模型[2]，實(shí)現(xiàn)了照片的智能聚類[3]、分類、語(yǔ)義檢索和隱私管理等功能，旨在為用戶提供高效、便捷的照片管理解決方案。

1 相關(guān)技術(shù)

1.1 Kivy框架

Kivy是一個(gè)開源的Python庫(kù)，用于開發(fā)多觸控應(yīng)用程序。它支持多個(gè)操作系統(tǒng)，包括Windows、mac?OS、Linux、iOS和Android，能夠快速開發(fā)應(yīng)用程序。Kivy的核心特性包括：

1） 跨平臺(tái)性[4]：Kivy應(yīng)用無(wú)須修改代碼即可跨多種操作系統(tǒng)運(yùn)行，這使得它特別適合于需要跨多種設(shè)備部署的項(xiàng)目。

2） 靈活的圖形引擎：內(nèi)置的基于OpenGL ES 2的圖形引擎，支持硬件加速，能夠渲染高質(zhì)量圖形，在保證性能的同時(shí)提供出色的視覺(jué)效果。

3） 豐富的組件庫(kù)：Kivy提供了豐富的預(yù)制組件，如按鈕、滑塊、文本輸入框等，使得界面設(shè)計(jì)既直觀又富有吸引力。

4） 事件驅(qū)動(dòng)架構(gòu)：Kivy采用事件驅(qū)動(dòng)的編程模型，能夠響應(yīng)觸控、鼠標(biāo)、鍵盤等多種用戶輸入，使應(yīng)用程序可以高效地處理用戶交互。

5） 適應(yīng)多種輸入設(shè)備：Kivy支持從觸控屏到傳統(tǒng)鼠標(biāo)鍵盤的多種輸入設(shè)備，這使得開發(fā)的應(yīng)用可以在不同的設(shè)備上提供一致的用戶體驗(yàn)。

綜上所述，Kivy強(qiáng)大的跨平臺(tái)特性、豐富的組件庫(kù)、高性能的圖形引擎以及靈活的事件驅(qū)動(dòng)架構(gòu)，使其成為開發(fā)現(xiàn)代多平臺(tái)應(yīng)用的理想選擇，特別適合需要高度交互和出色視覺(jué)體驗(yàn)的應(yīng)用程序。

1.2 K-Means聚類算法

K-Means聚類算法是一種廣泛應(yīng)用的無(wú)監(jiān)督學(xué)習(xí)算法，用于將數(shù)據(jù)集分成不同的組或簇。其目標(biāo)是使簇內(nèi)的數(shù)據(jù)點(diǎn)相似性最大化，而不同簇之間的數(shù)據(jù)點(diǎn)差異性最大化。K-Means算法的基本步驟包括：

1） 初始化：選擇[K]個(gè)數(shù)據(jù)點(diǎn)作為初始聚類中心

2） 分配：根據(jù)歐氏距離或其他距離度量，將每個(gè)數(shù)據(jù)點(diǎn)分配到最近的聚類中心。

3） 更新：對(duì)于每個(gè)聚類，重新計(jì)算聚類中心，通常采用該聚類內(nèi)所有數(shù)據(jù)點(diǎn)的平均值。

4） 重復(fù)：重復(fù)分配和更新步驟，直到聚類中心的變動(dòng)不再顯著或達(dá)到既定的最大迭代次數(shù)。

K-Means算法的目標(biāo)是最小化所有數(shù)據(jù)點(diǎn)到其對(duì)應(yīng)聚類中心的距離的平方和，即：[mini=1kx∈Cix-μi2]，式中，[Ci]是第[i]個(gè)聚類，[μi]是第[i]個(gè)聚類的中心，[x-μi2]表示歐氏距離。

在照片智能聚類應(yīng)用中，K-Means算法首先對(duì)照片進(jìn)行特征提取，得到高維特征向量。然后根據(jù)這些特征向量進(jìn)行聚類，將內(nèi)容相似或相近的照片自動(dòng)歸類，形成不同的聚類相冊(cè)，方便用戶快速找到相關(guān)圖片，提高瀏覽效率。

1.3 CLIP模型

CLIP（Contrastive Language-Image Pre-training） 模型是由OpenAI團(tuán)隊(duì)開發(fā)的一種多模態(tài)預(yù)訓(xùn)練模型，旨在實(shí)現(xiàn)文本和圖像之間的跨模態(tài)理解。CLIP結(jié)合了對(duì)比學(xué)習(xí)和多模態(tài)學(xué)習(xí)的原理，與傳統(tǒng)的基于圖像增廣的對(duì)比學(xué)習(xí)方法不同，CLIP的訓(xùn)練依賴大量的圖像-文本對(duì)進(jìn)行對(duì)比學(xué)習(xí)。其中，一張圖像及其對(duì)應(yīng)的文本描述為正樣本，而與其不對(duì)應(yīng)的文本描述為負(fù)樣本。模型通過(guò)比較正負(fù)樣本之間的相似性和差異性來(lái)學(xué)習(xí)文本與圖像間的關(guān)聯(lián)關(guān)系，以達(dá)到跨模態(tài)識(shí)別的效果。為此，OpenAI從互聯(lián)網(wǎng)收集了共4億個(gè)文本-圖像對(duì)并使用一個(gè)統(tǒng)一的嵌入空間來(lái)表示文本和圖像。

CLIP采用雙塔結(jié)構(gòu)，包括一個(gè)文本編碼器和一個(gè)圖像編碼器。其中文本編碼器用于提取文本特征，通常采用NLP中常用的Transformer模型[5]；圖像編碼器用來(lái)提取圖像的特征，通常采用ResNet[6]或者ViT[7]模型。文本和圖像信息分別通過(guò)文本編碼器和圖像編碼器編碼后映射到同一特征空間中。假設(shè)有[N]個(gè)圖像-文本對(duì)，則形成一個(gè)[N]×[N]的相似度矩陣，其中包括[N]個(gè)正樣本和[N2-N]個(gè)負(fù)樣本。通過(guò)余弦相似度表示圖像與文本間的對(duì)應(yīng)關(guān)系，余弦相似度越大，則關(guān)聯(lián)性越高，反之越低。最后通過(guò)損失函數(shù)來(lái)優(yōu)化模型，核心偽代碼如下所示：

# image_encoder–圖片編碼器

# text_encoder–文本編碼器

# I[n， h， w， c]–小批次的對(duì)齊圖片

# T[n， l]–小批次的對(duì)齊文本

# W_i[d_i， d_e]–可學(xué)習(xí)的圖片嵌入層

# W_t[d_t， d_e]–可學(xué)習(xí)的文本嵌入層

# t–可學(xué)習(xí)的溫度參數(shù)

# 圖片、文本特征提取

I_f = image_encoder（I） #[n， d_i]

T_f = text_encoder（T） #[n， d_t]

# 多模態(tài)聯(lián)合編碼

I_e = l2_normalize（np.dot（I_f， W_i）， axis=1）

T_e = l2_normalize（np.dot（T_f， W_t）， axis=1）

# 余弦相似度計(jì)算

logits = np.dot（I_e， T_e.T） * np.exp（t）

# 對(duì)稱損失函數(shù)

labels = np.arange（n）

loss_i = cross_entropy_loss（logits， labels， axis=0）

loss_t = cross_entropy_loss（logits， labels， axis=1）

loss = （loss_i + loss_t）/2

在進(jìn)行零樣本預(yù)測(cè)時(shí)，將輸入的圖片的特征提取后與文本特征一一匹配，進(jìn)而輸出相似度最高的標(biāo)簽，CLIP模型結(jié)構(gòu)如圖2所示。

得益于海量的訓(xùn)練樣本，CLIP模型在零樣本學(xué)習(xí)[8]的應(yīng)用上表現(xiàn)出色。通過(guò)學(xué)習(xí)圖像和文本之間的對(duì)應(yīng)關(guān)系，CLIP模型具有極強(qiáng)的泛化能力。傳統(tǒng)的機(jī)器學(xué)習(xí)模型需要大量帶標(biāo)簽的數(shù)據(jù)來(lái)學(xué)習(xí)每個(gè)類別的特征，而CLIP通過(guò)學(xué)習(xí)語(yǔ)言和視覺(jué)的通用表示，無(wú)須任何先驗(yàn)知識(shí)即可進(jìn)行精準(zhǔn)分類。因此，在處理圖像分類和檢索任務(wù)時(shí)，CLIP模型具有適應(yīng)新類別能力強(qiáng)、魯棒性高等優(yōu)點(diǎn)。基于此，本文的智能AI相冊(cè)軟件選擇CLIP模型來(lái)進(jìn)行圖像分類和檢索任務(wù)。

2 軟件設(shè)計(jì)

智能AI相冊(cè)軟件主要包含4個(gè)功能模塊，分別是所有照片模塊、智能相冊(cè)模塊、智能搜索模塊及隱私圖片模塊，如圖3所示，下面本文將逐一介紹這4個(gè)模塊。

2.1 所有照片模塊

所有照片模塊作為軟件的核心頁(yè)面，也是進(jìn)入App軟件后首先展示的主頁(yè)。在這里，設(shè)備存儲(chǔ)中的所有圖片根據(jù)保存時(shí)間進(jìn)行線性排序，默認(rèn)以降序排序，即最新保存的圖片在最上方，而最早保存的圖片在最下方，并記錄保存的時(shí)間，用戶可以快速精確地訪問(wèn)到近期的常用圖片。此外，該模塊還提供靈活的排序切換功能，允許用戶調(diào)整排序方式為升序，方便用戶回顧歷史圖片。軟件實(shí)現(xiàn)部分效果展示如圖4所示。

2.2 AI智能相冊(cè)模塊

AI智能相冊(cè)模塊包括以下4項(xiàng)功能：智能分類、智能聚類、最近刪除和我的收藏。

智能分類功能可以根據(jù)用戶的個(gè)人偏好自定義類別名稱，將內(nèi)存中屬于該類別的照片自動(dòng)歸入。該功能模塊以CLIP模型為核心，用戶添加新的照片時(shí)，軟件使用CLIP模型對(duì)照片進(jìn)行特征提取，生成照片的特征向量。用戶自定義的類別名稱也會(huì)通過(guò)CLIP模型進(jìn)行處理，生成對(duì)應(yīng)的文本特征向量。軟件將照片的特征向量與用戶創(chuàng)建的類別名稱的文本特征向量進(jìn)行匹配，根據(jù)匹配度將照片自動(dòng)歸入相應(yīng)的類別。用戶可以隨時(shí)添加、刪除或修改類別名稱，軟件隨即動(dòng)態(tài)更新不同類別下的圖片，方便用戶個(gè)性化地管理相冊(cè)。功能實(shí)現(xiàn)效果如圖5所示。

智能聚類功能是軟件自動(dòng)化照片管理的重要組成部分。該功能通過(guò)K-Means算法將內(nèi)容相似或相近的圖片自動(dòng)聚類，形成幾個(gè)不同類別的相冊(cè)。具體流程為：首先對(duì)內(nèi)存中的照片進(jìn)行特征提取，然后從提取的特征向量中隨機(jī)選擇 K 個(gè)作為初始質(zhì)心，通過(guò)距離計(jì)算將每張照片分配到距離其最近的質(zhì)心所代表的聚類中。隨后軟件會(huì)不斷更新質(zhì)心位置，直至聚類結(jié)果趨于穩(wěn)定。用戶可以通過(guò)這些不同聚類整理后的相冊(cè)，快速找到相似的批量圖片，提高瀏覽效率。聚類相冊(cè)如圖6所示。

最近刪除功能為用戶提供了一個(gè)臨時(shí)存儲(chǔ)空間，用于保存已刪除的照片。在該功能模塊中，刪除后的照片在這里經(jīng)過(guò)一段時(shí)間的備份保存后才會(huì)被永久刪除；否則，用戶可以一鍵恢復(fù)已刪除的圖片。這不僅為用戶提供了額外的安全保障，防止誤刪重要照片，同時(shí)也提升了照片管理的靈活性。最近刪除模塊如圖7所示。

我的收藏功能允許用戶將喜歡的照片標(biāo)記為收藏，以便快速訪問(wèn)和管理，收藏的照片會(huì)按照添加到收藏中的時(shí)間進(jìn)行降序排序，方便了用戶的查找和分享，如圖8所示。

2.3 智能搜索模塊

智能搜索模塊為用戶提供一個(gè)簡(jiǎn)潔的圖片搜索框。在搜索框中直接搜索圖片內(nèi)容的關(guān)鍵詞即可幫助用戶快速定位所需的圖片，無(wú)須瀏覽整個(gè)相冊(cè)。如圖9所示，該模塊通過(guò)多模態(tài)技術(shù)[9]，利用語(yǔ)義檢索識(shí)別用戶輸入文本的語(yǔ)義信息[10]，從而匹配與之相似度最高的圖片，并根據(jù)相似度排序，為用戶展示最符合搜索描述的圖片。

2.4 隱私圖片模塊

隱私圖片模塊是智能AI相冊(cè)中用于保護(hù)用戶個(gè)人隱私和敏感照片的關(guān)鍵功能模塊。用戶可以在首次使用隱私功能時(shí)設(shè)置隱私密碼以啟用該功能，并將需要保護(hù)的照片設(shè)為隱私圖片。用戶在輸入正確密碼后進(jìn)入隱私照片頁(yè)面，可以進(jìn)行查看、刪除、分享或取消私密狀態(tài)等管理操作。若忘記特定的隱私密碼，也可以通過(guò)手機(jī)鎖屏密碼重置隱私密碼，如圖10所示。

3 系統(tǒng)實(shí)現(xiàn)

3.1 系統(tǒng)架構(gòu)

對(duì)于智能AI相冊(cè)軟件的開發(fā)，本文采用了基于Python的Kivy框架的多層架構(gòu)，根據(jù)職責(zé)將應(yīng)用邏輯分布在不同的組件中。這些組件根據(jù)所屬的不同層次被部署在不同的平臺(tái)上。該應(yīng)用的架構(gòu)主要包括4個(gè)層次：用戶界面層、應(yīng)用邏輯層、模型服務(wù)層以及數(shù)據(jù)管理層。

用戶界面層組件位于客戶端設(shè)備上，主要由Kivy框架的GUI組件[11]構(gòu)成。在該智能AI相冊(cè)軟件中，用戶界面層通過(guò)Kivy應(yīng)用程序直接負(fù)責(zé)頁(yè)面的顯示處理，進(jìn)行各種圖片瀏覽、編輯、分類及搜索等操作。

應(yīng)用邏輯層和模型服務(wù)層位于應(yīng)用服務(wù)器上，其中應(yīng)用邏輯層主要負(fù)責(zé)實(shí)現(xiàn)軟件的業(yè)務(wù)邏輯，如照片的上傳處理、智能分類、隱私設(shè)置等。該層接收用戶界面層傳遞的數(shù)據(jù)，進(jìn)行適當(dāng)處理后存儲(chǔ)到數(shù)據(jù)存儲(chǔ)設(shè)備中，或者從數(shù)據(jù)存儲(chǔ)設(shè)備中讀取數(shù)據(jù)，經(jīng)過(guò)處理反饋到客戶端。

模型服務(wù)層包含了K-Means算法和CLIP模型的實(shí)現(xiàn)，主要負(fù)責(zé)圖像和文本的特征提取，以及基于特征的相似度計(jì)算和聚類分析。這一層為應(yīng)用邏輯層提供必要的AI能力，以支持復(fù)雜的圖像處理和智能搜索功能。

數(shù)據(jù)管理層位于數(shù)據(jù)庫(kù)服務(wù)器上，使用SQLite輕量級(jí)數(shù)據(jù)庫(kù)來(lái)存儲(chǔ)和管理所有的圖片數(shù)據(jù)以及用戶生成的元數(shù)據(jù)。在智能AI相冊(cè)系統(tǒng)中實(shí)現(xiàn)的所有數(shù)據(jù)存儲(chǔ)和查詢功能都是在數(shù)據(jù)管理層中實(shí)現(xiàn)。

這種分層的架構(gòu)設(shè)計(jì)不僅確保了軟件的可維護(hù)性和擴(kuò)展性，也使得各層之間的職責(zé)清晰，有助于高效的團(tuán)隊(duì)協(xié)作和軟件開發(fā)。

3.2 軟件開發(fā)關(guān)鍵技術(shù)

CLIP模型的模型體積和計(jì)算需求通常超出了普通移動(dòng)設(shè)備的處理能力，本文選擇在云服務(wù)器上部署預(yù)訓(xùn)練的CLIP模型，通過(guò)開發(fā)一個(gè)API服務(wù)，接收從移動(dòng)設(shè)備應(yīng)用傳輸?shù)哪Ｐ驼{(diào)用請(qǐng)求，并返回相應(yīng)的結(jié)果。這種方式使得模型不受手機(jī)硬件限制，可以利用強(qiáng)大的服務(wù)器資源，且易于更新和維護(hù)模型。

依賴CLIP模型進(jìn)行實(shí)時(shí)語(yǔ)義檢索的另一個(gè)問(wèn)題是查詢速度。當(dāng)內(nèi)存中存在大量圖片時(shí)，提取每張圖片的圖像特征與關(guān)鍵字的文本特征進(jìn)行匹配需要較長(zhǎng)時(shí)間。本文通過(guò)3種策略解決該問(wèn)題：

首先，每張圖像在添加至相冊(cè)時(shí)就預(yù)先計(jì)算并存儲(chǔ)其特征向量于數(shù)據(jù)庫(kù)文件中，這樣搜索時(shí)僅需計(jì)算文本特征并進(jìn)行匹配。

其次，對(duì)常見的搜索查詢和結(jié)果進(jìn)行緩存，當(dāng)相同或類似的查詢?cè)俅伟l(fā)生時(shí)，可以直接從緩存文件中提取結(jié)果，避免重復(fù)計(jì)算。

最后，當(dāng)搜索結(jié)果較多時(shí)，先返回部分結(jié)果供用戶查看，后臺(tái)繼續(xù)處理剩余結(jié)果并漸進(jìn)式地顯示。

4 軟件測(cè)試與部署

為確保軟件的正常使用，本文進(jìn)行了以下測(cè)試：

1） 功能測(cè)試：確保所有功能模塊和頁(yè)面都能正常工作，包括照片展示、分類、搜索和隱私功能。

2） 性能測(cè)試：測(cè)試軟件在不同設(shè)備上的性能，包括加載速度、響應(yīng)時(shí)間和資源占用情況。

3） 兼容性測(cè)試：測(cè)試軟件在不同操作系統(tǒng)和設(shè)備上的兼容性，確保在不同環(huán)境下都能正常運(yùn)行。

4） 安全性測(cè)試：測(cè)試隱私功能的安全性，確保隱私圖片只能在輸入正確密碼后才能查看。

5） 用戶體驗(yàn)測(cè)試：邀請(qǐng)部分目標(biāo)用戶群體參與早期測(cè)試，收集并分析其反饋，以調(diào)整和優(yōu)化用戶界面和操作流程。

在測(cè)試結(jié)束后，本文對(duì)智能AI相冊(cè)軟件進(jìn)行了平臺(tái)部署。具體包括以下步驟：

1） 打包應(yīng)用：使用Kivy的打包工具將應(yīng)用程序打包為可執(zhí)行文件，以便在不同平臺(tái)上部署。

2） 發(fā)布到應(yīng)用商店：將打包好的應(yīng)用程序上傳到應(yīng)用商店，如Google Play Store、Apple App Store，并按照每個(gè)平臺(tái)的審核指南進(jìn)行優(yōu)化，以確保順利通過(guò)審核，以便用戶下載和安裝。

3） 更新和維護(hù)：在應(yīng)用發(fā)布后，定期監(jiān)控其運(yùn)行狀況，并根據(jù)用戶反饋及時(shí)進(jìn)行更新，以修復(fù)任何發(fā)現(xiàn)的漏洞并引入新功能。在重要的更新或功能發(fā)布后，特別是那些影響用戶數(shù)據(jù)和隱私安全的更新，確保進(jìn)行周密的測(cè)試和重新部署。

4） 用戶支持：提供用戶支持渠道，幫助用戶解決使用中遇到的問(wèn)題。

5 結(jié)束語(yǔ)

隨著移動(dòng)設(shè)備和社交媒體的普及，大量的圖片被存儲(chǔ)在智能設(shè)備中，如何高效地管理這些圖片成為困擾用戶的難題。為了解決傳統(tǒng)相冊(cè)在查詢和管理圖片方面的缺點(diǎn)，本文基于Kivy框架，設(shè)計(jì)并開發(fā)了一款智能AI相冊(cè)軟件。該軟件集成了K-Means聚類算法和CLIP多模態(tài)預(yù)訓(xùn)練模型，實(shí)現(xiàn)了圖片的時(shí)間軸管理和個(gè)性化聚類分類功能。用戶也可以通過(guò)關(guān)鍵字描述直接搜索圖片，并進(jìn)行收藏、刪除、隱私設(shè)置等圖片管理操作，為用戶提供了高效便捷的照片管理方式。

參考文獻(xiàn)：

[1] ZHU J，WANG H S.An improved K-means clustering algorithm[C]//2010 2nd IEEE International Conference on Information Management and Engineering.IEEE，2010：190-192.

[2] RADFORD A，KIM J W，HALLACY C，et al.Learning transferable visual models from natural language supervision[C].Proceedings of the 38th International Conference on Machine Learning，PMLR，2021：8748-8763.

[3] 伍育紅.聚類算法綜述[J].計(jì)算機(jī)科學(xué)，2015，42（6A）：491-499.

[4] 徐朝勝，師衛(wèi).應(yīng)用軟件跨平臺(tái)技術(shù)的研究[J].科技情報(bào)開發(fā)與經(jīng)濟(jì)，2007，17（5）：244-245.

[5] VASWANI A，SHAZEER N，PARMAR N，et al.Attention is all you need[EB/OL].[2022-10-20].2017：arXiv：1706.03762.http：//arxiv.org/abs/1706.03762

[6] HE K M，ZHANG X Y，REN S Q，et al.Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.IEEE，2016：770-778.

[7] DOSOVITSKIY A，BEYER L，KOLESNIKOV A，et al.An image is worth 16x16 words：transformers for image recognition at scale[J/OL].[2022-10-20].ArXiv e-Prints，2020：arXiv：2010.11929.

[8] 王澤深，楊云，向鴻鑫，等.零樣本學(xué)習(xí)綜述[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（19）：1-17.

[9] 孫影影，賈振堂，朱昊宇.多模態(tài)深度學(xué)習(xí)綜述[J].計(jì)算機(jī)工程與應(yīng)用，2020，56（21）：1-10.

[10] 文坤梅，盧正鼎，孫小林，等.語(yǔ)義搜索研究綜述[J].計(jì)算機(jī)科學(xué)，2008，35（5）：1-4.

[11] 李利，王秀峰.Java布局管理器在GUI設(shè)計(jì)中的應(yīng)用[J].企業(yè)技術(shù)開發(fā)，2003（10）：15-18.

【通聯(lián)編輯：謝媛媛】