AnyShare Family 7 带来了很多全新的功能和特性，其中之一就是对文档及图像等文件生成摘要和标签。图像标签通过自动识别图片内容生成，可以方便进行归类搜索，上传图片分析完成后即会生成标签，选择图片可以查看标签，实际效果如下图：

 

关键算法

要实现文件上传后自动生成标签，需要用到机器学习的一些模型与算法，其中关键的机器学习算法如：目标检测算法+图像分类算法

分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。
分类是将图像结构化为某一类别的信息，用事先确定好的类别(string)或实例ID来描述图片。这一任务是最简单、最基础的图像理解任务，也是深度学习模型最先取得突破和实现大规模应用的任务。其中，ImageNet是最权威的评测集，每年的ILSVRC催生了大量的优秀深度网络结构，为其他任务提供了基础。在应用领域，人脸、场景的识别等都可以归为分类任务。AnyShare Family 7 即是使用的 ImageNet 图像库，支持非文字类普通图片的识别和标签。

检测-Detection：解决“是什么？在哪里？”的问题，即定位出这个目标的的位置并且知道目标物是什么。
目标检测算法要解决的核心问题是：

1. 目标可能出现在图像的任何位置。
2. 目标有各种不同的大小。
3. 目标可能有各种不同的形状。

分类任务关心整体，给出的是整张图片的内容描述，而检测则关注特定的物体目标，要求同时获得这一目标的类别信息和位置信息。相比分类，检测给出的是对图片前景和背景的理解，我们需要从背景中分离出感兴趣的目标，并确定这一目标的描述（类别和位置），因而，检测模型的输出是一个列表，列表的每一项使用一个数据组给出检出目标的类别和位置（常用矩形检测框的坐标表示）。

关键流程

对于普通的图片，我们会通过目标检测（目标检测模型Efficientdet_D3）与图片分类（图像分类模型FBNetV2）等机器学习算法进行处理，分离出目标子图并识别标签和特征向量，然后将识别出的命名实体的名称作为图片的标签。关键词标签和特征向量都会存储到元数据数据库中。

以文搜图时会通过全文检索引擎获取路径结合元数据服务的标签，综合分析得出相似的结果。以图搜图时会先进行图片识别分析，并且利用CNN网络对目标子图进行编码并存储到向量搜索引擎中，用于作为与待搜索子图向量的比对向量，根据多维度的对比展示出搜索到的原图。