使用图像语义内容的品牌渗透确定系统的制作方法

本公开一般地涉及确定在地理区域(geographicarea)上的品牌渗透的测量(measure)。更具体地，本公开涉及品牌渗透确定系统和方法，该系统和方法基于来自多个地理定位的图像的品牌检测的数量和各个分区的子区域(sub-region)内的相对应的位置来生成指数。

背景技术：

当前正在开发和部署图像内容分析引擎，以检测非常宽泛的对象和实体组(array)。可以处理从这些引擎获得的数据以用于之后的检索和分析，其可以涵盖广泛范围的应用并且承载沉重的计算负荷。这样，需要额外的技术来提供与分析的图像和相关的内容相关联的有用数据，同时最小化存储这样的数据的成本，包括例如存储这样的数据需要的计算机存储器的量。

技术实现要素：

本公开的实施例的方面和优点将在以下描述中部分地阐述，或者可以从描述习得，或者可以通过对实施例的实践习得。

本公开的一个示例方面针对一种用于确定跨地理区域的品牌渗透的测量的计算机实现的方法。该方法包括通过一个或多个计算设备将地理区域划分为两个或更多个子区域。该方法还包括通过一个或多个计算设备从在每个子区域内的一个或多个地点(site)处捕获的图像确定在每个相应的子区域内的品牌的检测的数量。该方法还包括通过一个或多个计算设备生成针对每个子区域的品牌渗透指数，其中，品牌渗透指数基于在相应的子区域中的品牌的检测的数量。该方法还包括通过一个或多个计算设备将针对每个子区域的品牌渗透指数与相应的子区域的指示符相关联地存储在存储器中。

本公开的另一示例方面针对一种计算系统。该计算系统包括地理子区域确定系统，该地理子区域确定系统被配置为将地理区域分区为两个或更多个子区域。该计算系统还包括图像内容分析引擎，该图像内容分析引擎被配置为从在每个子区域内的一个或多个地点处捕获的图像确定在每个相应的子区域内的品牌的检测的数量。该计算系统还包括品牌渗透指数生成系统，该品牌渗透指数生成系统被配置为生成针对每个子区域的品牌渗透指数，其中，品牌渗透指数基于通过基于子区域内人口的人口因素(factor)或基于与品牌相关联的商品的类别的类别因素中的一个或多个来加权的、在相应的子区域中的品牌的检测的数量。地理子区域确定系统被配置为，在将地理区域划分为两个或更多个子区域时，确定子区域的数量和每个子区域的一个或多个边界，以确保每个子区域内的人口高于阈值。该计算系统还包括一个或多个有形的计算机可读介质，该一个或多个有形的计算机可读介质被配置为与相应的子区域的指示符相关联地存储针对每个子区域的品牌渗透指数。

本公开的另一示例方面针对存储计算机可读指令的一个或多个有形的非暂时性计算机可读介质，该计算机可读指令在通过一个或多个处理器执行时使一个或多个处理器执行操作。该操作包括将地理区域划分为两个或更多个子区域。该操作还包括从在每个子区域内的一个或多个地点处捕获的图像确定每个相应的子区域内的品牌的检测的数量。该操作还包括生成针对每个子区域的品牌渗透指数，其中，品牌渗透指数基于在相应的子区域中的品牌的检测的数量。该操作还包括将针对每个子区域的品牌渗透指数与相应的子区域的指示符相关联地存储在存储器中。该操作还包括至少部分地基于针对两个或更多个子区域中的给定子区域的品牌渗透指数来确定与品牌相关联的电子内容项。电子内容项被配置为递送到并且显示在与给定子区域相关联的电子设备上。

本公开的其他方面针对各种系统、装置、非暂时性计算机可读介质、计算机程序产品、用户接口和电子设备。

参考以下描述和所附权利要求，将更好地理解本公开的各种实施例的这些和其他特征、方面和优点。并入和构成本说明书的一部分的附图示出了本公开的示例实施例，并且与描述一起用于解释相关的原理。

附图说明

在参考附图的说明书中阐述了针对本领域普通技术人员的实施例的详细讨论，在附图中：

图1描绘了根据本公开的示例实施例的用于确定跨地理区域的品牌渗透的测量的示例计算系统的框图；

图2描绘了根据本公开的示例实施例的示例图像内容分析引擎的框图；

图3描绘了根据本公开的示例实施例的通过图像内容分析引擎实现的示例分析的第一方面；

图4描绘了根据本公开的示例实施例的通过图像内容分析引擎实现的示例分析的第二方面；

图5描绘了根据本公开的示例实施例的区域品牌渗透的示例测量的第一视觉表示(representation)；

图6描绘了根据本公开的示例实施例的区域品牌渗透的示例测量的第二视觉表示；

图7描绘了根据本公开的示例实施例的用于确定跨地理区域的品牌渗透的测量的示例方法的流程图；

图8描绘了根据本公开的示例实施例的用于确定地理区域内的品牌的检测的数量的示例方法的流程图；

图9描绘了根据本公开的示例实施例的用于训练图像内容分析模型的示例方法的流程图；以及

图10描绘了根据本公开的示例实施例的示例计算系统的框图。

在多个附图中重复的附图标记旨在标识各个实施方式中的相同特征。

具体实施方式

与本公开一致的系统和方法可以包括用于生成和存储与地理区域相关联的品牌渗透的测量的特征。更具体地，所公开的系统和方法可以采用图像内容分析模型，以用于从多个地理定位的图像确定品牌检测。然后，可以基于品牌检测的数量和相对应的分区的位置来生成品牌渗透指数和相关的测量。例如，在一些实施方式中，品牌渗透确定系统可以被配置为确定地理区域内的两个或更多个离散化子区域的分布，针对其可以确定品牌渗透的相关联的测量。可以确定子区域数量和/或边界，以确保每个子区域内的人口高于阈值。通过确保每个子区域的人口高于该阈值，减轻了在存储针对每个子区域的统计地相关的品牌指数中所施加的计算负担。另外，通过确保仅存储具有统计地意义的居民数量的子区域的品牌指数，所公开的系统和方法可以提供与影像(imagery)语料库相关联的有用的数据，而同时地最小化将该数据存储在存储器中的成本。

应当领会，所公开的技术的实施例的实施方式可以包括允许用户对关于本文中所描述的系统、程序或特征是否以及何时(两者)可以能够收集下述进行选择(election)的控制：用户信息(例如，关于下述的信息：用户的当前位置、社交网络、社交行为或活动、职业、用户的偏好或其他特定于用户的特征)、来自与用户相关联的一个或多个计算设备的图像和/或来自服务器的指示用户是否已被发送内容或通信的控制数据。另外，特定数据在被存储或使用之前，可以以一种或多种方式而被处理，以使得移除个人地可识别的信息。例如，可以对用户的身份进行处理，以使无法针对该用户确定个人地可识别的信息；或者可以使从中获得位置信息的用户的地理位置一般化(诸如，一般化到城市、邮政编码或州级别)，以使不能够确定用户的特定位置。因此，用户可以对下述具有控制：关于用户收集哪些信息、如何使用该信息以及向用户提供哪些信息。在其他示例中，可以处理根据所公开的技术的图像和/或从这样的图像确定的内容，以确保移除个人地可识别的信息，诸如人物图像、街道名称和住所号码、以及其他个人信息。

根据本公开的方面，包括一个或多个处理器的计算系统可以用于帮助实现包括品牌渗透确定系统的所公开的技术的方面。通常，品牌渗透确定系统可以被配置为确定跨地理区域的品牌渗透的测量。在一些实施方式中，品牌渗透确定系统可以包括地理子区域确定系统、图像内容分析引擎、和/或品牌渗透指数生成系统。

在一些实施方式中，地理子区域确定系统可以被配置为将地理区域划分为两个或更多个子区域。子区域可以对应于例如地理区域内的离散化单元，其可以具有基于品牌渗透的一个或多个期望的测量的预定的或动态地确定的大小和/或边界。例如，在一些实施方式中，品牌渗透确定系统可以被配置为，在将地理区域划分为两个或更多个子区域时，根据特定单元大小和/或特定地理分区中的一个或多个来确定每个子区域的边界。例如，将地理区域分区为子区域的一种方法可以对应于在地理区域上施加的网格的实施方式。在一些实施方式中，网格中的每个单元可以通过给定形状(例如，正方形、矩形、圆形、五边形、六边形或其他多边形)来表征。在一些实施方式中，网格中的每个单元可以通过具有预定的或动态地确定的距离(例如，以米、千米、英里或其他合适的变量测量的值)的一个或多个维度(例如，宽度、长度、高度和/或直径维度)来表征。在一些实施方式中，与相应的子区域相对应的单元的网格的大小可以是统一的，而在其他实施例中，单元的大小可以是变化的。

在一些实施方式中，地理子区域确定系统可以被配置为，在将地理区域划分为两个或更多个子区域时，确定子区域的数量和每个子区域的边界，以确保每个子区域内的人口高于阈值。通过确保每个子区域的人口高于该阈值，减轻了在存储针对每个区域的有用的品牌指数中所施加的计算负担。

当子区域边界的大小是统一的(例如，如以单元的统一网格的形式)时，或者当其大小是预定的(例如，与预定的地理分区相对应，诸如与邮政编码、邻域边界、城镇/区边界、州边界、国家边界等相对应的那些)时，可以通过排除人口未超过阈值的子区域来减少子区域的数量。

在一些实施方式中，本文所描述的人口可以对应于给定的地理区域内的人数，诸如从人口普查数据或与地理区域相关联的其他预定义数据库确定的人数。在该示例中，当确保每个子区域内的人口高于阈值时，地理子区域确定系统可以确定每个子区域的数量和/或边界，以使每个子区域具有通过与每个子区域中的人数(x)相对应的阈值所定义的人口。

仍然参考地理子区域确定系统，在其他实施方式中，本文所描述的人口可以对应于与给定地理区域中的人相关联的商品的所确定的数量——例如，住宅、车辆、企业、电子设备或者这样的商品的特定类别或子集的数量。在该示例中，当确保每个子区域内的人口高于阈值时，地理子区域确定系统可以确定每个子区域的数量和/或边界，以使每个子区域具有通过与每个子区域中的商品(例如，住宅、车辆、企业、电子设备等)的数量(y)相对应的阈值所定义的人口。

仍然参考地理子区域确定系统，在其他实施方式中，本文所描述的人口可以对应于针对特定地理区域内的地点获得的图像的所确定的数量和/或在这样的图像内的商品、实体等的检测的数量。在该示例中，当确保每个子区域内的人口高于阈值时，地理子区域确定系统可以确定每个子区域的数量和/或边界，以使每个子区域具有通过与每个子区域中的图像和/或图像内检测到的对象的数量(z)相对应的阈值所定义的人口。

通过将地理区域分区为子区域以使基于人口密度(或品牌检测的对应密度)动态地确定子区域的大小，减少了包括与具有很少或没有品牌检测的人口的子区域相对应的单元的可能性。这是至少部分地通过避免以下情形来实现的：在该情形中，存在具有相关联的品牌指数的多个子区域，但是其中每个子区域具有如此小数量的居民，使得来自那些子区域的数据不是统计地相关的。类似地，可以确定具有品牌检测的更大数量的子区域内的单元的大小，以帮助确保适当的大小来维持品牌检测的分布级别内的区分(distinction)。这可以帮助确保可以针对地理区域确定有意义的品牌渗透测量。这样，单元大小可以基于不同区域而变化。例如，在城市位置中，单元大小可以较小；而当从城市区域过渡到郊区区域和农村区域时，单元大小可以逐渐地变得更大。

在一些实施方式中，图像内容分析引擎可以被配置为从在每个子区域内的一个或多个地点处捕获的图像确定在每个相应的子区域内的品牌的检测的数量。在一些实施例中，在一个或多个地点处捕获的图像可以包括充分地大的图像集合。在一些实施例中，可能已经通过在街道级别(level)操作的相机在每个子区域内的一个或多个地点处捕获图像集合。例如，在街道级别操作的相机可以被安装在车辆上，并且被配置为在车辆穿越地理区域内的一个或多个街道位置时获得图像集合。图像集合可以包括例如多个不同的摄影图像和/或来自视频的图像的(一个或多个)序列。在一些实施方式中，这样的图像采用一个或多个地理标识符进行地理标记，所述一个或多个地理标识符描述在相机捕获每个图像时与相机相关联的地理位置。

在一些实施方式中，图像内容分析引擎可以存储、包括或访问一个或多个机器学习的图像内容分析模型。例如，图像内容分析模型可以是或者可以以其他方式包括各种机器学习的模型，诸如神经网络(例如，前馈网络、循环神经网络、卷积神经网络等)或其他多层非线性模型、基于回归的模型等。

(一个或多个)机器学习的图像内容分析模型可以已经被训练为检测与地理区域相关联的图像集合中的每个图像内与品牌相关联的文本和/或徽标(logo)。在一些实施方式中，机器学习的图像内容分析模型可以已经被训练为实现文本转录标识和/或徽标匹配标识。例如，文本转录和/或徽标可以与在文本转录和/或徽标选项的预定数据集中标识的文本和/或徽标选项相匹配(例如，与特定类型的标签相关联的文本和/或徽标的名称(例如，车辆品牌(make)的名称))。

在一些实施方式中，品牌可以与商品的特定类别(例如，车辆、企业实体类型、供应商支付类型、服装、鞋子等)相关联。更具体地，在一些示例中，图像内容分析引擎可以被配置为从出现在图像内的实体店面确定来自在一个或多个地点处捕获的图像的品牌的每个检测。实体店面示例中的品牌检测可以包括但不限于与实体本身(例如，下述类型：快餐店、便利店、加油站、杂货店、药房或其他类型的商业实体)相关联的品牌名称、与实体相关联的供应商支付类型(例如，指示实体将接受来自一个或多个相应的信用卡公司的支付的名称和/或徽标等的检测)等。在其他示例中，图像内容分析引擎可以被配置为从出现在图像内的车辆确定来自在一个或多个地点处捕获的图像的品牌的检测。在其他示例中，图像内容分析引擎可以被配置为从出现在图像内的一个或多个广告牌确定来自在一个或多个地点处捕获的图像的品牌的检测。应当理解，本主题系统和方法可以应用于图像和品牌的这些和许多其他示例，而同时保持在所公开的技术的精神和范围内。

仍然参考图像内容分析引擎的示例方面，机器学习的图像内容分析模型可以被配置为接收图像集合中的每个图像作为对机器学习的图像内容分析模型的输入。响应于图像集合的接收，机器学习的图像内容分析模型可以被配置为生成与出现在图像内的一个或多个品牌的检测相关联的输出数据。例如，机器学习的内容分析模型可以被配置为生成与每个检测到的品牌相关联的边界框(boundingbox)。输出数据可以额外地或替代地包括与每个检测到的品牌相关联的一个或多个标签，每个标签提供与品牌的某个方面(例如，品牌名称和/或与品牌相关联的商品的一个或多个类别)相关联的语义标签。在图像内检测到的车辆的示例中，与检测到的车辆相关联的一个或多个标签可以包括车辆型号标签(例如，凯美瑞)、车辆品牌标签(例如，丰田)、车辆类别标签(例如，轿车)、车辆颜色标签(例如，白色)或其他标识符。在一些实施方式中，输出数据可以额外地或替代地包括置信度分数，该置信度分数描述在该边界框内正确地检测到所检测的品牌的概率。可以在图像集合上聚合这样的输出数据，以确定描述在地理区域内或在其特定子区域内的该品牌的检测的数量的计数。

在一些实施方式中，品牌渗透指数生成系统可以被配置为生成针对每个子区域的品牌渗透指数。在一些实施方式中，品牌渗透指数基于相应的子区域中的品牌的检测的数量。在一些实施方式中，可以通过一个或多个因素来加权描述品牌的检测的数量的计数，所述一个或多个因素包括但不限于：基于子区域内人口的人口因素；基于与品牌相关联的商品的类别的类别因素；基于子区域内品牌的来源位置(例如，经销店、商店等)的数量的来源因素。在一些实施方式中，品牌渗透指数可以对应于或用于确定表示品牌容量(例如，在区域中检测到的所有品牌的总数或基于区域内的人口的可能的检测的总数)和/或品牌饱和度(例如，区域中类似品牌的检测的量或指数)的其他变量。在一些实施方式中，可以将品牌渗透指数确定为特定类别中品牌知名度的表示(例如，在诸如轿车、豪华汽车、所有汽车等的类别中的车辆品牌/型号的检测的数量)。

在一些实施方式中，品牌渗透指数生成系统可以被配置为通过对与不同的地理位置相关联的多个检测进行去重来改进(refine)品牌的检测的数量。这样的改进过程可以帮助增加所公开的技术内的准确性和有用性，同时使所公开的系统和方法更加免受可能与用于确定品牌检测的大的影像语料库相关联的潜在差异和不同的影响。例如，改进可以帮助减少潜在偏差(bias)的量，该潜在偏差可能以地理区域的某些部分与其他部分相比更加突出的形式出现。

在一些实施方式中，品牌检测的潜在差异可能由于下述产生：在不同位置处的可获得的图像的总数的差异(例如，受拍摄照片的操作者、车辆或人的速度所影响)；拍摄图像时存在的天气模式以及环境、时间的差异；以及每个品牌对象的可见性视域(viewshed)。

然而，可以通过使用下述改进品牌检测数据来一致地解决这些问题：操作者/车辆路线的知识、拍摄图像的时间、来自每个图像的地理位置和姿势信息以及图像内的每个检测的检测框。然后，因为每个检测框可以与明确定义的(well-defined)真实世界位置相关联，并且可以对子区域内与检测相关联的不同的位置的数量进行计数，所以对获得的检测进行去重变得可能。

关于一些品牌的出现(occurrence)——尤其针对车辆——的另外的可能的担忧是，它们可能未必与居住在给定地理区域中的人相关联。然而，因为大多数的行驶(travel)是本地的，并且应当主导所获得的影像检测的整体语料库，所以预期这将不是显著的错误来源。然而，在某些情形下，包括不管是基于对于该区域本地的人/住宅/车辆/等的、还是基于简单地行驶通过该区域的人/住宅/车辆/等的所有检测可能是期望的结果(outcome)。

根据本公开的另一方面，计算系统可以被配置为将针对每个子区域生成的品牌渗透指数存储在区域品牌渗透数据库中。区域品牌渗透数据库可以例如对应于包括一个或多个有形的、非暂时性的计算机可读介质或其他合适的(一个或多个)计算机程序产品的存储器。在一些实施方式中，针对每个子区域的品牌渗透指数可以与相应的子区域的指示符相关联地存储在区域品牌渗透数据库中。在一些实施方式中，可以在品牌渗透数据库内对针对多个子区域的品牌渗透指数进行排序，使得按照根据品牌渗透的一个或多个测量指示最主导的到最不主导的子区域(或者反之亦然)的方式来存储子区域或相对应的指数。

在一些实施方式中，品牌渗透指数生成系统可以跟踪存储在区域品牌渗透系统数据库内的指数值如何随时间改变。例如，品牌渗透指数生成系统可以被配置为确定偏移(shift)因素，该偏移因素指示在一个或多个时间段上针对每个子区域的品牌渗透指数的一个或多个动态的偏移。该系统可以被配置为当所确定的偏移因素超过预定阈值级别时生成标志、通知和/或自动化的系统调整。这些偏移因素和相关联的通知可以用于帮助标识成功的品牌渗透或其中期望更加定向的(moretargeted)品牌渗透的区域。

根据本公开的另一方面，在一些实施方式中，计算系统还可以包括耦合到区域品牌渗透数据库和电子内容数据库的定向的广告系统。定向的广告系统可以被配置为从电子内容数据库确定电子内容项。可以至少部分地基于针对两个或更多个子区域中的给定子区域的品牌渗透指数，将电子内容项与品牌相关联。电子内容项可以被配置为递送到并且显示在与给定子区域相关联的电子设备上。例如，与子区域相关联的电子设备可以对应于采用与定位在子区域内的物理地址相关联的ip地址或其他标识符进行操作的电子设备。在其他示例中，与子区域相关联的电子设备可以对应于居住在该子区域中的用户所拥有的或当前正在该子区域中操作的电子设备(可能与移动计算设备等的情况一样)。

根据本公开的另一方面，在一些实施方式中，计算系统还可以包括反向地理编码特征，该反向地理编码特征可以帮助确定用于以与电子方式相对的物理方式来向用户提供品牌内容的物理地址。更具体地，品牌渗透确定系统和/或定向的广告系统可以更具体地包括反向地理编码系统，该反向地理编码系统被配置为将与地理区域内的子区域相对应的单元映射到那些单元/子区域内的物理地址。反向地理编码系统可以运用(leverage)将与单元/子区域相关联的各种地理坐标(例如，纬度和经度值)映射到那些区域内或以其他方式与那些区域相关联的物理地址的数据库和/或系统。这些物理地址可以与相应的单元/子区域的其他指示符以及相对应的、确定的品牌渗透指数一起存储在存储器中(例如，存储在区域品牌渗透数据库中)。然后，可以将针对特定单元/子区域确定的品牌渗透的测量用于确定内容项(例如，定向的广告邮件)，以用于到那些单元/子区域内的物理地址的所选择的递送。

通过利用所公开的品牌渗透指数动态地确定或调整递送给用户的电子内容，广告商可以更准确地将产品定向给最合适的受众。更具体地，可以策略性地确定电子内容用于递送到具有特定品牌的低于平均渗透和/或竞争品牌的高于平均渗透的地理区域内的用户。在一些实施方式中，通过定向的广告系统实现的进一步分析可以就一个或多个变量来确定渗透测量，所述一个或多个变量诸如但不限于品牌渗透的各种阈值级别。

本文所描述的系统和方法可以提供许多技术效果和益处。例如，计算系统可以包括品牌渗透确定系统，该品牌渗透确定系统生成与大语料库的收集的影像相关联的有意义的对象检测数据。更具体地，图像内与商品、服务和/或类似物相关联的品牌的检测可以以计算上可行的方式关联(correlated)到表示品牌容量、品牌知名度、品牌饱和度等的品牌指数的统计地相关的测量。另外，可以在空间(例如，各种地理区域)和时间(例如，各种窗口——一天中的时间、一周中的日、一年中的月等)上有利地跟踪和聚合品牌渗透的这些测量，以确定额外的或替代的数据测量。

所公开的技术的进一步的技术效果和益处涉及地理子区域确定系统的集成，该地理子区域确定系统可以被配置为确定地理区域内的子区域的数量和/或边界，以确保每个子区域内的人口高于阈值。通过确保每个子区域的人口高于该阈值，减轻了在存储针对每个子区域的统计地相关的品牌指数中所施加的计算负担。另外，通过确保仅存储具有统计地意义的居民数量的子区域的品牌指数，所公开的系统和方法可以提供与影像语料库相关联的有用的数据，而同时地最小化将该数据存储在存储器中的成本。这样，根据所公开的技术，可以实现计算技术的特定改善。

当将所公开的技术集成在定向的广告系统的应用内时，可以实现所公开技术的又一技术效果和益处。广告商通常面临确定如何将(一个或多个)产品和/或服务准确地定向给最合适的受众的问题。该问题可能涉及大量的变量，其中，各种人口统计数据、文化差异、基础设施和其他考虑发挥作用。通过提供用于生成地理分区和相对应的品牌渗透的计算上有效的并且有意义的测量的系统和方法，可以使用这样的技术——可能地，与其他人口统计数据指示符结合使用——来动态地开发广告策略，以用于到消费者的电子内容的定向递送。

现在参考附图，将进一步详细地讨论本公开的示例实施例。

图1描绘了根据本公开的示例实施例的用于确定跨地理区域的品牌渗透的测量的示例计算系统100的框图。通常，计算系统100可以包括品牌渗透确定系统102、区域品牌渗透数据库110和定向的广告系统112。在一些实施方式中，区域品牌渗透数据库110可以例如对应于包括一个或多个有形的、非暂时性的计算机可读介质或其他合适的(一个或多个)计算机程序产品的存储器。

在一些实施方式中，品牌渗透确定系统102和定向的广告系统112及其各种组件可以包括用于提供期望功能的计算机逻辑。品牌渗透确定系统102和定向的广告系统112可以以控制通用处理器的硬件、固件和/或软件实现。例如，在一些实施方式中，品牌渗透确定系统102和定向的广告系统112可以包括存储在存储设备上的、加载到存储器中的以及通过一个或多个处理器执行的程序文件。在其他实施方式中，品牌渗透确定系统102和定向的广告系统112包括一个或多个计算机可执行指令集，其存储在有形的计算机可读存储介质中，诸如ram硬盘或者光或磁介质。

更具体地参考图1，品牌渗透确定系统102可以被配置为确定跨地理区域的品牌渗透的测量。在一些实施方式中，品牌渗透确定系统102可以包括地理子区域确定系统104、图像内容分析引擎106和/或品牌渗透指数生成系统108。

在一些实施方式中，地理子区域确定系统104可以被配置为将地理区域划分为两个或更多个子区域。子区域可以对应于例如地理区域内的离散化单元，其可以具有基于品牌渗透的一个或多个期望的测量的预定的或动态地确定的大小和/或边界。例如，在一些实施方式中，品牌渗透确定系统102可以被配置为在将地理区域划分为两个或更多个子区域时，根据特定单元大小和/或特定地理分区中的一个或多个来确定每个子区域的边界。例如，将地理区域分区为子区域的一种方法可以对应于在地理区域上施加的网格的实施方式。在一些实施方式中，网格中的每个单元可以通过给定形状(例如，正方形、矩形、圆形、五边形、六边形或其他多边形)来表征。在一些实施方式中，网格中的每个单元可以通过具有预定的或动态地确定的距离(例如，以米、千米、英里或其他合适的变量测量的值)的一个或多个维度(例如，宽度、长度、高度和/或直径维度)来表征。在一些实施方式中，与相应的子区域相对应的单元的网格的大小可以是统一的，而在其他实施例中，单元的大小可以是变化的。

在一些实施方式中，地理子区域确定系统104可以被配置为在将地理区域划分为两个或更多个子区域时，确定子区域的数量和每个子区域的边界，以确保每个子区域内的人口高于阈值。通过确保每个子区域的人口高于该阈值，减轻了在存储针对每个区域的有用的品牌指数中所施加的计算负担。

当子区域边界的大小是统一的(例如，如以单元的统一网格的形式)时，或者当其大小是预定的(例如，与预定的地理分区相对应，诸如与邮政编码、邻域边界、城镇/区边界、州边界、国家边界等相对应的那些)时，可以通过排除人口未超过阈值的子区域来减少子区域的数量。

在一些实施方式中，本文所描述的人口可以对应于给定的地理区域内的人数，诸如从人口普查数据或与地理区域相关联的其他预定义数据库确定的人数。在该示例中，当确保每个子区域内的人口高于阈值时，地理子区域确定系统104可以确定每个子区域的数量和/或边界，以使每个子区域具有通过与每个子区域中的人数(x)相对应的阈值所定义的人口。

仍然参考地理子区域确定系统104，在其他实施方式中，本文所描述的人口可以对应于与给定地理区域中的人相关联的商品的所确定的数量——例如，住宅、车辆、企业、电子设备或者这样的商品的特定类别或子集的数量。在该示例中，当确保每个子区域内的人口高于阈值时，地理子区域确定系统104可以确定每个子区域的数量和/或边界，以使每个子区域具有通过与每个子区域中的商品(例如，住宅、车辆、企业、电子设备等)的数量(y)相对应的阈值所定义的人口。

仍然参考地理子区域确定系统104，在其他实施方式中，本文所描述的人口可以对应于针对特定地理区域内的地点获得的图像的所确定的数量和/或在这样的图像内的商品、实体等的检测的数量。在该示例中，当确保每个子区域内的人口高于阈值时，地理子区域确定系统104可以确定每个子区域的数量和/或边界，以使每个子区域具有通过与每个子区域中的图像和/或图像内检测到的对象的数量(z)相对应的阈值所定义的人口。

通过将地理区域分区为子区域以使基于人口密度(或品牌检测的对应密度)动态地确定子区域的大小，减少了包括与具有很少或没有品牌检测的人口的子区域相对应的单元的可能性。这是至少部分地通过避免以下情形来实现的：在该情形中，存在具有相关联的品牌指数的多个子区域，但是其中每个子区域具有如此小数量的居民，使得来自那些子区域的数据不是统计地相关的。类似地，可以确定具有品牌检测的更大数量的子区域内的单元的大小，以帮助确保适当的大小来维持品牌检测的分布级别内的区分。这可以帮助确保可以针对地理区域确定有意义的品牌渗透测量。这样，单元大小可以基于不同区域而变化。例如，在城市位置中，单元大小可以较小；而当从城市区域过渡到郊区区域和农村区域时，单元大小可以逐渐地变得更大。

在一些实施方式中，图像内容分析引擎106可以被配置为从在每个子区域内的一个或多个地点处捕获的图像确定在每个相应的子区域内的品牌的检测的数量。在一些实施例中，在一个或多个地点处捕获的图像可以包括充分地大的图像集合120，如图2中所描绘。在一些实施例中，可能已经通过在街道级别操作的相机在每个子区域内的一个或多个地点处捕获图像集合120。例如，在街道级别操作的相机可以被安装在车辆上，并且被配置为在车辆穿越地理区域内的一个或多个街道位置时获得图像集合120。图像集合120可以包括例如多个不同的摄影图像和/或来自视频的图像的(一个或多个)序列。在一些实施方式中，图像集合120采用一个或多个地理标识符进行地理标记，所述一个或多个地理标识符描述在相机捕获每个图像时与相机相关联的地理位置。

在一些实施方式中，图像内容分析引擎106可以存储、包括或访问一个或多个机器学习的图像内容分析模型122。例如，图像内容分析模型122可以是或者可以以其他方式包括各种机器学习的模型，诸如神经网络(例如，前馈网络、循环神经网络、卷积神经网络等)或其他多层非线性模型、基于回归的模型等。

(一个或多个)机器学习的图像内容分析模型122可以已经被训练为检测与地理区域相关联的图像集合120中的每个图像内与品牌相关联的文本和/或徽标。在一些实施方式中，机器学习的图像内容分析模型122可以已经被训练为实现文本转录标识和/或徽标匹配标识。例如，文本转录和/或徽标可以与在文本转录和/或徽标选项的预定数据集中标识的文本和/或徽标选项相匹配(例如，与特定类型的标签相关联的文本和/或徽标的名称(例如，车辆品牌的名称))。

在一些实施方式中，品牌可以与商品的特定类别(例如，车辆、企业实体类型、供应商支付类型、服装、鞋子等)相关联。更具体地，在一些示例中，图像内容分析引擎106可以被配置为从出现在图像内的实体店面确定来自在一个或多个地点处捕获的图像集合120的品牌的每个检测。实体店面示例中的品牌检测可以包括但不限于与实体本身(例如，下述类型：快餐店、便利店、加油站、杂货店、药房或其他类型的商业实体)相关联的品牌名称、与实体相关联的供应商支付类型(例如，指示实体将接受来自一个或多个相应的信用卡公司的支付的名称和/或徽标等的检测)等。在其他示例中，图像内容分析引擎106可以被配置为从出现在图像集合120内的车辆确定来自在一个或多个地点处捕获的图像的品牌的检测。在其他示例中，图像内容分析引擎106可以被配置为从出现在图像内的一个或多个广告牌确定来自在一个或多个地点处捕获的图像集合120的品牌的检测。应当理解，本主题系统和方法可以应用于图像和品牌的这些和许多其他示例，而同时保持在所公开的技术的精神和范围内。

仍然参考图像内容分析引擎106的示例方面，如图2中所描绘，机器学习的图像内容分析模型122可以被配置为接收图像集合120中的每个图像作为对机器学习的图像内容分析模型122的输入。响应于图像集合120的接收，机器学习的图像内容分析模型122可以被配置为生成与出现在图像内的一个或多个品牌的检测相关联的输出数据124(例如，检测数据)。例如，机器学习的内容分析模型122可以被配置为生成与每个检测到的品牌相关联的边界框。输出数据124可以额外地或替代地包括与每个检测到的品牌相关联的一个或多个标签，每个标签提供与品牌的某个方面(例如，品牌名称和/或与品牌相关联的商品的一个或多个类别)相关联的语义标签。在图像内检测到的车辆的示例中，与检测到的车辆相关联的一个或多个标签可以包括车辆型号标签(例如，凯美瑞)、车辆品牌标签(例如，丰田)、车辆类别标签(例如，轿车)、车辆颜色标签(例如，白色)或其他标识符。在一些实施方式中，输出数据124可以额外地或替代地包括置信度分数，该置信度分数描述在该边界框内正确地检测到所检测的品牌的概率。可以在图像集合上聚合这样的输出数据124，以确定描述在地理区域内或在其特定子区域内的该品牌的检测的数量的计数。

再次参考图1，品牌渗透指数生成系统108可以被配置为生成针对每个子区域的品牌渗透指数。在一些实施方式中，品牌渗透指数基于相应的子区域中的品牌的检测的数量。在一些实施方式中，可以通过一个或多个因素来加权描述品牌的检测的数量的计数，所述一个或多个因素包括但不限于：基于子区域内人口的人口因素；基于与品牌相关联的商品的类别的类别因素；基于子区域内品牌的来源位置(例如，经销店、商店等)的数量的来源因素。在一些实施方式中，品牌渗透指数可以对应于或用于确定表示品牌容量(例如，在区域中检测到的所有品牌的总数或基于区域内的人口的可能的检测的总数)和/或品牌饱和度(例如，区域中类似品牌的检测的量或指数)的其他变量。在一些实施方式中，可以将品牌渗透指数确定为特定类别中品牌知名度的表示(例如，在诸如轿车、豪华汽车、所有汽车等的类别中的车辆品牌/型号的检测的数量)。

在一些实施方式中，品牌渗透指数生成系统108可以被配置为通过对与不同的地理位置相关联的多个检测进行去重来改进品牌的检测的数量。这样的改进过程可以帮助增加所公开的技术内的准确性和有用性，同时使所公开的系统和方法更加免受可能与用于确定品牌检测的大的影像语料库相关联的潜在差异和不同的影响。例如，改进可以帮助减少潜在偏差的量，该潜在偏差可能以地理区域的某些部分与其他部分相比更加突出的形式出现。

在一些实施方式中，品牌检测的潜在差异可能由于下述产生：在不同位置处的可获得的图像的总数的差异(例如，受拍摄照片的操作者、车辆或人的速度所影响)；拍摄图像时存在的天气模式以及环境、时间的差异；以及每个品牌对象的可见性视域。

然而，可以通过使用下述改进品牌检测数据来一致地解决这些问题：操作者/车辆路线的知识、拍摄图像的时间、来自每个图像的地理位置和姿势信息以及图像内的每个检测的检测框。然后，因为每个检测框可以与明确定义的真实世界位置相关联，并且可以对子区域内与检测相关联的不同的位置的数量进行计数，所以对获得的检测进行去重变得可能。

关于一些品牌的出现——尤其针对车辆——的另外的可能的担忧是，它们可能未必与居住在给定地理区域中的人相关联。然而，因为大多数的行驶是本地的，并且应当主导所获得的影像检测的整体语料库，所以预期这将不是显著的错误来源。然而，在某些情形下，包括不管是基于对于该区域本地的人/住宅/车辆/等的、还是基于简单地行驶通过其的所有检测，可能是期望的结果。

根据本公开的另一方面，计算系统100可以被配置为将针对每个子区域生成的品牌渗透指数存储在区域品牌渗透数据库110中。区域品牌渗透数据库110可以例如对应于包括一个或多个有形的、非暂时性的计算机可读介质或其他合适的(一个或多个)计算机程序产品的存储器。在一些实施方式中，针对每个子区域的品牌渗透指数可以与相应的子区域的指示符相关联地存储在区域品牌渗透数据库110中。在一些实施方式中，可以在区域品牌渗透数据库110内对针对多个子区域的品牌渗透指数进行排序，使得按照根据品牌渗透的一个或多个测量指示最主导的到最不主导的子区域(或者反之亦然)的方式来存储子区域或相对应的指数。

在一些实施方式中，品牌渗透指数生成系统108可以跟踪存储在区域品牌渗透系统数据库110内的指数值如何随时间改变。例如，品牌渗透指数生成系统108可以被配置为确定偏移因素，该偏移因素指示在一个或多个时间段上针对每个子区域的品牌渗透指数的一个或多个动态的偏移。该品牌渗透确定系统102可以被配置为当所确定的偏移因素超过预定阈值级别时生成标志、通知和/或自动化的系统调整。这些偏移因素和相关联的通知可以用于帮助标识成功的品牌渗透或其中期望更加定向的品牌渗透的区域。

根据本公开的另一方面，在一些实施方式中，计算系统100还可以包括耦合到区域品牌渗透数据库110和电子内容数据库114的定向的广告系统112。定向的广告系统112的广告确定系统116可以被配置为从电子内容数据库114确定电子内容项。可以至少部分地基于针对两个或更多个子区域中的给定子区域的品牌渗透指数，将电子内容项与品牌相关联。定向的广告系统112的广告递送系统118可以被配置为递送电子内容项以用于显示在与给定子区域相关联的电子设备上。例如，与子区域相关联的电子设备可以对应于采用与定位在子区域内的物理地址相关联的ip地址或其他标识符进行操作的电子设备。在其他示例中，与子区域相关联的电子设备可以对应于居住在该子区域中的用户所拥有的或当前正在该子区域中操作的电子设备(可能与移动计算设备等的情况一样)。

图3-图4描绘了根据本公开的示例实施例的通过图像内容分析引擎实现的分析的各种示例方面。更具体地，图3-图4提供了示例图像(例如，图2的图像集合120内的图像)和诸如通过机器学习的图像内容分析模型122生成的输出数据124的示例部分的相应的图形表示。

更具体地，参考图3，图像集合120内的示例图像可以对应于示例图像200。可以将图像200作为输入提供给机器学习的内容分析模型(例如，图2的机器学习的图像内容分析模型122)，该机器学习的内容分析模型已经被训练为生成与检测到的车辆品牌相关联的输出数据。这样，通过机器学习的图像内容分析模型122响应于作为输入的图像200的接收而生成的示例输出数据124可以对应于与车辆206的检测相关联的第一边界框202和第二边界框204。第一边界框202和第二边界框204还可以具有与它们相关联的关联标签和/或置信度分数。例如，边界框202可以表示：机器学习的图像内容分析模型已经确定的图像200的一部分以由0.95或95％的置信度分数表示的可能性包括轿车。边界框204可以表示：机器学习的图像内容分析模型已经确定的图像200的一部分以由0.94或94％的置信度分数表示的可能性包括丰田徽标。

更具体地参考图4，图像集合120内的示例图像可以对应于示例图像220。可以将图像220作为输入提供给机器学习的内容分析模型(例如，图2的机器学习的图像内容分析模型122)，该机器学习的内容分析模型已经被训练为生成与检测到的车辆品牌相关联的输出数据。这样，通过机器学习的图像内容分析模型122响应于作为输入的图像220的接收而生成的示例输出数据124可以对应于与车辆226的检测相关联的第一边界框222和第二边界框224。第一边界框222和第二边界框224还可以具有与它们相关联的关联标签和/或置信度分数。例如，边界框222可以表示：机器学习的图像内容分析模型已经确定的图像220的一部分以由0.97或97％的置信度分数表示的可能性包括运动型多用途车辆。边界框224可以表示：机器学习的图像内容分析模型已经确定的图像220的一部分以由0.97或97％的置信度分数表示的可能性包括与“雷克萨斯”品牌相对应的文本转录(transcription)。

更具体地参考图5，图像集合120内的示例图像可以对应于示例图像220。可以将图像220作为输入提供给机器学习的内容分析模型(例如，图2的机器学习的图像内容分析模型122)，该机器学习的内容分析模型已经被训练为生成与所检测到的计算机品牌或与办公室相关联的其他商品的品牌相关联的输出数据。这样，通过机器学习的图像内容分析模型122响应于作为输入的图像240的接收而生成的示例输出数据124可以对应于与车辆226的检测相关联的第一边界框222和第二边界框224。第一边界框222和第二边界框224还可以具有与它们相关联的关联标签和/或置信度分数。例如，边界框222可以表示：机器学习的图像内容分析模型已经确定的图像220的一部分以由0.97或97％的置信度分数表示的可能性包括运动型多用途车辆。边界框224可以表示：机器学习的图像内容分析模型已经确定的图像220的一部分以由0.97或97％的置信度分数表示的可能性包括与“雷克萨斯”品牌相对应的文本转录。

图5-图6描绘了根据本公开的示例实施例的通过品牌渗透指数确定系统实现的分析的各种示例方面。更具体地，图5-图6提供了示例的品牌渗透指数和诸如可以通过图1的品牌渗透确定系统102生成的相关联的数据的相应的图形表示。更具体地，图5-图6提供了与特定地理区域中的不同车辆品牌的检测相关联的品牌渗透数据的相应的图形表示300/350。例如，图5的图形表示300视觉地描绘了在给定地理区域内的第一品牌车辆(例如，丰田轿车)的检测的归一化(normalized)地图视图，而图6的图形表示350视觉地描绘了在与图5相同的地理区域中的第二品牌车辆(例如，雷克萨斯轿车)的检测的归一化地图视图。图5-图6中描绘的检测的归一化地图视图可以，例如，通过考虑地理区域内轿车的检测的总数来归一化。

图7描绘了根据本公开的示例实施例的用于确定跨地理区域的品牌渗透的测量的示例方法的流程图。尽管出于图示和讨论的目的，图7描绘了以特定顺序执行的步骤，但是本公开的方法不限于特定图示的顺序或布置。在不背离本公开的范围的情况下，可以以各种方式省略、重新布置、组合和/或适用(adapt)方法400的各个步骤。在一些实施例中，方法400的各个步骤可以通过一个或多个计算系统(例如，图1的计算系统100、图10的客户端计算设备602和/或图10的服务器计算系统630)来执行。

在402处，包括一个或多个计算设备、处理器等的计算系统可以将地理区域划分为两个或更多个子区域。在一些实施方式中，在402处将地理区域划分为两个或更多个子区域时，计算系统可以根据预定单元大小和/或预定地理分区中的一个或多个来确定每个子区域的边界。在一些实施方式中，在402处将地理区域划分为两个或更多个子区域时，计算系统可以确定子区域的数量和每个子区域的一个或多个边界，以确保每个子区域内的人口高于阈值。在一些实施方式中，人口可以对应于给定的地理区域内的人数，诸如从人口普查数据或与地理区域相关联的其他预定义数据库确定的人数。在其他实施方式中，人口可以对应于与给定地理区域中的人相关联的商品的所确定的数量——例如，住宅、车辆、企业、电子设备或者这样的商品的特定类别或子集的数量。在其他实施方式中，人口可以对应于针对特定地理区域内的地点获得的图像的所确定的数量和/或在这样的图像内的商品、实体等的检测的数量。

在404处，计算系统可以从在每个子区域内的一个或多个地点处捕获的图像确定在每个相应的子区域内的品牌的检测的数量。在一些实施方式中，在每个子区域内的一个或多个地点处捕获的图像是通过在街道级别操作的相机捕获的图像。在一些实施方式中，在404处确定品牌检测的数量可以包括与图像的部分匹配的文本转录和/或徽标中的一个或多个。例如，可以从出现在图像内的车辆、实体店面、广告牌或其他位置确定品牌的检测。在一些实施方式中，在404处确定品牌的检测的数量可以包括对与不同地理位置相关联的多个检测进行去重。在一些实施方式中，可以根据图10中描绘的示例方法450中的步骤，更具体地确定在404处确定品牌的检测的数量。

在406处，计算系统可以基于在相应的子区域中的品牌的检测的数量来生成针对每个子区域的品牌渗透指数。在一些实施方式中，可以通过一个或多个因素来加权在406处生成的品牌渗透指数。例如，在一些实施方式中，可以通过人口因素、类别因素和来源因素中的一个或多个来对在406处生成的品牌渗透指数进行加权。用于在606处生成品牌渗透指数的人口因素可以基于每个子区域内的人口(例如，人的、图像的、商品的、检测的等)，而类别因素可以基于与品牌相关联的商品的类别，以及来源因素可以基于子区域内品牌的来源位置(例如，经销店、商店等)的数量。在一些实施方式中，在406处生成的品牌渗透指数可以对应于或用于确定表示品牌容量(例如，在区域中检测到的所有品牌的总数或基于区域内的人口的可能的检测的总数)和/或品牌饱和度(例如，区域中类似品牌的检测的量或指数)的其他变量。在一些实施方式中，可以将在406处生成的品牌渗透指数确定为特定类别中品牌知名度的表示(例如，在诸如轿车、豪华汽车、所有汽车等的类别中的车辆品牌/型号的检测的数量)。

在408处，计算系统可以将针对每个子区域的品牌渗透指数与相应的子区域的指示符相关联地存储在存储器中。在一些实施方式中，存储器可以包括一个或多个有形的、非暂时性的计算机可读介质，诸如，通过图1中描绘的区域品牌渗透数据库110所体现的。通过跟踪存储在存储器中的品牌渗透指数随时间的改变，计算系统还可以确定偏移因素，该偏移因素指示在一个或多个时间段上针对每个子区域的品牌渗透指数的一个或多个动态的偏移。

在410处，计算系统可以确定和递送与品牌相关联的电子内容项。例如，可以至少部分地基于针对两个或更多个子区域中的给定子区域的品牌渗透指数来确定电子内容项。计算系统可以将配置用于显示的电子内容项递送到与给定子区域相关联的电子设备。

图8描绘了根据本公开的示例实施例的用于确定地理区域内的品牌的检测的数量的示例方法的流程图。尽管出于图示和讨论的目的，图8描绘了以特定顺序执行的步骤，但是本公开的方法不限于特定图示的顺序或布置。在不背离本公开的范围的情况下，可以以各种方式省略、重新布置、组合和/或适用方法450的各个步骤。在一些实施例中，方法450的各个步骤可以通过一个或多个计算系统(例如，图1的计算系统100、图10的客户端计算设备602和/或图10的服务器计算系统630)来执行。

在452处，包括一个或多个计算设备、处理器等的计算系统可以获得与相应的子区域相关联的图像集合。在454处，计算系统可以访问机器学习的图像内容分析模型，机器学习的图像内容分析模型已经被训练为检测图像集合中的每个图像内与品牌相关联的文本和徽标中的一个或多个。在456处，计算系统可以将图像集合作为输入提供给机器学习的图像内容分析模型。在458处，计算系统可以接收描述在相应的子区域内的品牌的检测的数量的计数作为机器学习的图像内容分析模型的输出，该输出响应于作为对机器学习的图像内容分析模型的输入的图像集合的接收。

图9描绘了根据本公开的示例实施例的用于训练图像内容分析模型的示例方法的流程图。尽管出于图示和讨论的目的，图9描绘了以特定顺序执行的步骤，但是本公开的方法不限于特定图示的顺序或布置。在不背离本公开的范围的情况下，可以以各种方式省略、重新布置、组合和/或适用方法500的各个步骤。

在502处，计算系统(例如，图10的训练计算系统650或计算系统600的其他部分)可以获得包括多个基础真实数据集的图像内容训练数据集。在504处，计算系统可以提供在502处获得的基础真实数据的图像内容训练数据集的第一部分作为到机器学习的图像内容分析模型的输入。在506处，计算系统可以接收作为图像内容分析模型的输出的一个或多个预测，该输出响应于基础真实数据的第一部分的接收，该一个或多个预测对基础真实数据的图像内容训练数据集的剩余部分进行预测。在508处，计算系统可以确定损失函数，该损失函数将通过图像内容分析模型在506处生成的预测与图像内容分析模型试图预测的基础真实数据的第二部分(例如，剩余部分)进行比较。在510处，计算系统可以反向传播损失函数通过图像内容分析模型，来训练图像内容分析模型(例如，通过修改与图像内容分析模型相关联的一个或多个权重)。作为方法500中的训练图像内容分析模型的一部分，分别在504-510处描绘的步骤可以重复多次。

图10描绘了根据本公开的示例实施例的执行品牌渗透确定的示例计算系统600的框图。具体地，计算系统600可以实现包括其不同的特定组件的品牌渗透确定，和/或基于这样的品牌渗透确定的相对应的定向的广告。计算系统600可以包括通过网络680通信地耦合的客户端计算设备602、服务器计算系统630和训练计算系统650。

客户端计算设备602可以是例如任何类型的计算设备，诸如，个人计算设备(例如，膝上型或桌面型)、移动计算设备(例如，智能手机或平板式设备)、游戏控制台或控制器、可穿戴计算设备、嵌入式计算设备或任何其他类型的计算设备。

客户端计算设备602包括一个或多个处理器612和存储器614。一个或多个处理器612可以是任何合适的处理设备(例如，处理器核、微处理器、asic、fpga、控制器、微控制器等)，并且可以是一个处理器或者可操作地连接的多个处理器。存储器614可以包括一个或多个非暂时性的计算机可读存储介质，诸如ram、rom、eeprom、eprom、闪存设备、磁盘等及其组合。存储器614可以存储数据616和指令618，其由处理器612执行以使客户端计算设备602执行操作。在一些实施方式中，存储器614可以包括图1的区域品牌渗透数据库110的一个或多个部分。

在一些实施方式中，客户端计算设备602可以存储或包括品牌渗透确定系统620和/或定向的广告系统622中的一个或多个。图10的品牌渗透确定系统620可以对应于，例如，图1的品牌渗透确定系统102；而图10的定向的广告系统622可以对应于，例如，图1的定向的广告系统112。在一些实施方式中，品牌渗透确定系统620可以包括一个或多个机器学习的内容分析模型，如本文所描述的。

在一些实施方式中，品牌渗透确定系统620和/或定向的广告系统622的一个或多个部分可以通过网络680从服务器计算系统630接收，存储在客户端计算设备存储器614中，以及然后被一个或多个处理器612使用或以其他方式实现。

附加地或替代地，品牌渗透确定系统620和/或定向的广告系统622的一个或多个部分可以被包括在服务器计算系统630中，或者以其他方式由服务器计算系统630存储和实现，该服务器计算系统630根据客户端-服务器关系与客户端计算设备602通信。例如，品牌渗透确定系统620和/或定向的广告系统622可以由服务器计算系统630实现为web服务(例如，品牌渗透确定服务)的一部分。因此，一个或多个系统620/622可以在客户端计算设备602处存储和实现，和/或一个或多个系统644/646可以在服务器计算系统630处存储和实现。

服务器计算系统630包括一个或多个处理器632和存储器634。一个或多个处理器632可以是任何合适的处理设备(例如，处理器核、微处理器、asic、fpga、控制器、微控制器等)，并且可以是一个处理器或者可操作地连接的多个处理器。存储器634可以包括一个或多个非暂时性的计算机可读存储介质，诸如ram、rom、eeprom、eprom、闪存设备、磁盘等及其组合。存储器634可以存储数据636和指令638，其由处理器632执行以使服务器计算系统630执行操作。在一些实施方式中，存储器634可以包括图1的区域品牌渗透数据库110的一个或多个部分。

如上所述，服务器计算系统630可以存储或以其他方式包括品牌渗透确定系统644和/或定向的广告系统646的一个或多个部分。在一些实施方式中，服务器计算系统630包括一个或多个服务器计算设备或以其他方式由一个或多个服务器计算设备实现。在服务器计算系统630包括多个服务器计算设备的情况下，这样的服务器计算设备可以根据顺序计算架构、并行计算架构或其某种组合来操作。

在一些实施方式中，客户端计算设备602和/或服务器计算系统630可以经由与通过网络680通信地耦合的训练计算系统650的交互来训练在品牌渗透确定系统620/644和/或定向的广告系统622/646内所提供的模型(例如，图像内容分析模型)。训练计算系统650可以与服务器计算系统630分离，或者可以是服务器计算系统630的一部分。

训练计算系统650包括一个或多个处理器652和存储器654。一个或多个处理器652可以是任何合适的处理设备(例如，处理器核、微处理器、asic、fpga、控制器、微控制器等)，并且可以是一个处理器或者可操作地连接的多个处理器。存储器654可以包括一个或多个非暂时性的计算机可读存储介质，诸如ram、rom、eeprom、eprom、闪存设备、磁盘等及其组合。存储器654可以存储数据656和指令658，其由处理器652执行以使训练计算系统650执行操作。在一些实施方式中，训练计算系统650包括一个或多个服务器计算设备或以其他方式由一个或多个服务器计算设备实现。

训练计算系统650可以包括模型训练器660，该模型训练器660使用各种训练或学习技术(诸如，例如错误的反向传播)来训练存储在客户端计算设备602和/或服务器计算系统630处的机器学习的模型(例如，图像内容分析模型)。在一些实施方式中，执行错误的反向传播可以包括执行通过时间的截断的反向传播。模型训练器660可以执行多种泛化技术(例如，权重衰减、丢弃等)，以提高被训练模型的泛化能力。

特别地，模型训练器660可以基于一组训练数据662来训练图像内容分析模型或其他模型。训练数据662可以包括，例如，作为输入被提供给图像内容分析模型的数据，以及响应于输入数据、作为图像内容分析模型的输出被提供的数据。模型训练器660可以通过使用训练数据662的输入数据和输出数据以无监督的方式来训练模型。

模型训练器660包括用于提供期望功能的计算机逻辑。可以以控制通用处理器的硬件、固件和/或软件来实现模型训练器660。例如，在一些实施方式中，模型训练器660包括存储在存储设备上、加载到存储器中以及通过一个或多个处理器执行的程序文件。在其他实施方式中，模型训练器660包括一个或多个计算机可执行指令集，其存储在有形的计算机可读存储介质中，诸如ram硬盘或者光或磁介质。

网络680可以是任何类型的通信网络，诸如局域网(例如，内联网)、广域网(例如，因特网)或其某种组合，并且可以包括任何数量的有线或无线链接。通常，可以使用各种各样的通信协议(例如，tcp/ip、http、smtp、ftp)、编码或格式(例如，html、xml)和/或保护方案(例如vpn、安全http、ssl)，经由任何类型的有线和/或无线连接来承载通过网络680的通信。

本文讨论的技术参考了服务器、数据库、软件应用和其他基于计算机的系统，以及这样的系统采取的动作和发送到这样的系统及来自这样的系统的信息。基于计算机的系统的固有灵活性允许在组件中以及组件间进行任务和功能的多种可能的配置、组合以及分割。例如，本文讨论的处理可以使用单个设备或组件或者组合地工作的多个设备或组件来实现。数据库和应用可以在单个系统上实现，也可以跨多个系统分布。分布式组件可以顺序地或并行地操作。

尽管已经针对本主题的各种特定示例实施例详细描述了本主题，但是每个示例都是以说明而非限制本公开的方式来提供的。本领域技术人员在达成对前述的理解之后，可以容易地产生对这样的实施例的更改、变化和等同。因此，本公开不排除对本主题的这样的修改、变化和/或添加的包括，这对于本领域普通技术人员来说将是明显的。例如，作为一个实施例的一部分示出或描述的特征可以与另一实施例一起使用以产生又一实施例。因此，意图是本公开覆盖这样的更改、变化和等同。